200731
经过长时间的打公式终于把这个系列更新完毕了。本篇是动态最优化的一个合集,欲看章节可以进入此目录查看~
1. 确定性差分方程
1.1 一阶线性差分方程
x t = a x t − 1 + b t x_t = ax_{t-1} + b_t xt=axt−1+bt
1.1.1 齐次方程
- 对于齐次方程
x t = a x t − 1 x_t = ax_{t-1} xt=axt−1
- 有稳定性结论
(1)当 0 < a < 1 0 < a < 1 0<a<1 时,解单调收敛于 x = 0 x = 0 x=0,均衡点是稳定的;
(2)当 − 1 < a < 0 -1 < a < 0 −1<a<0 时,解振荡收敛于 x = 0 x = 0 x=0,均衡点是稳定的;
(3)当 a > 1 a > 1 a>1 时,单调发散到无穷大,均衡点不稳定;
(4)当 a < − 1 a < -1 a<−1 时,振荡发散到无穷大,均衡点不稳定。
1.1.2 非齐次自治方程
- 设方程中 b t b_t bt为常数序列,则解为
x t g = x ˉ + c a t x_t^g = \bar{x} + ca^t xtg=xˉ+cat
- 有稳定性结论
(1)当 ∣ a ∣ < 1 | a | < 1 ∣a∣<1 时,对任意 c c c,方程的解收敛到均衡点,均衡点是稳定的。
(2)当 ∣ a ∣ > 1 | a | > 1 ∣a∣>1 时,除去 c = 0 c = 0 c=0 外,方程的解不收敛到均衡点,均衡点是不稳定的。
(3) a a a 的符号决定解是单调的还是振荡的。
1.1.3 非自治系统
- 将其后向迭代得到解为
x t = a n x t − n + ∑ i = 0 n − 1 a i b t − i x_{t}=a^{n} x_{t-n}+\sum_{i=0}^{n-1} a^{i} b_{t-i} xt=anxt−n+i=0∑n−1aibt−i
- 当 ∣ a ∣ < 1 |a|<1 ∣a∣<1时后向解是稳定的,为
x t = c a t + ∑ i = 0 ∞ a i b t − i x_{t}=c a^{t}+\sum_{i=0}^{\infty} a^{i} b_{t-i} xt=cat+i=0∑∞aibt−i
- 当 ∣ a ∣ > 1 |a|>1 ∣a∣>1时前向解是稳定的,为
x t = c a t − 1 a ∑ i = 0 ∞ ( 1 a ) i b t + 1 + i x_{t}=c a^{t}-\frac{1}{a} \sum_{i=0}^{\infty}\left(\frac{1}{a}\right)^{i} b_{t+1+i} xt=cat−a1i=0∑∞(a1)ibt+1+i
1.2 二阶线性差分方程
x t + 2 = a x t + 1 + b x t + d t + 2 x_{t+2}=a x_{t+1}+b x_{t}+d_{t+2} xt+2=axt+1+bxt+dt+2
1.2.1 齐次系统
[ x t + 1 y t + 1 ] = [ 0 1 b a ] [ x t y t ] \left[\begin{array}{l}x_{t+1} \\ y_{t+1}\end{array}\right]=\left[\begin{array}{ll}0 & 1 \\ b & a\end{array}\right]\left[\begin{array}{l}x_{t} \\ y_{t}\end{array}\right] [xt+1yt+1]=[0b1a][xtyt]
- 设 A A A 的两个特征根和特征向量为 λ 1 , λ 2 , ( e 11 , e 12 ) ′ , ( e 21 , e 22 ) ′ \lambda_{1}, \lambda_{2},\left(e_{11}, e_{12}\right)^{\prime},\left(e_{21}, e_{22}\right)^{\prime} λ1,λ2,(e11,e12)′,(e21,e22)′。作特征根分解,可得
[ x t y t ] = [ e 11 e 12 e 21 e x 2 ] [ c 1 λ 1 t c 2 λ 2 t ] \left[\begin{array}{l}x_{t} \\ y_{t}\end{array}\right]=\left[\begin{array}{ll}e_{11} & e_{12} \\ e_{21} & e_{x 2}\end{array}\right]\left[\begin{array}{l}c_{1} \lambda_{1}^{t} \\ c_{2} \lambda_{2}^{t}\end{array}\right] [xtyt]=[e11e21e12ex2][c1λ1tc2λ2t]
- 有结论
(1)特征根为实根,如果所有特征根均小于 1,则收敛于均衡点。若有一个特征根绝对值大于1,则解发散,除非初始条件使该解为常数,出现鞍点情形。鞍点稳定要求一个特征根 1,另一特征根小于1。
(2)特征根为复根,出现周期解;
(3)重根和不能对角化的系统较复杂。
1.2.2 非齐次自治系统
- 经变换可得
z t + 1 = A z t + b z_{t+1}=A z_{t}+b zt+1=Azt+b
- 其解为
[ x t y t ] = [ e 11 e 12 e 21 e 22 ] [ c 1 λ 1 t c 2 λ 2 f ] + [ x ˉ y ˉ ] \left[\begin{array}{l}x_{t} \\ y_{t}\end{array}\right]=\left[\begin{array}{ll}e_{11} & e_{12} \\ e_{21} & e_{22}\end{array}\right]\left[\begin{array}{l}c_{1} \lambda_{1}^{t} \\ c_{2} \lambda_{2}^{\mathrm{f}}\end{array}\right]+\left[\begin{array}{l}\bar{x} \\ \bar{y}\end{array}\right] [xtyt]=[e11e21e12e22][c1λ1tc2λ2f]+[xˉyˉ]
- 稳定性结论:
(1)两个特征根模长均小于 1,则均衡点稳定;
(2) 两个特征根模长均大于 1,则均衡点不稳定,仅在 c 1 = 0 c_1 = 0 c1=0 和 c 2 = 0 c_2 = 0 c2=0 时初始就在均衡点;
(3)特征根一个大于 1,另一特征根小于 1(不妨设第二个特征根大于 1),则大多数时间下不稳定,当且仅当 c 2 = 0 c_2 = 0 c2=0 时是鞍点稳定的,此时鞍点路径为
x t − x ˉ = e 11 e 12 ( y t − y ˉ ) x_{t}-\bar{x}=\frac{e_{11}}{e_{12}}\left(y_{t}-\bar{y}\right) xt−xˉ=e12e11(yt−yˉ)
1.2.3 非线性动态系统
- 考虑下面的系统
x t = f ( x t − 1 , y t − 1 ) y t = g ( x t − 1 , y t − 1 ) x_{t}=f\left(x_{t-1}, y_{t-1}\right)\\ y_{t}=g\left(x_{t-1}, y_{t-1}\right) xt=f(xt−1,yt−1)yt=g(xt−1,yt−1)
- 均衡点
x ˉ = f ( x ˉ , y ˉ ) y ˉ = g ( x ˉ , y ˉ ) \bar{x}=f(\bar{x}, \bar{y})\\ \bar{y}=g(\bar{x}, \bar{y}) xˉ=f(xˉ,yˉ)yˉ=g(xˉ,yˉ)
- 将其在均衡点附近作一阶展开并局部线性化,得到式
x i + 1 − x ˉ = f x ( x ˉ , y ˉ ) ( x i − x ˉ ) + f y ( x ˉ , y ˉ ) ( y t − y ˉ ) y t + 1 − y ˉ = g x ( x ˉ , y ˉ ) ( x t − x ˉ ) + g y ( x ˉ , y ˉ ) ( y t − y ˉ ) x_{i+1}-\bar{x}=f_{x}(\bar{x}, \bar{y})\left(x_{i}-\bar{x}\right)+f_{y}(\bar{x}, \bar{y})\left(y_{t}-\bar{y}\right)\\ y_{t+1}-\bar{y}=g_{x}(\bar{x}, \bar{y})\left(x_{t}-\bar{x}\right)+g_{y}(\bar{x}, \bar{y})\left(y_{t}-\bar{y}\right) xi+1−xˉ=fx(xˉ,yˉ)(xi−xˉ)+fy(xˉ,yˉ)(yt−yˉ)yt+1−yˉ=gx(xˉ,yˉ)(xt−xˉ)+gy(xˉ,yˉ)(yt−yˉ)
- 记其系数矩阵 A A A为
A = [ f x f y g x g y ] A=\left[\begin{array}{ll}f_{x} & f_{y} \\ g_{x} & g_{y}\end{array}\right] A=[fxgxfygy]
- 稳定性结论:
(1)两个特征根模均小于1,则均衡点稳定;
(2)两个特征根模均大于1,则均衡点不稳定,仅在 c 1 = 0 c_1 = 0 c1=0 和 c 2 = 0 c_2 = 0 c2=0 时初始就在均衡点;
(3)特征根一个大于 1,另一特征根小于 1(不妨设第二个特征根大于 1),则大多数时间下不稳定,当且仅当 c 2 = 0 c_2 = 0 c2=0 时是鞍点稳定的。
2. 随机差分方程
2.1 随机差分方程
-
假定初始分 M M M布 π 0 ( x 0 ) ∼ N ( u 0 , ∑ 0 ) , π ( x ′ ∣ x ) ∼ N ( A 0 x , C C ′ ) \pi_{0}\left(x_{0}\right) \sim N\left(u_{0}, \sum_{0}\right), \quad \pi\left(x^{\prime} \mid x\right) \sim N\left(A_{0} x, C C^{\prime}\right) π0(x0)∼N(u0,∑0),π(x′∣x)∼N(A0x,CC′) ,差分方程
x t + 1 = A 0 x t + C ω t + 1 x_{t+1}=A_{0} x_{t}+C \omega_{t+1} xt+1=A0xt+Cωt+1
其中 x t x_t xt是一个 n × 1 n×1 n×1 的状态向量, x 0 x_0 x0 是一个给定的初始状态, A 0 A_0 A0 是一个 n × n n×n n×n 矩阵, C C C 是一个 n × m n ×m n×m 矩阵, ω t + 1 \omega_{t+1} ωt+1是一个 m × 1 m×1 m×1 的随机向量,且有假定 -
假定A1 ω t + 1 ∼ N ( 0 , 1 ) , i . i . d . \omega_{t+1} \sim \mathrm{N}(0,1), i . i .d. ωt+1∼N(0,1),i.i.d.
假定A2 E ω t + 1 ∣ J t = 0 , E ω t + 1 ω t + 1 ′ ∣ J t = 0 E \omega_{t+1} \mid J_{t}=0,E \omega_{t+1}\omega_{t+1}^\prime \mid J_{t}=0 Eωt+1∣Jt=0,Eωt+1ωt+1′∣Jt=0
假定A3足此条件的为白噪声 E ω t + 1 = 0 E \omega_{t+1}=0 Eωt+1=0且
E ω t ω t j ′ = { I , j = 0 0 , j ≠ 0 E \omega_{t} \omega_{t j}^{\prime}=\left\{\begin{array}{l}I, j=0 \\ 0, j \neq 0\end{array}\right. Eωtωtj′={ I,j=00,j=0 -
加入观测系统
x t + 1 = A 0 x t + C ω t + 1 y t = G x t \begin{array}{l}x_{t+1}=A_{0} x_{t}+C \omega_{t+1} \\ y_{t}=G x_{t}\end{array} xt+1=A0xt+Cωt+1yt=Gxt
定义 一个实值方阵 A A A 是稳定的,如果 A A A 所有特征值实部都严格小于 1。
-
假定系统有如下的特殊形式,其中 A ~ \tilde{A} A~是稳定的。
[ x 1 , t + 1 x 2 , t + 1 ] = [ 1 0 0 A ~ ] [ x 1 , t x 2 , t ] + [ 0 c ˉ ] ω t + 1 \left[\begin{array}{c}x_{1, t+1} \\ x_{2, t+1}\end{array}\right]=\left[\begin{array}{cc}1 & 0 \\ 0 & \tilde{A}\end{array}\right]\left[\begin{array}{c}x_{1, t} \\ x_{2, t}\end{array}\right]+\left[\begin{array}{c}0 \\ \bar{c}\end{array}\right] \omega_{t+1} [x1,t+1x2,t+1]=[100A~][x1,tx2,t]+[0cˉ]ωt+1
则下面任何条件都保证存在一个初始条件,使 x t x_t xt 是协方差平稳的。 -
条件 A1 A A A 所有特征值都严格小于 1。
条件 A2 状态空间有如上的特殊形式且 A ~ \tilde{A} A~所有特征值的模严格小于 1。 -
取期望,
μ t + 1 = A 0 μ t C x ( 0 ) = E ( x t − μ ) ( x t − μ ) ′ = A 0 C x ( 0 ) A 0 ′ + C C ′ \begin{array}{c}\mu_{t+1}=A_{0} \mu_{t} \\ C_{x}(0)=E\left(x_{t}-\mu\right)\left(x_{t}-\mu\right)^{\prime}=A_{0} C_{x}(0) A_{0}^{\prime}+C C^{\prime}\end{array} μt+1=A0μtCx(0)=E(xt−μ)(xt−μ)′=A0Cx(0)A0′+CC′ -
自协方差序列满足
C x ( j ) = E ( x t + j − μ ) ( x t − μ ) ′ = A 0 j C x ( 0 ) C_{x}(j)=E\left(x_{t+j}-\mu\right)\left(x_{t}-\mu\right)^{\prime}=A_{0}^{j} C_{x}(0) Cx(j)=E(xt+j−μ)(xt−μ)′=A0jCx(0) -
加入观测方程
E ( y t + j − μ y ) ( x t − μ y