WikiDer > Леви процесс

В теория вероятности, а Леви процесс, названный в честь французского математика Поль Леви, это случайный процесс с независимыми, стационарными приращениями: он представляет движение точки, последовательные перемещения которой равны случайный, в котором смещения в попарно непересекающихся интервалах времени независимы, а смещения в разные интервалы времени одинаковой длины имеют идентичные распределения вероятностей. Таким образом, процесс Леви можно рассматривать как аналог непрерывного времени случайная прогулка.

Наиболее известными примерами процессов Леви являются Винеровский процесс, часто называемый Броуновское движение процесс, и Пуассоновский процесс. Помимо броуновского движения со сносом, все другие собственные (то есть недетерминированные) процессы Леви имеют прерывистый пути. Все процессы Леви аддитивные процессы.^[1]

Математическое определение

А случайный процесс ${ displaystyle X = {X_ {t}: t geq 0 }}$ называется процессом Леви, если он удовлетворяет следующим свойствам:

1. ${ Displaystyle X_ {0} = 0 ,}$ почти наверняка;
2. Независимость приращений: Для любого ${ displaystyle 0 leq t_ {1}$, ${ displaystyle X_ {t_ {2}} - X_ {t_ {1}}, X_ {t_ {3}} - X_ {t_ {2}}, dots, X_ {t_ {n}} - X_ {t_ { п-1}}}$ находятся независимый;
3. Стационарные приращения: Для любого ${ Displaystyle s <т ,}$, ${ Displaystyle X_ {t} -X_ {s} ,}$ равен по распределению ${ Displaystyle X_ {t-s}; ,}$
4. Непрерывность в вероятности: Для любого ${ displaystyle varepsilon> 0}$ и ${ Displaystyle т geq 0}$ он считает, что ${ displaystyle lim _ {h rightarrow 0} P (| X_ {t + h} -X_ {t} |> varepsilon) = 0.}$

Если ${ displaystyle X}$ является процессом Леви, то можно построить версию ${ displaystyle X}$ такой, что ${ Displaystyle т mapsto X_ {т}}$ является почти наверняка непрерывный справа с левыми пределами.

Свойства

Независимые приращения

Стохастический процесс с непрерывным временем присваивает случайная переменная Икс_т к каждой точке т ≥ 0 по времени. По сути, это случайная функция т. В приращения такого процесса - отличия Икс_s − Икс_т между его значениями в разное время т < s. Чтобы вызвать приращения процесса независимый означает, что увеличивается Икс_s − Икс_т и Икс_ты − Икс_v находятся независимый случайные переменные всякий раз, когда два временных интервала не перекрываются и, в более общем плане, любое конечное число приращений, назначенных попарно неперекрывающимся временным интервалам, взаимно (а не только попарно) независимый.

Стационарные приращения

Чтобы вызвать приращения стационарный означает, что распределение вероятностей любого приращения Икс_т − Икс_s зависит только от длины т − s временного интервала; приращения на одинаково длинные интервалы времени распределяются одинаково.

Если ${ displaystyle X}$ это Винеровский процесс, распределение вероятностей Икс_т − Икс_s является нормальный с участием ожидаемое значение 0 и отклонение т − s.

Если ${ displaystyle X}$ это Пуассоновский процесс, распределение вероятностей Икс_т − Икс_s это распределение Пуассона с математическим ожиданием λ (т − s), где λ> 0 - «интенсивность» или «скорость» процесса.

Бесконечная делимость

Распределение процесса Леви обладает свойством бесконечная делимость: любое целое число п, то закон процесса Леви в момент времени t можно представить как закон п независимые случайные величины, которые в точности представляют собой приращения процесса Леви по временным интервалам длины т/п, которые независимы и одинаково распределены согласно предположениям 2 и 3. И наоборот, для каждого бесконечно делимого распределения вероятностей ${ displaystyle F}$, существует процесс Леви ${ displaystyle X}$ так что закон ${ displaystyle X_ {1}}$ дан кем-то ${ displaystyle F}$.

Моменты

В любом процессе Леви с конечным моменты, то пй момент ${ Displaystyle му _ {п} (т) = Е (X_ {т} ^ {п})}$, это полиномиальная функция из т; эти функции удовлетворяют биномиальному тождеству:

${ displaystyle mu _ {n} (t + s) = sum _ {k = 0} ^ {n} {n select k} mu _ {k} (t) mu _ {nk} (s ).}$

Представление Леви – Хинчина

Распределение процесса Леви характеризуется его характеристическая функция, который задается Формула Леви – Хинчина (общий для всех безгранично делимые распределения):^[2]

Если ${ displaystyle X = (X_ {t}) _ {t geq 0}}$ является процессом Леви, то его характеристическая функция ${ Displaystyle varphi _ {X} ( theta)}$ дан кем-то

${ displaystyle varphi _ {X} ( theta) (t): = mathbb {E} left [e ^ {i theta X (t)} right] = exp { left (t left (ai theta - { frac {1} {2}} sigma ^ {2} theta ^ {2} + int _ { mathbb {R} setminus {0 }} { left (e ^ {i theta x} -1-i theta x mathbf {I} _ {| x | <1} right) , Pi (dx)} right) right)}}$

где ${ Displaystyle а в mathbb {R}}$, ${ displaystyle sigma geq 0}$, и ${ displaystyle Pi}$ это σ-конечная мера, называемая Мера Леви из ${ displaystyle X}$, удовлетворяющие свойству

${ displaystyle int _ { mathbb {R} setminus {0 }} { min (1, x ^ {2}) , Pi (dx)} < infty.}$

В приведенном выше описании ${ displaystyle mathbf {I}}$ это индикаторная функция. Потому что характеристические функции однозначно определяют лежащие в их основе распределения вероятностей, каждый процесс Леви однозначно определяется «тройкой Леви – Хинчина» ${ Displaystyle (а, sigma ^ {2}, Pi)}$. Члены этого триплета предполагают, что процесс Леви можно рассматривать как имеющий три независимых компонента: линейный дрейф, Броуновское движение, а Процесс прыжка Леви, как описано ниже. Это сразу дает, что единственный (недетерминированный) непрерывный процесс Леви - это броуновское движение со сносом; аналогично, любой процесс Леви является семимартингал.^[3]

Разложение Леви – Ито

Поскольку характеристические функции независимых случайных величин умножаются, теорема Леви – Хинчина предполагает, что каждый процесс Леви является суммой броуновского движения со сносом и другой независимой случайной величины. Разложение Леви – Ито описывает последнее как (стохастическую) сумму независимых пуассоновских случайных величин.

Позволять ${ Displaystyle Nu = { гидроразрыва { Pi | _ { mathbb {R} setminus (-1,1)}} { Pi ( mathbb {R} setminus (-1,1))}} }$- то есть ограничение ${ displaystyle Pi}$ к ${ Displaystyle mathbb {R} setminus (-1,1)}$, перенормированная на вероятностную меру; аналогично пусть ${ Displaystyle му = Pi | _ {(- 1,1) setminus {0 }}}$ (но не изменяйте масштаб). потом

${ displaystyle int _ { mathbb {R} setminus {0 }} { left (e ^ {i theta x} -1-i theta x mathbf {I} _ {| x | < 1} right) , Pi (dx)} = Pi ( mathbb {R} setminus (-1,1)) int _ { mathbb {R}} {(e ^ {i theta x } -1) , nu (dx)} + int _ { mathbb {R}} {(e ^ {i theta x} -1-i theta x) , mu (dx)}. }$

Первый является характеристической функцией составной процесс Пуассона с интенсивностью ${ Displaystyle Пи ( mathbb {R} setminus (-1,1))}$ и дочернее распределение ${ displaystyle nu}$. Последний - это компенсированный обобщенный процесс Пуассона (CGPP): процесс со счетным количеством скачкообразных разрывов на каждом интервале так как., но такие, что эти разрывы имеют величину меньше, чем ${ displaystyle 1}$. Если ${ displaystyle int _ { mathbb {R}} {| x | , mu (dx)} < infty}$, то CGPP - это чистый процесс прыжка.^[4][5]

Обобщение

Леви случайное поле является многомерным обобщением процесса Леви.^[6][7]Еще более общими являются разложимые процессы.^[8]

Смотрите также

• Независимые и одинаково распределенные случайные величины
• Винеровский процесс
• Пуассоновский процесс
• Марковский процесс
• Леви рейс
• Гамма-процесс

использованная литература

• Эпплбаум, Дэвид (декабрь 2004 г.). «Процессы Леви - от вероятности к финансам и квантовым группам» (PDF). Уведомления Американского математического общества. 51 (11): 1336–1347. ISSN 1088-9477.
• Конт, Рама; Танков, Петр (2003). Финансовое моделирование с помощью скачкообразных процессов. CRC Press. ISBN 978-1584884132..
• Сато, Кен-Ити (2011). Процессы Леви и безгранично делимые распределения. Издательство Кембриджского университета. ISBN 978-0521553025..
• Киприану, Андреас Э. (2014). Флуктуации процессов Леви с приложениями. Вводные лекции. Второе издание. Springer. ISBN 978-3642376313..