当前位置:首页 > 教育资讯

如何学习随机微积分? 复杂且重要, 奇妙而有趣

随机微积分,顾名思义:是数学的一个领域,涉及随机过程(也被称为随机过程,实际上是具有某些属性的随机数级数)的微积分(如导数、积分、极限等)。它是普通微积分对随机变量函数的自然延伸,这些函数在时间上不是确定的,而是随机的:一个函数X(t)在时间t中的每个值本身就是一个随机变量。这意味着普通微积分对确定性函数的规则不再适用,这使得问题变得非常复杂。

随机微积分是许多应用领域的重要工具,特别是定量金融和一些物理学领域。它在数据科学中也有许多应用,因为它是一种模拟过程的好方法,这些过程随着时间的推移并不为人所知,而且根据其受外部力量的影响程度,可以呈现出许多不同的轨迹。例如,股票和期权价格是用随机微积分的工具来模拟的,其中一个明显的例子是布莱克-斯科尔斯公式(Black-Scholes formula)。尽管它在预测和建立本质上是 "不可预测 "的事物的模型方面很强大,但随机微积分在大学里是一个非常困难的学科,这里有一些原因。

随机微积分不是大多数大学院系的必修课。通常情况下,它只在数学/统计学专业或非常专业的院系中被教授,如量化金融或精算科学硕士

随机微积分的教学方式是非常“纯粹”"的。这意味着无论谁在大学里教它,都不太关心实际应用,而更关心数学的严谨性,即 "如果X(t)是一个相对于……的σ代数上的某个滤波F的……如果你是一个纯粹的数学家,这一切都是好的,但我不能说它对那些想要把它

大多数关于这个问题的教科书都非常枯燥,缺乏具体的例子。事实上,大多数关于随机微积分的教科书读起来更像是一本硬核数学术语和定理的杂烩,而不是一本关于如何为随机过程建模并使用其中的工具的实际指导性书籍。

由于这些原因,我自己在开始研究一些理论时,不得不从头开始自学,在这个问题上挣扎了很久。比如要研究关于非线性光学过程的随机动力学,不得不深入研究大量的关于随机过程的文献,但其中大部分都是没用的。这让我浪费了好几个月的时间,却没有任何收获,经过大量的试错,直到我最终能够理解基本概念,足以将它们应用于我的研究。因此,这里有一些提示,我认为对那些想踏踏实实建立模型,而不是证明数学定理的应用思想家会有帮助。

随机微积分很像微积分

虽然微积分的一般规则对随机过程的作用不一样,但两者之间有很多相似之处。例如,仍然有像链式法则和微分乘法法则的东西,以及分部积分法。关键的区别在于,这些规则必须被修改,以适应随机性的影响。

另一个有时被忽视的问题是,你在随机微积分中学到或做的大部分东西都是在维纳过程W(t)的背景下进行的,有时也被称为布朗运动。这些过程为正态分布,均值为零,方差为t(时间),也就是说,随着时间的推移,W(t)的变异性会变大。这是你可能会遇到的最重要的随机过程,反正大多数微积分的东西都是建立在这一过程之上的。如果你能掌握维纳过程,你就已经成功了一半。

在这个问题上有非常好的教科书,只是它们没有得到应有的广泛宣传。

很多导师推荐的关键教材是Bernt Oksendal的《随机微分方程》。虽然这对入门者来说是一本好书,但对初学者来说绝对不简单。

一本不太出名的书,我发现它非常棒,简直就是我的随机微积分知识的源泉。它是奥维迪乌-卡林的《随机微积分的非正式介绍与应用》。坦率地说,这是我在这方面找到的最好的书,因为它每次都会用一个例子来引导你学习基础知识,并逐渐建立起一些非常高级的概念,如泊松过程。

计算机建模是唯一的游戏

如果你真的想掌握随机微积分和随机微分方程(SDEs),你需要自己做大量的建模工作。为此,你需要学习一种编程语言,最好是像Python或Matlab这样的语言,它们有大量的工具箱和库来帮助你进行模拟。关键不是在教科书中寻找练习,而是:根据你所学的知识,创造你自己的练习或小型项目。举个例子,假设你想推导出具有以下特性的维纳过程W(t)的统计特性。

W(t)是一个均值为零的维纳过程(例如,对于任何时间t,期望值为E[W(t)]=0),方差Var[W(t)]=t。它是正态分布,所以我们可以从正态分布中对其数值进行抽样:N(0,t)。

每个增量dW(t)表示为dW(t)=W(t+dt)-W(t),其中dt是一个无限小的时间增量。因此,dW(t)具有E[dW(t)]=0和Var[dW(t)]=dt的特性。

假设我们想向自己证明这样的属性是真实的,而且W(t)的方差确实是随时间t线性变化的。一种方法是将问题离散化:我们在一个小的时间跨度上选择一个有限的时间增量dt,比如[0,10]。假设我们的时间网格中要有n = 101个点,那么步长就是dt = 0.1。然后,我们创建一个这样的递归模拟。

W(t+dt) = W(t) + dW(t),

如前所述,E[dW(t)] = 0,Var[dW(t)] = dt。我们可以把它表示为一个均值为0、方差为dt的 "正态随机变量"。假设最初W(0)=0(因为我们应该在模拟开始前知道这个值)。然后,我们重复101次。现在,如果我们想知道W(t)随时间变化的平均值和方差,我们需要多次重复同样的计算,比如说N次,并在每个时间点做平均。

从中得到的关键启示是,只有当你真正把它用于实际模拟时,你才会理解随机微积分的意义。你越早养成这种习惯,这就会变得越容易。

总结

随机微积分是一门奇妙而有趣的学科,有很多非常有趣的工具来模拟我们在自然界和金融市场中遇到的随机过程。这是一个很难解决的课题,因为就教授它的人而言,它是非常排他的,而且好的自学资源是稀缺或有限的。然而,通过适当的努力,你也可以掌握随机微积分,并利用这些知识建立一些非常酷的应用程序。

本文来自网络,不代表教育资讯立场,转载请注明出处。