Persamaan Maju dan Mundur Kolmogorov Dijelaskan
Pahami bagaimana generator mengembangkan nilai bersyarat secara mundur dan densitas probabilitas secara maju, dengan kaitan ke Fokker–Planck, penetapan harga, kalibrasi, dan batas
Jawaban langsung
Persamaan mundur Kolmogorov mengembangkan payoff masa depan sebagai fungsi dari state saat ini. Persamaan maju, yang disebut Fokker–Planck untuk difusi, mengembangkan distribusi state masa depan dari hukum awal
Transisi Markov menghubungkan tiga waktu
Proses Markov menggunakan operator transisi P_{s,t}g(x) = E[g(X_t) | X_s=x] untuk memetakan fungsi masa depan kembali ke state saat ini
Relasi Chapman–Kolmogorov P_{s,t}P_{t,u} = P_{s,u} menyatakan bahwa penyisipan waktu antara tidak mengubah transisi
Persamaan maju dan mundur adalah sudut pandang diferensial dari semigrup yang sama atau keluarga evolusi dua parameter
Generator menggambarkan perubahan infinitesimal
Untuk dX_t = b(t,X_t)dt + σ(t,X_t)dW_t, generatornya adalah L_tφ = b∂_xφ + 1/2a∂_{xx}φ dengan a = σ²
Generator bekerja pada fungsi uji state dan merangkum perubahan kondisional sesaatnya
Generator bergantung pada proses, ruang state, domain, dan perilaku batas; ekspresi diferensial formal saja belum lengkap
Persamaan mundur bekerja pada state awal
Untuk fungsi terminal g, definisikan u(s,x) = E[g(X_t) | X_s=x] dengan s ≤ t
Di bawah regularitas yang sesuai, u memenuhi ∂_s u + L_su = 0 dan kondisi terminal u(t,x) = g(x)
Persamaan ini disebut mundur karena fungsi endpoint tetap dan waktu kondisional s bergerak menuju saat ini
Adjoin memindahkan distribusi
Adjoin L_t† didefinisikan melalui ∫φ L_t†ρ dx = ∫ρ L_tφ dx setelah suku batas ditangani
Untuk difusi satu dimensi, L_t†ρ = -∂_x(bρ) + 1/2∂_{xx}(aρ)
Adjoin memindahkan generator dari fungsi uji ke densitas, dengan membalik turunan ketika integrasi parsial mengharuskannya
Persamaan maju mempropagasikan massa probabilitas
Jika ρ(t,x) adalah densitas state, ia memenuhi ∂_tρ = L_t†ρ dari distribusi awalnya
Persamaan yang sama yang diterapkan pada densitas transisi mengembangkan variabel tujuan sambil mempertahankan titik awal tetap
Normalisasi, nonnegativitas, fluks, dan kondisi batas menentukan apakah solusi formal merupakan hukum probabilitas yang valid
Keuangan menggunakan kedua arah untuk tugas berbeda
Valuasi derivatif biasanya menyelesaikan persamaan mundur dari payoff terminal, dengan diskonto menambahkan suku pembunuhan
Peramalan distribusi, profil eksposur, kalibrasi densitas, dan beberapa perhitungan risiko menyelesaikan persamaan maju dari hukum state hari ini
Kedua keluaran harus selaras melalui integrasi: nilai mundur sama dengan payoff masa depan yang diintegralkan terhadap densitas transisi maju
Batas dan numerik dapat merusak dualitas
Batas menyerap, memantulkan, masuk, dan tidak dapat diakses menerapkan kondisi nilai serta fluks probabilitas yang berbeda
Periksa konservasi atau kehilangan massa yang dimaksudkan, positivitas, data terminal dan awal, diskretisasi adjoin, serta konvergensi ketika grid diperluas
Estimasi Monte Carlo yang diimplementasikan secara independen dapat mengungkap galat tanda, drift, batas, dan arah waktu pada salah satu pemecah PDE
Pertanyaan umum
Apa perbedaan persamaan Kolmogorov maju dan mundur?
Persamaan mundur mengembangkan fungsi dari state awal; persamaan maju mengembangkan hukum dari state tujuan
Apakah persamaan maju adalah persamaan Fokker–Planck?
Untuk proses difusi, ya. Fokker–Planck adalah nama umum untuk persamaan densitas maju Kolmogorov
Persamaan mana yang digunakan untuk penetapan harga opsi?
Nilai opsi Eropa biasanya dipropagasikan mundur dari payoff terminalnya, sedangkan persamaan maju dapat mengembangkan densitas state-price
Mengapa kondisi batas penting?
Kondisi batas menentukan apakah probabilitas diserap, dipantulkan, dilestarikan, atau tidak dapat mengakses batas, sehingga mengubah distribusi maupun nilai