Ninomiya Victoir方案：强收敛、对偶版本和

在多级蒙特卡罗方法中，使用最粗网格中修改的Milstein格式及其相反版本的算术平均值，以及最粗网格中修改的Milstein格式，得出β=2。通过这种方式，Giles和Szpruch在不模拟L’evy区域的情况下，成功地提高了方差收敛速度。准确地说，他们选择了Zlas followsZGS=fXGS，1T（4.12）ZlGS=F■XGS，2lT+ FXGS，2lT- FXGS，2l-1T, L∈ {1，…，L}。（4.13）在这里，XGS，2L是由（3.1）定义的Giles和Szpruch方案，使用时间为Steph=T/2L的网格和XGS，2L是通过交换方案中每个连续的成对布朗增量定义的对偶离散化。为了更精确，我们定义了两个网格，一个是带有时间步长的粗网格-1和带有时间步长hl的精细网格。离散化时间（tk）为0≤K≤2l-1和tk+0≤K≤2l-1.-1由tk=khl定义-1.K∈0, . . . , 2l-1., 和tk+=k+hl-1.K∈0, . . . , 2l-1.- 1.. 然后，在最粗糙的网格上，XGS，2l-1tk+1K∈{0，…，2l-1} 由XGS，2l感应定义-1t=x和XGS，2l-1tk+1=XGS，2l-1tk+bXGS，2l-1tkhl-1+dXj=1σjXGS，2l-1tkWj，ctk+1+dXj，m=1σjσmXGS，2l-1tkWj，ctk+1Wm，ctk+1- 1{m=j}hl-1.（4.14）在哪里Wctk+1=Wtk+1- Wtk。同样，在最新的网格上，XGS，2ltk+1K∈{0，…，2l-1} 由XGS，2lt=x和XGS，2ltk+=XGS，2ltk+bXGS，2ltkhl+dPj=1σjXGS，2ltkWj，ftk++dPj，m=1σjσmXGS，2ltkWj，ftk+Wm，ftk+- 1{m=j}hlXGS，2ltk+1=XGS，2ltk++bXGS，2ltk+hl+dPj=1σjXGS，2ltk+Wj，ftk+1+dPj，m=1σjσmXGS，2ltk+Wj，ftk+1Wm，ftk+1- 1{m=j}hl（4.15）在哪里Wftk+=Wtk+- Wtk，Wftk+1=Wftk+1- Wftk+。

除了布朗增量之外，对偶格式由相同的迭代方程定义Wftk+和Wftk+1已重置~XGS，2ltk+=~XGS，2ltk+b■XGS，2ltkhl+dPj=1σj■XGS，2ltkWj，ftk+1+dPj，m=1σjσm■XGS，2ltkWj，ftk+1Wm，ftk+1- 1{m=j}hl~XGS，2ltk+1=~XGS，2ltk++b■XGS，2ltk+hl+dPj=1σj■XGS，2ltk+Wj，ftk++dPj，m=1σjσm■XGS，2ltk+Wj，ftk+Wm，ftk+-1{m=j}hl.（4.16）[6]中的定理4.10、引理2.2和引理4.6确保在一些关于f和SDE系数的正则性假设下β=2。定理4.2假设f∈ 具有有界一阶和二阶导数的C（Rn，R），b，σj∈ C（注册护士，注册护士），J∈ {1，…，d}，具有有界的一阶和二阶导数σjσm，j、 m∈ {1，…，d}具有有界的一阶导数。然后：P≥ 1.C∈ R*+, L∈ N*, E兹格斯2p≤C2PL，其中ZLGS定义为（4.13）。说明l级中三个方案的使用情况∈ {1，…，L*} 我们选择λ=1和λl=5/2，而不是0级的e，L∈ {1，…，L*} . 然后，多层蒙特卡罗估计量^YGSMLMC=L*Pl=0米*lZlGS，什么时候*还有M*分别由（4.9）和（4.10）给出的lare-2.. 在[2]中，Debrabant R¨ossler改进了多层蒙特卡罗方法，在最后一层L中使用了一个具有高阶弱收敛性的方案。虽然这种改进的方法达到了相同的复杂度，但它通过减少偏差来减少计算时间。我们可以利用Ninomiya Victoir格式的弱收敛二阶优势，在最后一层L上使用Ninomiya Victoir格式。更准确地说，我们建议选择ZGS=fXGS，1T（4.17）ZlGS=F■XGS，2lT+ FXGS，2lT- FXGS，2l-1T, L∈ {1, . . .

L- 1} （4.18）ZLGS-内华达州=F~XNV，2L，ηT+ F~XNV，2L，-ηT+ FXNV，2L，ηT+ FXNV，2L，-ηT-FXGS，2L-1T.（4.19）这里，~XNV，2L，η（分别为~XNV，2L，-η） 是Ninomiya Victoirscheme XNV，2L，η（分别为XNV，2L，-η） ，通过交换每对连续的布朗增量获得。理论3。2证明（4.8）最后一级L方差的收敛阶为2。命题4.3我们假设f∈ 具有有界一阶和二阶导数的C（Rn，R），b∈ C（Rn，Rn）具有有界的一阶和二阶导数，σj∈ C（注册护士，注册护士），J∈{1，…，d}，具有有界的一阶和二阶导数以及多项式增长的三阶导数σjσm，j、 m∈ {1，…，d}具有有界的一阶导数。然后：P≥ 1. C∈ R*+, L∈ N*, E兹格斯-内华达州2p≤c2plzlgs在哪里-NVis定义为（4.19）。证据：让p≥ 1、介绍F■XGS，2lT+ FXGS，2lT利用凸性不等式，我们得到兹格斯-内华达州2p≤2p-12便士FXNV，2l，ηT+ FXNV，2l，-ηT- FXGS，2lT2p+F~XNV，2l，ηT+ F~XNV，2l，-ηT- F■XGS，2lT2p！+32便士-1.兹格斯2便士。然而XNV，2l，ηT，XNV，2l，-ηT，XGS，2lT和~XNV，2l，ηT，~XNV，2l，-ηT，~XGS，2lT具有完全相同的分布。

然后，通过接受我们得到的期望兹格斯-内华达州2p≤2p-12便士-1E“FXNV，2l，ηT+ FXNV，2l，-ηT- FXGS，2lT2p#+32p-1E兹格斯2p.表示“XNV，2l，ηT”=XNV，2l，ηT+XNV，2l，-ηT在[6]的引理2.2中进行二阶泰勒展开，我们得到一个常数C∈ R*+, 这只取决于f和p，比如E兹格斯-内华达州2p≤ CE\'XNV，2l，ηT- XGS，2lT2p+ EXNV，2l，ηT- XNV，2l，-ηT4p+ E兹格斯2p.引入E中时间T的精确解XXNV，2l，ηT- XNV，2l，-ηT4p, 我们找到了XNV，2l，ηT- XNV，2l，-ηT4p≤ 24便士-1.EXNV，2l，ηT- XT4p+ EXT- XNV，2l，-ηT4p.自从XNV，2l，ηT，XT和XNV，2l，-ηT，XT具有相同的分布，我们推断XNV，2l，ηT- XNV，2l，-ηT4p≤ 24pEXNV，2l，ηT- XT4p.因此：E兹格斯-内华达州2p≤ 24件E\'XNV，2l，ηT- XGS，2lT2p+ EXNV，2l，ηT-XT4p+ E兹格斯2p.然后我们使用定理2得出结论。3、3.2和4.2。利用伸缩总和，在e上可以改变最后一层土地上的约束（4.3）：eZL= 流行性出血热^XLT- F特大号-1Ti、 （4.20）这里的^X是另一个方案，为了保持一致，（4.7）变成HF^XlT我- Y=cαl+oαl. （4.21）然后我们建议使用估计量^YGS-NVMLMC=L-1Pl=0MlMlPk=1Zl，kGS+MLPK=1Zl，kGS-内华达州。当然，这个估计的偏差是由Ninomiya Victoir方案的偏差给出的。由于它的弱二阶，我们希望减少L的值，从而减少计算时间。我们也可以在每个级别使用Ninomiya Victoir方案并选择ZlNV0≤L≤Las f ollowsZNV=fXNV，1，ηT（4.22）奥兹诺夫=FXNV，1，ηT+ FXNV，1，-ηT（4.23）和ZLNV=F~XNV，2l，ηT+ F~XNV，2l，-ηT+ FXNV，2l，ηT+ FXNV，2l，-ηT-FXNV，2l-1，ηT+ FXNV，2l-1.-ηT, L∈ {1，…，L}。（4.24）实际上，在（4.24）中，符号是ab的用法，我们对2l维度向量（η，…）使用相同的符号η。

，ηl）的独立且同分布的Rademacher随机变量，需要在细网格上生成Ninomiya Victoir方案，该方案具有2个步骤和d f或-一维子向量η, η. . . , ηl-1.用于在2l粗网格上生成Ninomiya Victoir方案-1.步骤。2l的提取-从二维向量到一维向量的目的是减少方差。如前所述，我们获得了相同的速率α和β，但主要缺点是在每个l级模拟了六个方案∈ {1，…，L- 1} 而不是三个。推理就像在命题的p屋顶上。3，因为zlnv=ZlGS-NV+f\'\'XNV，2l-1，ηT-FXNV，2l-1，ηT+ FXNV，2l-1.-ηT+FXGS，2l-1T-F\'\'XNV，2l-1，ηT一个结论是：命题4.4假设f∈ 具有有界一阶和二阶导数的C（Rn，R），b∈ C（Rn，Rn）具有有界的一阶和二阶导数，σj∈ C（注册护士，注册护士），J∈{1，…，d}，具有有界的一阶和二阶导数以及多项式增长的三阶导数σjσm，j、 m∈ {1，…，d}具有有界的一阶导数。然后：P≥ 1. C∈ R*+, L∈ N*, EZlNV2p≤c2plzlnv由（4.24）定义。4.2多级理查森-隆伯格外推最近，勒梅尔和帕格斯在[7]中开发了一种新方法，称为多级理查森-隆伯格外推（ML2R）。该方法结合了多级蒙特卡罗方法和[10]中介绍的多步Richardson-Romberg外推的思想。实际上，多级理查森-隆伯格外推可以看作是多级蒙特卡罗估计的加权版本。采用Lemaire和Pag`es[7]的符号，多层Richardson-Romberg外推估计器如下所示^YML2R=LXl=0wlmlxk=0Zlk（4.25），其中Zlk0≤L≤五十、 一,≤K≤MLR独立变量满足（4.2）、（4.3）和偏差误差展开α ∈ R*+, R∈ N*, c′。

，c′R∈ RL∈ N、 流行性出血热XlT我- Y=RXj=1c′jhαjl+Ohα（R+1）l（4.26）式中，hl=T/2l为时间步长。如前所述，α是离散格式的弱收敛阶。通过引入权重（Wl）0≤L≤五十、 通过删除表达式（4.26）中的连续偏差项，可以得到更小的偏差。[7]之后，用cml2r表示的^YML2R的计算复杂性被定义为CMLMC，但我们不考虑权重（λl）0≤L≤L.在某些假设下（更多信息参见[7]），最佳复杂性C*ML2R由[7]中的定理3.11给出，该定理表明C*ML2Rdependsonα，以及Zl的方差收敛率，之前用β表示C∈ R+，L∈ N*, 五、Zl≤cβl.（4.27）oc*ML2R=O-2.如果β>1，oC*ML2R=O-2log如果β=1，oC*ML2R=O-2exp-β-1.√αq2对数（2）对数如果β<1。有关更多详细信息，请参见[7]和[10]。在[7]中，Lemaire和G.Pag`es假设：L∈ N*, 五、∈ R+，EFXlT- f（XT）≤ Vhβl.我们可以用假设（4.27）很容易地修改证明。与多层蒙特卡罗方法类似，当β>1时获得的最佳复杂度与具有独立且相同分布的有偏随机变量的简单蒙特卡罗方法相同。以期通过应用定理4来实现这种复杂性。2或位置4。4.我们会选择兹格斯0≤L≤土地ZlNV0≤L≤ZNV=f的lwXNV，1，ηT. 这里，我们调用了多级Richardson-Romberg外推器的渐近最优参数：L*=s+ 对数（T）+α对数√1 + 4α+ 对数（T）-, （4.28）米*l=Q*自然对数*, （4.29）Wl=L*Xj=lwj，（4.30）式中：wj=(-1） L*-J-α（L）*-j） （L）*-j+1）jQk=1（1）- 2.-kα）L*-jQk=1（1- 2.-kα，（4.31）Q*∝ （1+θ）q*L∝ θ| Wl|-βl+2-β（l）-1)√l+2l-1.L∈ {1，…，L*}L*Pl=0q*l=1，（4.32）N*=1+2α（L*+ 1)V（f（XT））1 + θ1+1*Pl=1 | Wl|-βl+2-β（l）-1)√l+2l-1.Q*+L*Pl=1q*l（2l+2l-1),（4.33）和θ=T-βrcV（f（XT））。

（4.34）4.3数值试验在本节中，我们介绍了数值试验，其中我们比较了多级蒙特卡罗和多级理查森-罗姆伯估计量。虽然我们还没有证明Ninomia Victoir和Giles Szpruch方案的偏差（4.26）的理论扩展，但我们将在多层Richardson-Romberg估计中使用这些方案（参见[4]和[9]基于Ninomia Victoir方案的预测方法）。更准确地说，我们比较了以下估计量：o多级蒙特卡罗估计量与Giles-Szpruch方案^YGSMLMC=L*Xl=0米*lM*lXk=1Zl，kgs，其中zg和zlgs分别由（4.12）和（4.13）给出。当变为0时Ninomiya Victoir方案的多层蒙特卡罗估计^YNVMLMC=L*Xl=0米*lM*lXk=1Zl，knv，其中ZNVand zlnv分别由（4.22）或（4.23）和d（4.24）给出Giles-Szpruch方案从0级到1级的多层Monte Carlo估计*- 1，以及Ninomiya Victoir和Giles Szpruch方案在最后一级L之间的耦合*^YGS-NVMLMC=L*-1Xl=0米*lM*lXk=1Zl，千克+米*L*M*L*Xk=1ZL*,千克-NVZL在哪里*GS-NV由（4.19）给出Giles-Szpruch方案^YGSML2R=L的多级Richardson-Romberg估计*Xl=0WlM*lM*lXk=1Zl，千克Ninomiya-Victoir方案的多级Richardson-Romberg估计^YNVML2R=L*Xl=0WlM*lM*lXk=1Zl，kNV。这里，ZNVis由（4.22）给出。4.3.1 Clark Cameron SDE在我们的第一次数值试验中，我们考虑了带有漂移的Clark Cameron SDE，其定义如下（dUt=StdWtdSt=udt+dWt（4.35），其中∈ R.在这个2-多维随机微分方程，微分系数由σ给出我们=s, σ我们=如果t系数是b我们=u. Stratonovich漂移由σ给出我们=B-σσ+ σσ我们=u-0 10 0s+0 00 0=u这些函数是光滑的，并且满足定理2的假设。3，3.2，命题4.3和4.4。

通过简单的计算，Giles-Szpruch方案如下所示：UGStk+1=UGStk+SGStkWtk+1- Wtk+Wtk+1-WtkWtk+1- WtkSGStk+1=SGStk+u（tk+1- （tk）+Wtk+1- Wtk（4.36）0级的选择将在后面讨论。Ninomiya Victoir方案由UNV，ηtk+1=UNV，ηtk+SNV，ηtkWtk+1- Wtk+u（tk+1- （tk）Wtk+1- Wtk+ 1{ηk+1=1}Wtk+1- WtkWtk+1- WtkSNV，ηtk+1=SNV，ηtk+u（tk+1-（tk）+Wtk+1-Wtk.（4.37）在比较这些估计数之前，我们将说明理论2。3，3.2，命题4.3和4.4。为了检验Ninomiya-Victoir格式的强收敛速度，我们将在时间T时，在阶跃为hl和hl的s模式之间的差异的平方L范数的预期处进行检验-1，用相同的布朗路径模拟w。用XNV，2l，ηT表示=UNV，2l，ηT，SNV，2l，ηT和XNV，2l-1，ηT=联合国志愿人员，2l-1，ηT，SNV，2l-1，ηT, 根据定理2，它如下所示。3.那是XNV，2l，ηT- XNV，2l-1，ηT≤cl.（4.38）对于模拟，我们选择初始条件U=V=0、最终时间T=1和参数u=1。在图1中，蓝线显示了原木的行为EXNV，2l，ηT- XNV，2l-1，ηT红线显示了日志的行为E\'XNV，2l，ηT- XGS，2l，ηT作为离散化水平l的函数。这些期望值是用标准蒙特卡罗方法估计的，所有l的样本数为Ml=10。这种选择确保了置信区间非常紧密，这就是为什么它们不会出现在我们的图中。蓝线显示了Ninomiya Victoir方案的强大收敛性。正如预期的那样，我们得到了一条斜率为-1的直线。红线显示了Ninomia Victoir和Giles Szpruch方案之间耦合b的强收敛性。根据理论3，它如下。2.那是\'XNV，2l，ηT- XGS，2lT≤c2l。（4.39）同样，正如预期的那样，我们得到了斜率为-2的直线e。

这些数值结果与理论2是一致的。3和3.2进行了阐述和证明。来说明命题。3和4.4，我们选择了一个平滑的支付函数，满足命题4的假设。3和4.4:f（u，s）=cos（u）。在图2中，上图显示了原木的行为嗯兹格斯-内华达州我由（4.19）定义，而底部图显示的是beh aviorof日志嗯ZlNV我定义为（4.24）。两条线都有斜率-2。通过减小u的值，我们注意到，对于越来越大的l值，理论收敛速度已经达到。对于较小的l值，方差的下降速度比理论收敛速度更快。图3显示了ZlNV的这种现象，其中payoff f（u，s）=u。实际上，通过选择这个payoff，我们可以检查它ZlNV= 2.-4luT+uT+ 2.-3luT+T+ 2.-2lT.（4.40）这一繁琐计算的细节推迟到附录中。前面的公式（4.40）包含高阶项，这掩盖了方差的理论行为。123456789L-25-20-15-10-50log2XNV，2l，η-XNV，2l-1,η日志2\'XNV，2l，η-XGS，2l图1：强收敛顺序。作为l（x轴）函数的强误差（y轴对数刻度）。1 2 3 4 5 6 7 8 9l-25-20-15-10-50log2ZlNV2.日志2兹格斯-内华达州2.图2：方差收敛阶f（u，s）=cos（u）。二阶矩（y轴对数标度）作为l（x轴）的函数。下图显示了日志的行为嗯ZlNV我作为l的函数。对于u的大值和l的小值，比率EZl+1NV.嗯ZlNViis接近16，这表明前导项为2-4l。渐近地，曲线的斜率为2。

从数值的角度来看，鉴于多级方法的结构，这是一个需要强调的重要观点。特别是参数（M）的选择（4.29）*l） 0≤L≤L*在多水平Richardson-Romberge模型中，估计量是基于渐近性质的，当第一水平的渐近行为失败时，它将不是最优的。1234567810升-25-20-15-10-50510log2ZlNV2.u=0u=5u=10u=15图3：f（u，s）=u的方差收敛阶。二阶矩（y轴对数标度）作为l（x轴）的函数。现在我们给出了实现多级估计器的实用程序。把已经讨论过的元素放在一起，我们用Ninomiya Victoir方案或Giles Szpruch方案计算多层蒙特卡罗的算法如下。我们首先估计弱误差常数cin（4.7），常数Cw来自方差估计（4.8），并检查弱收敛阶和强收敛阶。当满足s模式偏差的渐近行为（4.7）时，一个hasEhZli~c（1）- 2α）αl.（4.41），使用具有少量LEZl, 我们估计并检验弱收敛的阶α。同样，我们使用（4.8）中的回归估计并检查方差收敛的强阶β为0。然后我们估计VZ使用标准蒙特卡罗估值器^V。之后，对于给定的，我们定义*使用（4.9），然后我们设置*=s^Vλqλ^V+L*Xj=1qcλjj（1-β)（4.42）和L∈ {1，…，L*}, M*l=rcλll（β+1）qλ^V+L*Xj=1qcλjj（1-β). （4.43）当我们使用Ninomiya Victoir方案时，我们可以在ZNV=f之间进行选择XNV，1，ηT安德兹夫=FXNV，1，ηT+ FXNV，1，-ηT. 第二种选择有效地降低了0级ifXNV，1η的方差，其取决于η。所以，一般来说，使用ZNV=FXNV，1，ηT+ FXNV，1，-ηT减少了多级蒙特卡罗估计的样本量。