7.1 布朗运动定义及构造

本章的第一部分发展了布朗运动的性质. 第7.1节, 我们定义了布朗运动,并研究其路径的连续性. 第7.2节, 我们证明了马氏性和一个相关的 $0-1$定律. 第7.3节, 我们定义了停时, 并证明了强马氏性. 第7.4节, 我们使用强马氏性来研究布朗运动的路径性质. 第7.5节, 我们介绍了一些与布朗运动相关的鞅, 并利用它们来获取关于退出分布和退出时的信息. 第7.6节, 我们证明Ito公式的三个版本.

定义7.1.A .不要求初值为0的布朗运动]一维布朗运动是一个实值过程 $B_t,t\ge 0$, 有以下性质:\
(a) 若 $t_0<t_1<\dots <t_n$ , 则$B\left(t_0\right),B\left(t_1\right)-B\left(t_0\right),\dots ,B\left(t_n\right)-B\left(t_{n-1}\right)$独立.
(b) 若 $s,t\ge 0$ , 则
$$P(B(s+t)-B(s)\in A)={\int }_A(2\pi t{)}^{-1/2}\exp \left(-x^2/2t\right)dx$$
( c) $t\to B_t$几乎必然连续(几乎所有的轨道连续).

remark (a) $B_t$有独立的增量. (b) 增量$B(s+t)-B(s)$是均值为0,方差为t的正态分布. 联系物理中布朗运动的设定, 可以看到这里的定义是合理的:
与物理中布朗运动的联系: (a)和(b)可以合理地指出花粉粒的运动是由于数百万的水分子撞击造成的,因为:

1. 由于分子运动的独立性和无规则性, 认为质点在不同时间内受到的碰撞是独立的, 故所产生的位移也是独立的. 2. $B(t)$ 表示质点在时刻 $t$ 的位置, 则 $B(t)$ 也表示质点直到 $t$ 所作的位移, 因此在时间 $(s,t)$ 内, 它所做的位移是 $B(t)-B(s)$, 由于在时间 $(s,t)$ 内质点受到周围分子的大量碰撞, 每次碰撞都产生一个小的位移, 故 $B(t)-B(s)$ 是大量小位移的和, 由中 心极限定理它服从正态分布,

2. 介质处于平衡状态, 因此质点在一小区间上 位移的统计规律只与区间长度有关, 而与开始观察的时刻无关.

1. 布朗运动的定义

1.1 平移不变性

性质7.1.B. 平移不变性(Translation invariance) (i) { B t − B 0 , t ≥ 0 } \left\{B_{t}-B_{0}, t \geq 0\right\} {Bt​−B0​,t≥0}与 $B_0$ 独立, (ii) 与初值是$B_0=0$的布朗运动同分布.

证明： (i) 令${\mathcal{A}}_1=\sigma \left(B_0\right)$, ${\mathcal{A}}_2$是具有以下形式的事件
{ B ( t 1 ) − B ( t 0 ) ∈ A 1 , … , B ( t n ) − B ( t n − 1 ) ∈ A n } . \left\{B\left(t_{1}\right)-B\left(t_{0}\right) \in A_{1}, \ldots, B\left(t_{n}\right)-B\left(t_{n-1}\right) \in A_{n}\right\} . {B(t1​)−B(t0​)∈A1​,…,B(tn​)−B(tn−1​)∈An​}.
则${\mathcal{A}}_i$是独立的$\pi$-类, 故由定理2.1.6 ($\pi -\lambda$定理)可得$\sigma ({\mathcal{A}}_i)$独立, 综合可得 { B t − B 0 , t ≥ 0 } \left\{B_{t}-B_{0}, t \geq 0\right\} {Bt​−B0​,t≥0}与 $B_0$ 独立.

(ii) 有限维分布的$n=1$时, 分布相同, 由(i)可得增量独立, 故对$n>1$时, 分布也相同.

1.2 自相似性-尺度不变性

性质7.1.C. 自相似性-尺度不变性(The Brownian scaling relation) 设 $c\ne 0$ 为常数, 则$c^{-1}{w}_{c^{2}t}$为布朗运动.
(i) 若$B_0=0$, 则对$\forall t>0$, { B s t , s ≥ 0 } = d { t 1 / 2 B s , s ≥ 0 } \{B_{s t}, s \geq 0\} \stackrel{d}{=}\{t^{1 / 2} B_{s}, s \geq 0\} {Bst​,s≥0}=d{t1/2Bs​,s≥0}.(取$c=\sqrt{t}$)
(ii) ${\hat{w}}_t:=\{\begin{array}{ll}0,& t=0\\ t{w}_{t^{-1}},& t>0\end{array}$ 是布朗运动.(取$c=1/t$)

Remark 取$c$为$-1$, { − B t , t ≥ 0 } \left\{-B_{t}, t \geq 0\right\} {−Bt​,t≥0} 是布朗运动.

证明: (i) 只要证明$s_1<\dots <s_n$, 随机变量族有相同的有限维分布
$$\left(B_{s_{1}t},\dots ,B_{s_{n}t}\right)\stackrel{d}{=}\left(t^{1/2}{B}_{s_1},\dots t^{1/2}{B}_{s_n}\right)$$

当$n=1$, 由于$t^{1/2}$乘以均值为0方差为$s$的正态分布是均值为0方差为$st$的正态分布, 结论成立. 当$n>1$, 由增量的独立性可得.

(ii) 对任意 $n$ 及 $t_1,\cdots ,t_n,\left({\hat{w}}_{t_1},\cdots ,{\hat{w}}_{t_n}\right)$ 为Gauss 变量, 且 $E\left[{\hat{w}}_t{\hat{w}}_s\right]=s\wedge t$. 根据布朗运动的等价定义7.1.F, 只需证${\hat{w}}_t$ 的样本轨道几乎必然连续. 又 $t\mapsto {\hat{w}}_t$ 在 $(0,\infty )$ 上几乎必然连续. 故只需证明 $t\mapsto {\hat{w}}_t$ 在 0 点连续.

由于$\forall p>2,\alpha \in \left(p^{-1},2^{-1}\right)$, 有
$$\begin{array}{rl}& {\int }_0^1{\int }_0^1\frac{1}{|t-s{|}^{1+p\alpha }}E\left[{\left|{\hat{w}}_t-{\hat{w}}_s\right|}^p\right]dsdt\\ \le & C{\int }_0^1{\int }_0^1|t-s{|}^{-1+p\left(\frac{1}{2}-\alpha \right)}dtds<\infty \end{array}$$
故用Kolmogorov的连续性准则, $t\mapsto {\hat{w}}_t$ 在 $[0,1]$ 上有连续修正.

由于互为修正是指$\forall t\in I,X_t=Y_t,a.s.$, , 故在0点修正前后一致, 而$t\mapsto {\hat{w}}_t$ 在 $(0,1]$ 上连续, 故修正前后也一致, 因此$t\mapsto {\hat{w}}_t$ 本身在 $[0,1]$ 上连续.

2. 等价定义

2.1 高斯向量及其性质

本节主要给出布朗运动的等价定义(定义7.1.F), 即期望为0协方差为$s\wedge t$的连续高斯过程是布朗运动, 由此给出布朗运动的有限维分布(定理7.1.G)以及布朗运动的$n$阶矩(定理7.1.H).

定义7.1.D .Gauss向量-特征函数 称一个 $d$-维随机向量 $\xi :={\left({\xi }_1,\cdots ,{\xi }_d\right)}^{\ast }$是具有参数 $(m,A)$ 的Gauss向量, 记为 $\xi \sim N(m,A)$. 如果其特征函数 $\phi$ 有表达式
$$\phi (t)=\exp \left(i{m}^{\ast }t-\frac{1}{2}{t}^{\ast }At\right),t\in {\mathbb{R}}^d,$$
其中 $m\in {\mathbb{R}}^d,A$ 为 $d\times d$ 对称非负定矩阵.

Gauss向量的密度函数: 称一个 $d$-维随机向量 $\xi :={\left({\xi }_1,\cdots ,{\xi }_d\right)}^{\ast }$是具有参数 $(m,A)$ 的Gauss向量, 若 $d$ 维随机向量 $X={\left(X_1,X_2,\dots ,X_d\right)}^{\prime }$ 的联合概率密度为
$$f\left(x_1,\dots ,x_p\right)=\frac{1}{\sqrt{(2\pi {)}^d}|A{|}^{1/2}}\exp \left\{-\frac{1}{2}(x-m{)}^{\prime }{A}^{-1}(x-m)\right\}$$

(引理7.1.D.$m$是高斯向量的期望,$A$是高斯向量的协方差矩阵) 设 $\xi =\left({\xi }_1,\cdots ,{\xi }_d\right)\sim N(m,A)$. 则$m_i=E\left[{\xi }_i\right],a_{ij}=E\left[\left({\xi }_i-m_i\right)\left({\xi }_j-m_j\right)\right]$.

[(引理7.1.E. 高斯向量的线性组合是高斯向量)] $\xi \sim N(m,A),Q$为$k\times d$矩阵. 令$\eta :=b+Q\xi$. 有$$\eta \in N\left(b+Qm,QA{Q}^{\ast }\right)$$

布朗运动的定义中并没有假定 $B(0)=0$, 因此称之为始于 $x$ 的 Brown运动, 所以有时为了强调起始点, 也记为 { B x ( t ) } \left\{B^{x}(t)\right\} {Bx(t)}. 由布朗运动的平移不变性, 可得
$$B^x(t)-x=B^0(t)$$
因此$B^x(t)$ 和 $x+B^0(t)$ 是相同的, 研究始于 0 的Brown运动即可, 如不加说明, Brown 运动就是指始于0的Brown 运动. 因此用高斯过程给出起始点为0布朗运动的一个等价定义.

2.2 等价定义的证明

等价定义7.1.F.初值$B_0=0$的布朗运动 初值$B_0=0$的布朗运动$B_t,t\ge 0$, 是一个满足以下条件的实值过程\
(a’) $B(t)$是一个高斯过程(即所有的有限维分布是多元高斯分布).\
(b’) $E{B}_s=0$, $E{B}_s{B}_t=s\wedge t$. (c’) $t\to B_t$几乎必然连续.

证明 必要性. (a’) 证明对任意的 $t_1<t_2<\cdots <t_n,\left(B_{t_1},\cdots ,B_{t_n}\right)$ 服从正态分布. 由独立增量 性
$$\left(B_{t_1},B_{t_2}-B_{t_1},\cdots ,B_{t_n}-B_{t_{n-1}}\right)$$
服从正态分布. 由引理7.1.C可得$\left(B_{t_1},\cdots ,B_{t_n}\right)$ 服从正态分布.

(b’) $\mathbb{E}{B}_t=0$, 对任意的 $t\ge s\ge 0$,
$\mathbb{E}{B}_t{B}_s=\mathbb{E}\left(B_t-B_s\right)B_s+\mathbb{E}{B}_s^2=s$.

充分性: (a) 增量独立性, 即: 对任意的 $t_1<t_2<\cdots <t_n$,
$$\left(B_{t_1},B_{t_2}-B_{t_1},\cdots ,B_{t_n}-B_{t_{n-1}}\right)$$
相互独立. 由于它们服从正态分布, 所以只需要证明不相关性. 对任意的 $i<j$,
$$\begin{array}{rl}\mathbb{E}\left(B_{t_i}-B_{t_{i-1}}\right)\left(B_{t_j}-B_{t_{j-1}}\right)& =\mathbb{E}{B}_{t_i}{B}_{t_j}-\mathbb{E}{B}_{t_i}{B}_{t_{j-1}}-\mathbb{E}{B}_{t_{i-1}}{B}_{t_j}+\mathbb{E}{B}_{t_{i-1}}{B}_{t_{j-1}}\\ & =t_i-t_i-t_{i-1}+t_{i-1}=0\end{array}$$

(b) 对任意的 $t>s,B_t-B_s$ 服从正态分布, 均值为 0 , 方差为
$$\mathbb{E}{\left(B_t-B_s\right)}^2=\mathbb{E}{B}_t^2-2\mathbb{E}{B}_t{B}_s+\mathbb{E}{B}_s^2=t-s$$

2.3 布朗运动的有限维分布

定理7.1.G.布朗运动的有限维分布 初始值为$x$ 的布朗运动的有限维分布为
$${\int }_{-\infty }^{x_1}{p}_{t_1}\left(x,y_1\right)\mathrm{d}{y}_1{\int }_{-\infty }^{x_2}{p}_{t_2-t_1}\left(y_1,y_2\right)\mathrm{d}{y}_2\cdots {\int }_{-\infty }^{x_n}{p}_{t_n-t_{n-1}}\left(y_{n-1},y_n\right)\mathrm{d}{y}_n$$

证明 如果过程从 $x$ 开始, $B(0)=x$, 则 $B(t)\sim N(x,t)$, 于是
P x { B ( t ) ∈ ( a , b ) } = ∫ a b 1 2 π t e − ( u − r ) 2 2 t   d y . P_{x}\{B(t) \in(a, b)\}=\int_{a}^{b} \frac{1}{\sqrt{2 \pi t}} \mathrm{e}^{-\frac{(u-r)^{2}}{2 t}} \mathrm{~d} y . Px​{B(t)∈(a,b)}=∫ab​2πt ​1​e−2t(u−r)2​ dy.
这里概率 $P_x$ 的下标 $x$ 表示过程始于 $x$ 积分号中的函数
$$p_t(x,y)=\frac{1}{\sqrt{2\pi t}}{\mathrm{e}}^{-\frac{(y-x{)}^2}{2t}}$$
称为 Brown运动的转移概率密度. 利用独立增量性以及转移概率密度, 可以 计算任意 Brown 运动的有限维分布 P x { B ( t 1 ) ⩽ x 1 , ⋯   , B ( t n ) ⩽ x n } P_{x}\left\{B\left(t_{1}\right) \leqslant x_{1}, \cdots, B\left(t_{n}\right) \leqslant x_{n}\right\} Px​{B(t1​)⩽x1​,⋯,B(tn​)⩽xn​}为
$${\int }_{-\infty }^{x_1}{p}_{t_1}\left(x,y_1\right)\mathrm{d}{y}_1{\int }_{-\infty }^{x_2}{p}_{t_2-t_1}\left(y_1,y_2\right)\mathrm{d}{y}_2\cdots {\int }_{-\infty }^{x_n}{p}_{t_n-t_{n-1}}\left(y_{n-1},y_n\right)\mathrm{d}{y}_n$$

习题7.1.1 给定$s<t$, 计算$P(B(s)>0,B(t)>0)$.

证明: 由定义7.1.F可得布朗运动是高斯过程, 故
$$\begin{array}{rl}& P(B(s)>0,B(t)-B(s)>0)=P(B(s)>0)P(B(t)-B(s)>0)\\ & ={\int }_0^{\infty }\frac{1}{\sqrt{2\pi s}}\exp \left(-\frac{x^2}{2s}\right){\int }_0^{\infty }\frac{1}{\sqrt{2\pi (t-s)}}\exp \left(-\frac{x^2}{2(t-s)}\right)\\ & ={\int }_0^{\infty }\Phi \left(\frac{a}{\sqrt{t-s}}\right)\varphi \left(\frac{a}{\sqrt{s}}\right)\mathrm{d}\frac{a}{\sqrt{s}}={\int }_0^{\infty }\Phi (ba)\varphi (a)\mathrm{d}a\end{array}$$
其中, $\Phi (\cdot )$, $\varphi (\cdot )$ 是标准高斯变量的密度和分布函数,
$b:=\sqrt{s/t-s}$.

用$I(b)$表示以上积分, 由Leibniz规则可得
$$I(0)=\frac{1}{4},{\partial }_{b}I(b)={\int }_0^{\infty }a\varphi (ba)\varphi (a)\mathrm{d}a=\frac{1}{2\pi \sqrt{1+b^2}}{\int }_0^{\infty }a{\mathrm{e}}^{-\frac{1+b^2}{2}{a}^2}\mathrm{d}a=\frac{1}{2\pi }\frac{1}{1+b^2}$$
重新积分可得原式为
$$I(b)=I(0)+\frac{1}{2\pi }{\int }_0^b\frac{\mathrm{d}c}{1+c^2}=\frac{1}{4}+\frac{1}{2\pi }{\tan }^{-1}(\sqrt{s/t})=\frac{1}{4}+\frac{1}{2\pi }{\sin }^{-1}\left(\sqrt{\frac{s}{t}}\right)$$

2.4 布朗运动矩的计算

定理7.1.H (布朗运动矩的计算) 定理. 设 $B_t$ 是以 0 为起点的布朗运动, 则
$$E\left[B_t^{2k+1}\right]=0,E\left[B_t^{2k}\right]=\frac{(2k)!t^k}{2^{k}k!}=(2k-1)!!t^k$$

证明：方法一. 由定义7.1.F可得布朗运动 $B_t$ 的特征函数为
$$E\left[e^{iu{B}_t}\right]=e^{-\frac{1}{2}{u}^{2}t}$$
由于$e^{-\frac{1}{2}{u}^{2}t}={\sum }_{k=0}^{\infty }\frac{(-1{)}^k{t}^k}{2^{k}k!}{u}^{2k}$, 可得
$$E\left[e^{iu{B}_t}\right]=E\left[\sum _{k=0}^{\infty }\frac{{\left(i{B}_t\right)}^k}{k!}{u}^k\right]=\sum _{k=0}^{\infty }\frac{i^{k}E\left[B_t^k\right]}{k!}{u}^k=\sum _{k=0}^{\infty }\frac{(-1{)}^k{t}^k}{2^{k}k!}{u}^{2k}$$

方法二. 直接计算有
$$E[f(B_t)]={\int }_{R}f(B_t)P^0[B_t\in \mathrm{d}x]={\int }_{R}f(x)p(t,0,x)\mathrm{d}x={\int }_{R}f(x)\frac{1}{\sqrt{2\pi t}}{e}^{-\frac{x^2}{2t}}\mathrm{d}x$$
而取 $f(x)=x^k$, 有
$$E\left[B_t^k\right]=\frac{1}{\sqrt{2\pi t}}{\int }_{\mathbf{R}}{x}^k{e}^{-\frac{x^2}{2t}}\mathrm{d}x$$
于是当 $k$ 为奇数时, $E\left[B_t^k\right]=0$; 当 $k$ 为偶数时,
$$\begin{array}{rl}E\left[B_t^{2k}\right]& =\frac{2}{\sqrt{2\pi t}}{\int }_0^{\infty }{x}^{2k}{e}^{-\frac{x^2}{2t}}\mathrm{d}x\\ & =\frac{2}{\sqrt{\pi }}{\int }_0^{\infty }(2t{)}^k{s}^k{e}^{-s}\frac{1}{2}{s}^{-\frac{1}{2}}\mathrm{d}s\\ & =\frac{2^k{t}^k}{\sqrt{\pi }}\Gamma \left(k+\frac{1}{2}\right)\\ & =2^k{t}^k\left(k-\frac{1}{2}\right)\left(k-\frac{3}{2}\right)\cdots \frac{1}{2}\\ & =(2k-1)!!t^k=\frac{(2k)!}{2^{k}k!}{t}^k.\end{array}$$
方法三. 设${\beta }_k(t)=E[B_t^k]$, 则
$$\begin{array}{rl}& \mathrm{d}{B}_t^k=k{B}_t^{k-1}\mathrm{d}{B}_t+\frac{1}{2}k(k-1)B_t^{k-2}\mathrm{d}t(\text{ Itoˆ 公式 })\\ \Rightarrow & B_t^k=k{\int }_0^t{B}_s^{k-1}\mathrm{d}{B}_s+\frac{1}{2}k(k-1){\int }_0^t{B}_s^{k-2}\mathrm{d}s\\ \Rightarrow & {\beta }_k(t)=\frac{1}{2}k(k-1){\int }_0^t{\beta }_{k-2}(s)\mathrm{d}s\left(E\left[{\int }_0^{t}f\mathrm{d}{B}_s\right]=0\right).\end{array}$$
于是
$${\beta }_{2k-1}={\beta }_{2k-3}=\cdots =B_1=0$$归纳法可得$${\beta }_{2k}=\frac{(2k)!}{2^{k}k!}{t}^k$$

习题 7.1.2 计算 $E\left(B_1^2{B}_2{B}_3\right)$.

证明：利用定理7.1.H可得,
$$\begin{array}{rl}E\left(B_1^2{B}_2{B}_3\right)=& E\left(B_1^2\left(B_2-B_1+B_1\right)\left(B_3-B_2+B_2-B_1+B_1\right)\right)\\ =& E(B_1^3\left(B_3-B_2\right)+B_1^3\left(B_2-B_1\right)+B_1^4\\ & +B_1\left(B_2-B_1\right)\left(B_3-B_2\right)+B_1{\left(B_2-B_1\right)}^2+B_1^2)=4\end{array}$$

2.3 布朗运动关于时间的积分

习题7.1.3 (布朗运动关于时间的积分) 令$W={\int }_0^t{B}_{s}ds$. 证明$W\sim N\left(0,t^3/3\right)$.

证明：对$n\ge 1$, 令$\Delta s:=t/n$, 对$k=0,\dots ,n-1$, 令$s_k:=k\Delta s$. 考虑$W={\int }_0^t{B}_{s}ds$的黎曼和逼近:
$$W^{(n)}=\Delta s\sum _{k=0}^{n-1}B\left(s_k\right).$$
当$n\to \infty$, 有$W^{(n)}\to W$, 故$W^{(n)}$是高斯过程, 由引理7.1.J(见下)极限是高斯变量.

$\mathrm{E}{W}^{(n)}=0$, 由于 Cov ⁡ ( B ( s k ) , B ( s j ) ) = min ⁡ { s k , s j } \operatorname{Cov}\left(B\left(s_{k}\right), B\left(s_{j}\right)\right)=\min \left\{s_{k}, s_{j}\right\} Cov(B(sk​),B(sj​))=min{sk​,sj​},
$$\mathrm{E}{\left(W^{(n)}\right)}^2=\frac{t^2}{n^2}\left(\frac{t{n}^2}{3}-\frac{tn}{2}+\frac{t}{6}\right)\to \frac{t^3}{3}$$
故$W\sim N\left(0,t^3/3\right)$.