Kolmogorov Forward और Backward Equations: व्याख्या

Markov process transition operator P_{s,t}g(x) = E[g(X_t) | X_s=x] से future function को current state में map करती है

Chapman–Kolmogorov relation P_{s,t}P_{t,u} = P_{s,u} कहती है कि intermediate time डालने से transition नहीं बदलता

Forward और backward equations इसी semigroup या two-parameter evolution family के differential views हैं

dX_t = b(t,X_t)dt + σ(t,X_t)dW_t के लिए generator L_tφ = b∂_xφ + 1/2a∂_{xx}φ है, जहाँ a = σ²

यह state के test functions पर act करके उनके instantaneous conditional change का सार देता है

Generator process, state space, domain और boundary behavior पर निर्भर करता है; अकेला formal differential expression अधूरा है

Terminal function g के लिए s ≤ t पर u(s,x) = E[g(X_t) | X_s=x] परिभाषित करें

Suitable regularity में u, ∂_s u + L_su = 0 और terminal condition u(t,x) = g(x) satisfy करती है

यह backward है क्योंकि endpoint function fixed है और conditioning time s present की ओर बढ़ती है

Adjoint L_t† को ∫φ L_t†ρ dx = ∫ρ L_tφ dx से define करते हैं, boundary terms संभालने के बाद

One-dimensional diffusion के लिए L_t†ρ = -∂_x(bρ) + 1/2∂_{xx}(aρ)

Adjoint generator को test functions से densities में transfer करता है और integration by parts जहाँ माँगे वहाँ derivatives उलट देता है

यदि ρ(t,x) state density है, तो initial distribution से यह ∂_tρ = L_t†ρ satisfy करती है

Transition density पर यही equation starting point को fixed रखते हुए destination variable को evolve करती है

Normalization, nonnegativity, flux और boundary conditions तय करते हैं कि formal solution valid probability law है या नहीं

Derivative valuation आम तौर पर terminal payoff से backward equation solve करती है, और discounting killing term जोड़ती है

Distribution forecasting, exposure profiles, density calibration और कुछ risk calculations आज की state law से forward equation solve करते हैं

दोनों outputs को integration से agree करना चाहिए: backward value future payoff को forward transition density के विरुद्ध integrate करने के बराबर है

Absorbing, reflecting, entrance और inaccessible boundaries अलग value तथा probability-flux conditions लगाती हैं

Conservation या intended loss of mass, positivity, terminal और initial data, adjoint discretization और grids बढ़ाने पर convergence जाँचें

Independently implemented Monte Carlo किसी भी PDE solver में sign, drift, boundary और time-direction errors दिखा सकता है