【FinE】Poisson Process(2)

前文链接

Poisson Process(1)

Compensated Poisson Process

补偿泊松过程$M(t)$表达式如下
$$M(t)=N(t)-\lambda t$$
$M(t)$ is a Martingale.
Poisson Process的性质为
$$\mathbb{E}[N(t)\mid \mathcal{F}(0)]=\mathbb{E}[N(t)]=\lambda t\ne N(0)$$
为了构造一个鞅过程，需要加入补偿项$\lambda t$.
证明$M(t)$是鞅过程.
令$s\le t$
$$\begin{array}{rl}\mathbb{E}[M(t)\mid \mathcal{F}(s)]& =\mathbb{E}[N(t)-\lambda t\mid \mathcal{F}(s)]=\mathbb{E}[N(t)\mid \mathcal{F}(s)]-\lambda t\\ & =\mathbb{E}[N(t)-N(s)+N(s)\mid \mathcal{F}(s)]-\lambda t\\ & =\mathbb{E}[N(t)-N(s)\mid \mathcal{F}(s)]+\mathbb{E}[N(s)\mid \mathcal{F}(s)]-\lambda t\\ & =\lambda (t-s)+N(s)-\lambda t\\ & =N(s)-\lambda s\\ & =M(s)\end{array}$$
即$M(t)$是一个鞅过程.

Compound Poisson Process

令$Q(t)=\sum _{i=1}^{N(t)}{Y}_i$，$N(t)$是一个强度参数为$\lambda$的Poisson Process，令$Y_1,Y_2,\dots$ 为一个i.i.d的序列，均值$\mathbb{E}{Y}_i=\beta$. 并且 { Y i } i = 1 ∞ \{Y_i\}_{i=1}^{\infty} {Yi​}i=1∞​和$N(t)$相独立.
计算数学期望
$$\because \mathbb{E}[Q(t)\mid N(t)=k]=k\beta$$
由期望迭代性质
$$\begin{array}{rl}\mathbb{E}[\mathbb{E}[Q(t)\mid N(t)]]& =\mathbb{E}[Q(t)]=\sum _{k=0}^{\infty }k\beta \mathbb{P}(N(t)=k)\\ & =\sum _{k=1}^{\infty }k\beta \frac{(\lambda t{)}^k}{k!}{e}^{-\lambda t}\\ & =\sum _{k=1}^{\infty }\beta \frac{(\lambda t{)}^k}{(k-1)!}{e}^{-\lambda t}\\ & =\beta \lambda t\underset{pdf:Poisson(\lambda t)}{\underbrace{\sum _{k=1}^{\infty }\frac{(\lambda t{)}^l}{l!}{e}^{-\lambda t}}}\\ & =\beta \lambda t\end{array}$$
直观意义上，$N(t)$表示跳跃的次数，期望跳跃次数为$\lambda t$，$Y_i$表示每次跳跃的距离，期望为$\beta$单位长度，总距离期望为$\lambda t\beta$.

性质：设计补偿过程$Q(t)-\beta \lambda t$是一个martingale.
证明：
$$\mathbb{E}[Q(t)-\beta \lambda t\mid \mathcal{F}(s)]=\mathbb{E}[Q(t)-Q(s)\mid \mathcal{F}(s)]+\mathbb{E}[Q(s)\mid \mathcal{F}(s)]-\beta \lambda t$$
根据定义
$$\begin{array}{rl}& \because \mathbb{E}[Q(t)-Q(s)\mid \mathcal{F}(s)]=\sum _{i=1}^{N(t)}{Y}_i-\sum _{i=1}^{N(s)}{Y}_i=\sum _{N(s)+1}^{N(t)}{Y}_i|\mathcal{F}(s)\\ & \therefore \mathbb{E}[Q(t)-\beta \lambda t\mid \mathcal{F}(s)]=\mathbb{E}[Q(t)-Q(s)]+Q(s)-\beta \lambda t\\ & =\beta \lambda t-\beta \lambda s+Q(s)-\beta \lambda t\\ & =Q(s)-\beta \lambda s\end{array}$$
即$Q(t)-\beta \lambda t$是鞅过程.

定理 1：令$Q(t)$为一个compound Poisson Process 并且$0=t_0<t_1<\dots ,t_n$为给定时间节点，那么增量
$$Q(t_1)-Q(t_0),Q(t_2)-Q(t_1),\dots ,Q(t_n)-Q(t_{n-1})$$
为平稳且独立的，$Q(t_j)-Q(t_{j-1})$具有和$Q(t_j-t_{j-1})$相同的分布.
定理 2(分解定理)：令$y_1,y_2,\dots ,y_m$为非零有限集合，并且$P(y_1),P(y_2),\dots ,P(y_m)$是和为1的正数.
令$Y_1,Y_2,\dots ,Y_n$为i.i.d的随机变量序列，并且 P { Y i = y m } = P ( y m ) ， m = 1 , 2 , … , M \mathbb{P}\{Y_i=y_m\}=P(y_m)， m=1, 2, \dots, M P{Yi​=ym​}=P(ym​)，m=1,2,…,M令$N(t)$为一个Poisson Process并且定义Compound Poisson Process
$$Q(t)=\sum _{i=1}^{N(t)}{Y}_i$$
对于$m=1,2,\dots ,M$，令$N_m(t)$表示$Q$过程中跳跃的距离时$y_m$的次数，那么
$$\begin{gathered} N(t)=\sum _{m=1}^M{N}_m(t) \\ Q(t)=\sum _{m=1}^M{y}_m{N}_m(t) \end{gathered}$$
过程$N_1,N_2,\dots ,N_m$是独立的Poisson Process，每个过程的强度参数为$\lambda p(y_m)$.
解析：该定理从另一个角度观察了Compound Poisson Process，分拆了强度参数，可以计算出
$$\sum _{i=1}^M\lambda p(y_m)=\lambda \sum _{i=1}^{m}p(y_m)=\lambda$$

参考资料

Poisson Process part 2