Duality for Stochastic Control with non-Markovian Random Coefficients
Technische Universität Berlin(柏林工业大学);Weierstraß-Institut(魏尔斯特拉斯研究所)
针对含两类随机性且非马尔可夫随机系数仅适配其中一类的随机最优控制问题,开发新对偶方法,通过路径型最优控制问题重获马尔可夫性,得到并求解粗糙二阶HJB方程。
2026-09-07 math.OC math.PR
Markovian lifts of positive semidefinite affine Volterra type processes
我们考虑随机偏微分方程出现的马尔可夫电梯矩阵值(仿射)Volterra型过程的观点广义Feller性质(见例如,\cite{doetei:10})。我们特别介绍了具有分数核的Volterra Wishart过程和值在正半定矩阵的锥上。它们是由无穷维Ornstein-Uhlenbeck过程的矩阵乘积构造的,其状态空间是矩阵值测度。平行,我们也考虑正定Volterra纯跳过程,从而产生多变量霍克斯型过程。我们应用这些仿射协方差过程的多变量(粗糙)波动率建模,并介绍了(粗糙)多变量Volterra赫斯顿型模型。
2019-09-04 math.PR q-fin.MF
Characteristic functions of measures on geometric rough paths
我们定义了一个特征函数,用于几何粗糙路径签名的概率测度。我们确定充分条件下,随机变量是唯一确定的预期签名,从而部分解决了类似的时刻问题。进一步研究了特征函数的解析性质,证明了随机变量弱收敛的矩量法。我们将我们的结果应用到签名所产生的Lévy,高斯和马尔可夫粗糙路径。
2017-05-18 math.PR
Rough PDEs for local stochastic volatility models
本研究提出一种适用于非马尔可夫局部随机波动率模型的新型定价方法,通过粗糙路径理论结合Feynman-Kac型公式建立粗糙偏微分方程定价框架,对波动率形式依赖极小,可广泛应用于经典及粗糙LSV模型的欧式期权定价。
2025-03-21 math.PR q-fin.MF
Doob--Meyer for rough paths
最近,Hairer-Pillai提出了路径的$θ$ -粗糙度的概念,并由此导出了一个确定性的Norris引理.在粗糙路径的Gubinelli框架(Hoelder,第2级)中,他们能够证明Hoermander类型的结果(分数布朗运动驱动的SDES,$H>1/3$)。我们退一步,并提出了一个自然的“粗糙度”条件相对于一个给定的$p$粗糙的道路在里昂的意义上,其目的是一个Doob-Meyer粗糙积分的里昂意义上的结果。在我们的(较弱)条件的兴趣是,它立即验证了大类的高斯过程,也在无限维。我们的结论与应用程序的非马尔可夫系统下Hoermander的条件。
2012-05-11 math.PR
Multi-factor approximation of rough volatility models
粗糙波动率模型因其对历史波动率和隐含波动率的显著拟合而非常有吸引力。然而,由于波动率过程的非马尔可夫和非半鞅性质,没有简单的方法来有效地模拟这样的模型,这使得衍生品的风险管理成为一项复杂的任务。在本文中,我们设计了易于处理的多因素随机波动率模型近似粗糙波动率模型和享受马尔可夫结构。此外,我们将我们的程序的粗糙赫斯顿模型的具体情况。这反过来又使我们能够推导出一个数值方法来解决分数Riccati方程出现在特征函数的对数价格在这种设置。
2018-04-11 math.PR q-fin.CP q-fin.PR
Volatility Modeling with Rough Paths: A Signature-Based Alternative to Classical Expansions
Universitat Pompeu Fabra(庞培法布拉大学);Barcelona School of Economics(巴塞罗那经济学校);Universitat de Barcelona(巴塞罗那大学);IESE Business School(伊塞商学院);Institut de Matemàtiques, Universitat de Barcelona(巴塞罗那大学数学研究所)
本文比较了基于粗糙路径理论的数据驱动模型和经典展开方法在波动率曲面校准中的表现,提出了一种基于签名的波动性建模方法,展示了其在非马尔可夫设置中的有效性。
2026-05-08 math.PR q-fin.MF
Small-time central limit theorems for stochastic Volterra integral equations and their Markovian lifts
Dublin City University(都柏林城市大学);TU Wien(维也纳工业大学)
本文研究了随机Volterra积分方程的小时间中心极限定理,并提出了马尔可夫提升框架,用于处理粗糙波动率模型中的定价问题。
2024-12-20 math.PR q-fin.MF
Backward stochastic differential equations with rough drivers
倒向随机微分方程(BSDEs)在Pardoux-Peng意义下[倒向随机微分方程和拟线性抛物型偏微分方程,控制与信息讲义。科学,176,200- 217,1992]提供了对某些类非线性偏微分方程的非马尔可夫扩展;非线性表示在所谓的Bundle驱动器中。我们的目标是处理那些在时间上几乎没有规律性的司机。为此,我们建立了粗糙信号驱动下的Lyons [微分方程]意义下的粗糙路径度量的连续性。修订材料Iberoamericana 14,no. 2,215- 310,1998],并因此获得了“具有粗糙驾驶员的驾驶员”的概念。存在性,唯一性和版本的里昂的极限定理在这方面的建立。我们的主要工具,除了粗糙路径分析,是稳定性理论的二次BSDES由于Kobylanski [倒向随机微分方程和偏微分方程的二次增长。安·普罗巴布,28(2):558- 602,2000]。
2010-08-02 math.PR
Isoperimetry and Rough Path Regularity
随机过程的最优样本路径性质通常涉及广义Hölder范数或变分范数。根据Taylor的一个经典结果,在$0+$附近用$ψ(x) \equiv $ $x^{2}/\log \log (1/x) $度量布朗运动的精确变分.这样的$ψ$ -变差结果扩展到抽象度量空间中的值的过程类。(No假设高斯或马尔可夫性质。)为了建立$ψ$ -变分的可积性,我们转向一大类高斯粗糙路径(例如,布朗运动和被视为李群中的过程的Lévy面积),并使用抽象Wiener空间上的Borell不等式证明高斯可积性。对这些结果的兴趣在于它们与粗糙路径理论相容,并产生某些尖锐的正则性和可积性性质(例如,对于迭代Stratonovich积分),这是难以获得的。最后,证明了$ψ$ -变差是(随机)粗微分方程在半鞅之外解的鲁棒正则性.
2007-11-01 math.PR
Primal and dual optimal stopping with signatures
本文提出两种基于粗糙路径签名的方法,将最优停时问题求解推广到非马尔可夫框架,分别推广 Longstaff-Schwartz 算法和参数化对偶鞅空间,并证明收敛性及给出数值验证。
2025-02-07 math.PR q-fin.MF
Non-Markovian dynamics: the memory-dependent probability density evolution equations
针对FGN与GWN联合激励的Langevin方程,提出基于分数Wick Itô Skorohod积分和粗糙路径理论的非马尔可夫概率密度演化方法,推导记忆依赖的PDEEs,并用局部间断Galerkin方法高效求解,精度优于现有方法。
2025-02-28 math.PR
Partial differential equations driven by rough paths
研究了一类由弱几何$p$ -粗糙路径驱动的线性一阶和二阶偏微分方程,证明了这类方程唯一解的存在性.该解连续地依赖于行驶的粗糙路径,这为求解随机偏微分方程提供了一种稳健的方法。特别地,我们可以用更一般的高斯和马尔可夫噪声来代替布朗运动。支撑定理和大偏差陈述都成为驾驶过程相应陈述的简单推论。在带高斯噪声的一阶方程的情形下,我们讨论了解关于勒贝格测度的密度的存在性。
2008-03-24 math.AP math.PR
The Hörmander condition for delayed stochastic differential equations
本文研究了受布朗运动及其时滞控制的路径依赖随机微分方程。在这个非马尔可夫背景下,我们给出了一个H örmander型标准的正则性的解决方案。事实上,我们的标准表示为一个括号的跨越条件。在延迟的情况下,一个新颖的是,噪音可以“从过去流”,并提供额外的平滑度感谢半括号。证明遵循Malliavin的概率证明的一般路线,在马尔可夫的情况下。然而,为了处理这个问题的非马尔可夫方面,并以路径方式处理预期积分,我们大量调用粗糙路径积分。
2019-09-01 math.FA math.PR
Unbiased Rough Integrators and No Free Lunch in Rough-Path-Based Market Models
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文研究了粗糙路径理论在支持无摩擦连续无免费午餐市场中的能力,推导了无偏粗糙积分器的分类,并指出该框架受限于经典半鞅范式。
2026-05-16 math.PR q-fin.MF
Functional limit theorems for the fractional Ornstein-Uhlenbeck process
证明了分数阶Ornstein-Uhlenbeck过程的向量值泛函的一个泛函极限定理,为由这种噪声驱动的慢/快系统的涨落理论提供了基础.我们的主要贡献是联合收敛到一个极限与高斯和非高斯分量。这对任何$L^2$函数都是有效的,而对于具有更强可积性的函数,在霍德尔拓扑中收敛是成立的。作为应用,我们证明了一个“粗糙创造”的结果,即一族随机平滑曲线弱收敛到一个具有粗糙样本路径的非马尔可夫随机过程。这包括二阶问题和动力学分数布朗运动模型。
2020-10-04 math.PR
Almost Sure Averaging for Fast-slow Stochastic Differential Equations via Controlled Rough Path
针对 Hurst 指数在1/3到1/2间的分数布朗运动驱动的快慢随机微分方程耦合系统,结合时间离散化、受控粗糙路径与随机动力系统方法,证明慢分量解几乎必然收敛到平均方程的解。
2026-11-17 math.DS math.PR
A mixed fractional CIR model: positivity and an implicit Euler scheme
School of Mathematics (Zhuhai), Sun Yat-sen University(中山大学数学学院(珠海));School of Management Science, Zhejiang University(浙江大学管理科学系)
本文提出了一种混合分数布朗运动驱动的CIR模型,证明了其在Feller条件下严格正性,并建立了隐式欧拉方案的收敛性。
2026-02-12 math.PR
Functional central limit theorems for rough volatility
本文针对粗糙波动率过程提出基于粗糙Donsker定理的高效模拟算法,证明离散近似的弱收敛性,并构建二叉树以定价提前行权期权。
2023-11-11 math.PR q-fin.PR
A theory of generalised coordinates for stochastic differential equations
VERSES AI Research Lab(VERSES AI 研究实验室);Imperial College London(帝国理工学院);University College London(伦敦大学学院);University of Tübingen(蒂宾根大学);University of Oxford(牛津大学);Radboud University(拉德堡德大学)
针对非马尔可夫随机微分方程,提出基于广义运动坐标的路径分析理论,实现短时精确、全局解析的马尔可夫化,并应用于线性SDE求解和广义贝叶斯滤波。
2026-06-01 math.DS math.PR stat.ME
Efficient simulation of a new class of Volterra-type SDEs
London School of Economics and Political Science(伦敦政治经济学院);University of Padova(帕多瓦大学);De Vinci Higher Education(德文奇高等教育);De Vinci Research Center(德文奇研究中心);Sorbonne Université(索邦大学)
提出利用卷积核将Volterra型非马尔可夫过程转化为马尔可夫扩散过程的理论框架,并针对分数核情形设计高效模拟方案,实现1/2阶强收敛。
2026-09-15 math.PR q-fin.MF
Solving non-Markovian Stochastic Control Problems driven by Wiener Functionals
本文针对由 Wiener 泛函驱动的非 Markov 和非半鞅随机控制问题,提出基于有限维逼近的数值方案,在弱条件下证明收敛性并给出漂移控制情形的收敛速率,应用于路径依赖 SDE 和粗糙随机波动率模型。
2024-04-03 math.OC math.PR
Adaptive Learning via Off-Model Training and Importance Sampling for Fully Non-Markovian Optimal Stochastic Control. Complete version
Departamento de Matemática, Universidade de Brasília(数学系,巴西利亚大学);Università di Pisa, DEM(比萨大学,DEM);Université Paris Cité, LPSM(巴黎Cité大学,LPSM)
针对完全非马尔可夫且依赖未知模型参数的连续时间随机控制问题,提出一种基于离散骨架和重要性采样的蒙特卡洛学习方法,实现离模型训练架构和自适应参数更新,并给出非渐近误差界。
2026-05-28 cs.LG math.PR stat.ML
Variational principles for fluid dynamics on rough paths
在本文中,我们介绍了一个新的框架参数化计划(PS)的GFD。利用受控粗糙路径理论,导出一类粗糙地球流体动力学(RGFD)模型作为粗糙作用泛函的临界点。这些RGFD模型将流体动力学中的拉格朗日轨迹描述为非纯映射流形上的几何粗糙路径(GRP)。三个约束变分方法制定这些模型的推导。第一种是Clebsch公式,其中的约束是粗糙的平流法。第二种是Hamilton-Pontryagin公式,其中的约束是作为右不变的粗糙向量场。第三种是欧拉-庞加莱公式,其中的变化受到约束。这些变分原理直接导致几何粗糙路径上的流体动力学的Lie-Poisson哈密顿公式。GRP框架保留了通过使用李群约化从拉格朗日到欧拉变分原理获得的流体动力学的几何结构,从而产生开尔文环流定理的粗略公式。粗糙路径变分方法包括拉格朗日流体轨迹的非马尔可夫扰动。特别地,记忆效应可以通过该公式通过对粗糙路径的明智选择(例如,分数布朗运动的实现)来引入。在粗糙路径是半鞅实现的特殊情况下,我们恢复了Holm(2015)中的SGFD模型。然而,通过消除对随机变分工具的需要,我们保留了拉格朗日轨迹的路径解释。相比之下,随机框架中的拉格朗日轨迹所描述的随机积分,没有一个路径的解释。因此,粗糙路径公式恢复了这一属性。
2021-12-30 math.AP math.DS math.PR