随机微分方程学习笔记01 相对布朗运动的Ito积分

这个系列是在随机过程学习笔记之后的，本来想直接看随机微分方程的，但发现很多概念不了解，就先去看了随机过程的资料。

前情提要： Ω = { 所 有 ω } \Omega=\{所有\omega\} Ω={ 所有ω}， $\omega (t)\in \mathbb{P}$， $t\in I$，随机过程比如 $X:(t,\omega )\mapsto X(t,\omega )\in \mathbb{R}$，随机变量 $\mathbb{P}\to \mathbb{R}$。

一维Ito积分

在$L^2$上构造

设$({\mathcal{F}}_t{)}_{t\ge 0}$是一个完备概率空间$(\Omega ,\mathcal{F},P)$上的滤子(filtration)，即一个满足

1. ${\mathcal{F}}_s\subset {\mathcal{F}}_t\subset \mathcal{F},(s\le t$)；
2. ${\mathcal{F}}_s={\cap }_{t>s}{\mathcal{F}}_t,(s\ge 0)$【右正则性】；
3. $\forall A\in \mathcal{F}$满足$P(A)=0$，有$A\in {\mathcal{F}}_0$；

的网。

$(X_t,t\ge 0)$是一族$(\Omega ,\mathcal{F},P)$上的${\mathbb{R}}^d$随机变量。
若满足所有$X(t)$是${\mathcal{F}}_s$可测的，则称$(X(t),t\ge 0)$是$(F_s)$-适合的($({\mathcal{F}}_t)$-adapted)。
若满足$(t,\omega )\mapsto X(t,\omega )$是$\mathcal{B}⨂\mathcal{F}$可测的，则称过程$X$是可测的(measurable)。
若满足$\forall \omega$，轨迹$t\mapsto X(t,\omega )$是连续的（$\mathcal{B}$是$\mathbb{R}$上的Borel），则称$(X(t),t\ge 0)$是连续的(continuous)。

已经有结论，若一个过程是（右）连续的，则它是可测的。

设$(W(t),t\ge 0)$是一个连续的$({\mathcal{F}}_t)$-合适的实值过程，若满足

1. $W(0)=0$。
2. 对任意$s$，$0\le s\le t$：$W(t)-W(s)$与${\mathcal{F}}_s$独立。
3. 对任意$s$，$0\le s\le t$：$W(t)-W(s)\sim \mathcal{N}(0,t-s)$。

则称$W$是一维标准布朗运动(standard one-dementional Brownian motion)。

V : = { Y : Y 为 实 值 随 机 过 程 ， F t − 适 合 ， 可 测 ， 且 满 足 ∥ Y ∥ V : = ( ∫ 0 ∞ E [ Y ( t ) 2 ] d t } ) 1 2 < ∞ } V:=\{Y:Y为实值随机过程，\mathscr{F}_t-适合，可测，且满足\|Y\|_{V}:=\left(\int_{0}^{\infty}\mathbb{E}\left[Y(t)^2\right]\mathrm{d}t\}\right)^{\frac{1}{2}}<\infty\} V:={ Y:Y为实值随机过程，Ft​−适合，可测，且满足∥Y∥V​:=(∫0∞​E[Y(t)2]dt})21​<∞}若$Y\in V$且$$Y(t,\omega )=\sum _{i=0}^{\infty }{\eta }_i(\omega )1_{[t_i,t_{i+1})}(t),$$其中$(t_i{)}_{t\ge 0}$是单增序列，${\eta }_i$是${\mathcal{F}}_{t_i}$-可测的随机变量，则称$Y$是简单的(simple)。

简单过程的Ito积分

对于简单过程$Y\in V$可以自然地定义$${\int }_0^{\infty }Y(t)\mathrm{d}W(t):=\sum _{i=0}^{\infty }{\eta }_i(W(t_{t+1})-W(t_i)).$$等式右边这个级数在$L^2(\mathbb{P})$上收敛，这说明等式左边在$\mathbb{P}$这个测度下是几乎处处良定义的。

1. 证明等式右边收敛：
   证：令$S_k:={\sum }_{i=0}^k{\eta }_i(W(t_{t+1})-W(t_i))$，$$\begin{array}{rl}\mathbb{E}\left[(S_l-S_k{)}^2\right]=& \mathbb{E}\left[{\left(\sum _{i=k+1}^l{\eta }_i(W(t_{t+1})-W(t_i))\right)}^2\right]\\ =& \sum _{i=k+1}^l\mathbb{E}\left[{\eta }_i^2(W(t_{i+1})-W(t_i){)}^2\right]\\ & +2\sum _{k+1\le i<j\le l}\mathbb{E}\left[{\eta }_i{\eta }_j(W(t_{i+1})-W(t_i))(W(t_{j+1})-W(t_j))\right]\\ =& \sum _{i=k+1}^l\mathbb{E}\left[{\eta }_i^2\right](t_{i+1}-t_i)\\ =& {\int }_{t_{k+1}}^{t_{l+1}}\mathbb{E}\left[Y(t{)}^2\right]\mathrm{d}t\to 0(k,l\to \infty )\end{array}$$所以$(S_k)$是$L^2(\mathbb{P})$上的柯西列，所以等式右边收敛。$\square .$

2. 证明等距$$\mathbb{E}\left[{\left({\int }_0^{\infty }Y(t)\mathrm{d}W(t)\right)}^2\right]=\Vert Y{\Vert }_V^2.$$
   【理解这个等距：

$V$中的范数是$\Vert \cdot {\Vert }_V$，随机变量看作是$L^2(\mathbb{P})$中的函数，则其的范数是${\left(\mathbb{E}\left[{\cdot }^2\right]\right)}^{\frac{1}{2}}$。在简单过程这个自变量的区域中Ito积分是个等距映射。】
证：已经证明了$(S_k)$是柯西列，所以 E [ ( ∫ 0 ∞ Y ( t ) d W ( t ) ) 2 ] = lim ⁡ k → ∞ E [ S k 2