楼主: 能者818
903 36

[量化金融] 具有过度扩张传染的默认系统 [推广有奖]

21
kedemingshi 在职认证  发表于 2022-6-1 10:30:54
我们有那个GNT Htand因为任何e(k),k∈ N- C独立于GC∞, 我们得到:E[X | GNt]=E[E[X | Ht]GNt]=E[E[X | GCt]GNt]=E[X | GCt]。最后,我们应用定理B.4(3)。(b) 在PCGC下,F停止时间T(k),k的补偿器∈ N不适用于GC的过滤。这表明:FPCk6→ GCPCk6→ ...PCk6→ GCk。另一方面,氡-尼科德ym密度过程CKDP | GNtis GCKAadapted。然后,根据命题B.5,浸没性在GCk的给定超过滤中保持不变,因为它在P.(c)氡Nikod'ym密度过程D'PCdP'GNtis F适应下保持不变。结果就是命题B.5的序列。推论5.2。(F,P)鞅s P(i)满足pt(i)=pt∧T(i)(i)。证据对于任何i∈ N,p(i)是满足gt(i)=gt的鞅g(i):=p(τ(i)=T(i)| Gi·)的(F,p)最优投影∧T(i)=Rt{T(i)>s}dgs(i)。根据引理5.1(a),我们有FP→ 我们可以应用定理B.6得出结论。5.2. 准备结果(二)。在本节中,集合C是固定的,C N,我们考虑两个附加集:S:=N- C和D S、 在定理4中。1、SDE(4.3)l在过滤Fa GS上投影后获得的S | Dis-Dadapted过程,表示为LS | D。在本节中,我们确定过程LS |并准备构建块以获得其(F,\'PC)投影。提案5.3。以下结果:(a)PN(τ(k)>t,k∈ C) =(R)EC[lSt]。

22
可人4 在职认证  发表于 2022-6-1 10:30:57
(5.2)其中lSis程序的(F,’PC)可选投影定义为:LSt:=exp-∧St(C)易∈设置ZtASs(i)dms(i)易∈网ZtBSs(i)d’nCs(i).(b) PN(τ(k)>t,k∈ CτB(j)≤ t,j∈ D) =`EC“lS | DtYj∈Dpt(j)1{T(j)≤t} #,(5.3)其中lS | Dt过程LS | Dde的(F,\'PC)可选投影定义:LS | Dt:=Yi∈S-DEt公司Z·AS-Ds(i)dms(i)易∈网Z·BS | Ds(i)d'nCs(i)(5.4)×exp-∧S | Dt(C)+Xj∈DZT(j)∧助教-Ds(j)α(j)Ds!。我们使用了以下符号:∧S | Dt(i):=ZtλS | Ds(i)Ds∧St(i):=λS|t(i)=ZtλSs(i)ds(5.5)λS | Dt(i):=λS-Dt(i)+gt(i)Xj∈DφBs(i,j)1{T(j)<s}!(5.6)BS | Dt(i):=γ(i)Xj∈S-DφBt(i,j)1{τB(j)<t}+Xj∈DφBt(i,j)1{T(j)<T}!(5.7)证明。让我们表示:pS | D(t):=PN(τ(k)>t,k∈ CτB(j)≤ t,j∈ D) 。我们首先表明:pS | D(t)=ECLSt{τB(j)≤t;j∈D}. (5.8)从(5.8)中的公式来看,路线图是明确的:我们需要从概率到“PC”,从过滤GN到GS,因为LS是一个GSadapted过程。我们注意到氡Nikod'ym密度过程DS=dPS/dP | GN,S N被GNadapted。现在我们介绍一些有用的GS适应过程:ESt=Yi∈设置ZtASs(i)dms(i)易∈网ZtBSs(i)dns(i)FSt=Yi∈设置ZtASs(i)dms(i)易∈网ZtBSs(i)d’nCs(i)所以thatLSt=FStexp-∧St(C)我们注意到,实际上,ESA和FSA都是GSadapted。此外,ESis是P下的局部鞅,而Fs是PC下的局部鞅。

23
何人来此 在职认证  发表于 2022-6-1 10:31:00
此外,我们还有以下关系:FSt=ESt×expXk∈CZtBS(k)βs(k)ds!。因此,(b)中的表达式可以计算为:pS | D(t)=EDNt{τ(k)>t,k∈C} {τB(j)≤t,j∈D}= EDSt{τ(k)>t,k∈C} {τB(j)≤t,j∈D}= E“EStexp-Xk公司∈CZtαs(k)ASs(k)ds!{τ(k)>t,k∈C} {τB(j)≤t,j∈D} #=E“EStexp-Xk公司∈CZtαs(k)ASs(k)ds!Yk公司∈CZt(k)1{τB(j)≤t,j∈D} #。最后一个等式是通过使用随机变量e(i),i∈ N根据Pand C独立∩ S=:P(τ(k)>t,k∈ C | GSt)=EP(τ(k)>t,k∈ C |英尺∨我∈Sσ(e(i))| GSt= EP(τ(k)>t,k∈ C | Ft)| GSt=Yk公司∈CP(τ(k)>t | Ft)。为了继续,我们只需要使用(3.2)中的Z(k)表达式和“PCin定义3.4:pS | D(t)=E”EStexp-Xk公司∈CZt公司λs(k)+αs(k)ASs(k)ds!Yk公司∈CEt(ν(k))1{τB(j)≤,j∈D} #=“EC”EStexp-Xk公司∈CZt公司λs(k)+αs(k)ASs(k)ds!{τB(j)≤t,j∈D} #=“EC”FStexp-Xk公司∈C∧St(k)!{τB(j)≤t,j∈D} #=(R)ECLSt{τB(j)≤t,j∈D},证明了(5.8)。现在我们证明了我们命题的特殊公式:(a)公式(5.2)由(5.8)得到,其中D=.(b) 关于集{τb(j)<t;j∈ D} 我们有一个LS,它是一个适应GS的过程,与一些GS相等-D-适应过程,即:LSt{τB(j)<t;j∈D} =LS | Dt{τB(j)<t;j∈D} ,(5.9),LS | Dbeing GS-D-适应。我们继续确定过程LS | D(基本包括,对于所有j∈ D、 将τ(j)替换为T(j),因为它们在集合{τB(j)<∞}).

24
可人4 在职认证  发表于 2022-6-1 10:31:03
我们需要显示它对应于(5.4)中的表达式。首先,我们注意到:易∈设置Z·ASs(i)dms(i){τB(j)<t;j∈D} ==经验值-Xj公司∈DZt公司∧T(j)AS-Ds(j)α(j)Ds!易∈S-DEt公司Z·AS-Ds(i)dms(i){τB(j)<t;j∈D} 此外,对于k∈ S- D、 我们有:BSt(k)1{τB(j)<t;j∈D} =BS | Dt(k)1{τB(j)<t;j∈D} λSt(k)1{τB(j)<t;j∈D} =λS | Dt(k)1{τB(j)<t;j∈D} 。BS |和λS | Dbeing GS-D-适应;BS | Dis(5.7)和λS | Din(5.6)。因此,我们将LS确定为(5.4)中的一个。使用公式(5.8)中的关系式(5.9),然后使用LS | Dis GS-经Dadapted,我们得到:pS | D(t)=EChLS | Dt{τB(j)≤t,j∈D} i=‘EChLS | Dt’PCτB(j)≤ t,j∈ D | GS-Dt公司i、 另一方面,PCτB(j)≤ t,j∈ D | GS-Dt公司= PτB(j)≤ t,j∈ D | GS-Dt公司= EPτB(j)≤ t,j∈ D |英尺∨k∈S-Dσ(e(k))|GS公司-Dt公司= EPτB(j)≤ t,j∈ D |英尺|GS公司-Dt公司= PτB(j)≤ t,j∈ D |英尺=Yj公司∈DPτB(j)≤ t |英尺=Yj公司∈Dpt(j)1{T(j)≤t} 。在上文中,我们使用了一个事实来获得第一个等式,即RadonNikod“ym”密度过程D“PCdP”GNtis F a adapted,因此-对于第二个等式-Dt公司 英尺∨k∈S-Dσ(e(k))。因此:pS | D(t)=EC“LS | DtYj∈Dpt(j)1{T(j)≤t} #=(R)EC“E(LS | Dt | Ft)Yj∈Dpt(j)1{T(j)≤t} 从而证明了(5.3)。过程的动力学l沙lS | d将从中间量中获得,基本上分为两类:命题5.4。以下为j∈ S- D: (a)(R)EC【LS | Dt{τB(j)<t}| Ft】=lS | D∪jtpt(j)1{T(j)<T},(5.10)(b)EC[LS | Dt{τA(j)<T}| Ft]=lS | Dt- lS-j | Dt- lS | D∪jtpt(j)1{T(j)<T}。(5.11)我们回顾lS | Dis(F,\'PC)-过程LS | D的可选投影。因此,lS-j | Dis(F,’PC∪{j} )-流程LS的可选投影-j | D.证明。我们证明(5.10)。可以直接检查j/∈ D、 LS | Dt{τB(j)<t}=LS | D∪jt{τB(j)<t}。

25
nandehutu2022 在职认证  发表于 2022-6-1 10:31:06
因此(使用与命题5.3(b)证明中相同的路径):\'EC[LS | Dt{τb(j)<t}| Ft]=\'EC[LS | D∪jt{τB(j)<t}| Ft]=?EChLS | D∪jt?PCτB(j)<t | GS-D-j|Fti=\'EChLS | D∪jtpt(j)1{T(j)<T}| Fti=\'EChLS | D∪jt | Ftipt(j)1{T(j)<T}=lS | D∪jtpt(j)1{T(j)<T}。另一方面,我们有{τA(j)<t}={τ(j)≥ t}∪ {τB(j)<t}c、 因此(再次使用D S、 j∈ S- D) :/EC[LS | Dt{τA(j)<t}| Ft]=lS | Dt-\'EC[LS | Dt{τ(j)≥t} |英尺]-\'EC[LS | Dt{τB(j)<t}| Ft]=lS | Dt- lS-j | Dt- lS | D∪jtpt(j)1{T(j)<T}。5.3. 定理4.1的证明。命题5.3部分证明了该定理,其中的过程lS | dlS显示为LS | DandLS的(F,’PC)可选项目。还有待于证明lS | dl正确。我们注意到lSin(4.4)与lS|, 取D=. 因此,只需证明对于一般的D S的动力学lS | Din(4.3)正确。为此,我们从对应于LS | D的SDE开始。从(5.4)开始,我们有:LS | Dt=1+Xi∈S-DZtLS | Ds-作为-Ds(i)dms(i)+Xi∈NZtLS | Ds-BS | Ds(i)d'nCs(i)-xi∈CZtLS | Ds-λS | Ds(i)Ds-xi∈DZt公司∧T(i)LS | Ds-αs(i)AS-Ds(i)D过程lS | Dis LS | D的(F,\'PC)可选投影。因此,为了查找lS | D,我们计算上述表达式右侧每个项的(F,\'PC)Optional投影。需要强调的是,过滤F浸没在过滤GS中-Dunder the measure“PC”(参见引理5.1(c))。因此,我们可以使用附录(B.6和LemmaB.7)中总结的公式的经典投影。首先,我们有:引理5.5。就我而言∈ S- D和t≥ 0:(R)ECZtLS | Ds-作为-Ds(i)dms(i)| Ft= 0.证明。我们有一些∈ S- D、 我们注意到t m(i)是a(GS-D、 \'PC)martinga le和过程H(i):=LS | D·-作为-D(i)为GS-D-可预测。

26
nandehutu2022 在职认证  发表于 2022-6-1 10:31:09
作为引理B.7的一个应用,可以得出(GS-D-i、 “\'PC”-hr(i)dm(i)的可选投影为null(因此也是(F,\'PC)-可选投影)。实际上,取ρ=τA(i),H:=GS-D-i、 我们观察到应用引理B.7的条件已满:过滤-D-土地和GS-在'PC(引理5.1(c)),过程H(i)在此有界,τA(i)避免了所有g-D-istopping时间(推论3.3)。其次:引理5.6。就我而言∈ N和t≥ 0,’ECZtLS | Ds-BS | Ds(i)d | nCs(i)| Ft=Zt?EChLS?Ds-BS | Ds(i)| Fsid | nCs(i)证明。这是命题B.6(i)的直接应用,其中H:=F,G:=GS-D、 M:=?nC(i)和G:=LS | Ds-BS | Ds(一)。

27
可人4 在职认证  发表于 2022-6-1 10:31:14
从最后两个引理可以看出lS |数据写入:lS | Dt=1+Xi∈NZt“EChLS”Ds-BS | Ds(i)| Fsid | nCs(i)-xi∈CZt?EChLS?Ds-λS | Ds(i)| Fsids-xi∈DZt公司∧T(i)αs(i)EChLS | Ds-作为-Ds(i)| Fsids(5.12)上述表达式包含一些条件期望,我们现在在命题5.4的帮助下显式计算这些条件期望。对于i∈ D和αt>0时:(R)EChLS | Dt-作为-Dt(i)| Fti=‘EC’LS | Dt-αt(i)Xj∈S-DφAt(i,j)1{τA(j)<t}| Ft#=αt(i)Xj∈S-DφAt(i,j)’EChLS | Dt-{τA(j)<t}|Fti=Xj∈S-DlS | Dt-- lS-j | Dt-- lS | D∪jt公司-pt(j)1{T(j)<T}φAt(i,j)αt(i)(我们在最后一步中使用了命题5.4)。另一方面,因为我∈ N和γt>0时:(R)EChLS | Dt-BS | Dt(i)| Fti=γt(i)| EC“LS | Dt-Xj公司∈S-DφBt(i,j)1{τB(j)<t}+Xj∈DφBt(i,j)1{T(j)<T}|Ft#=Xj∈S{j∈D}lS | Dt-+ 1{j∈S-D}lS | D∪jt公司-pt(j)φBt(i,j)γt(i){t(j)<t}。最后,对我来说∈ C、 并使用上述两个计算量:\'EChLS | Dt-λS | Dt(i)| Fti==?EChLS | Dt-nλt(i)+αt(i)AS-Dt(i)+βt(i)BS | Dt(i)o | Fti=lS | Dt-λt(i)+αt(i)’EChLS | Dt-作为-Dt(i)| Fti+βt(i)| EChLS | Dt-学士学位-Dt(i)| Fti=lS | Ds-λt(i)+φAs(i,S)- D) +燃气轮机(i)Xj∈DφB(i,j)1{T(j)<T}!-Xj公司∈S-Dh公司lS-j | Dt-φAt(i,j)+lS | D∪jt公司-φAt(i,j)- gt(i)φBt(i,j)pt(j)1{T(j)<T}i.我们现在用上面计算的项替换(5.12)中的条件期望;我们获得以下信息:dlS | Dt=Xi∈NXj公司∈S{j∈D}lS | Dt-+ 1{j∈S-D}lS | D∪jt公司-pt(j)φBt(i,j)γt(i){t(j)<t}d'nCt(i)-xi∈中国大陆lS | Dt-λt(i)+φAs(i,S)- D) +燃气轮机(i)Xj∈DφB(i,j)1{T(j)<T}!-Xj公司∈S-Dh公司lS-j | Ds-φAs(i,j)+lS | D∪js公司-φAs(i,j)- gs(i)φBs(i,j)ps(j)1{T(j)<s}iodt-xi∈D{T(i)>T}Xj∈S-DφAt(i,j)lS | Dt-- lS-j | Dt- lS | D∪jtpt(j)1{T(j)<T}dtWe重新排列术语并使用:(R)nC(i)=(n(i)+Rt∧T(i)gs(i)ds i∈ Cn(i)i∈ (5.1)之后的内容以及随后的备注。

28
大多数88 在职认证  发表于 2022-6-1 10:31:17
此外,我们表示ψA(i,j):=(φA(i,j)i∈ S- DφA(i,j)1{T(i)>T}i∈ DWe获得lS | D:DlS | Dt=lS | Dt-(λt(C)+ψAt(C∪ D、 S- D)dt+Xj∈D{T(j)<T}Xi∈NφBt(i,j)γt(i)dnt(i))+Xj∈S-DlS | D∪jtpt(j)1{T(j)<T}(ψA(C∪ D、 j)dt+Xi∈NφBt(i,j)γt(i)dnt(i))+Xj∈S-DlS-j | DtψA(C∪ D、 j)dt。这只不过是(4.3)的另一种形式,因此证明了结果。附录A.F-条件马尔可夫链对一个马尔可夫链与西格玛域F有条件的过程的启发式描述是考虑两步随机化过程。在第一步中,我们利用“驱动过程”的随机性,即被解释为随机环境的随机过程,并生成过滤F=(Ft)t≥0带F:=F∞. 一旦选择了一个整体,就会生成一个马尔可夫链,其中转换率是驱动过程当前状态的函数。双随机泊松过程中条件马尔可夫链的一个流行例子(见[44])。然而,在违约传染的框架下,我们考虑了状态空间I={0,1}n的过程Y,因此排除了双随机泊松过程。现在,给定一个概率空间(Ohm, F、 P),让我们用状态空间I形式化定义F-条件马尔科夫链。

29
能者818 在职认证  发表于 2022-6-1 10:31:20
我们表示2i的所有子集的集合;F是西格玛场。F-条件转移概率π是I×2I×的映射Ohm 使(i)对于所有x∈ I和ω∈ Ohm, 地图A→ π(x,A,ω)是2I上的概率测度。(ii)对于所有A∈ 2i和ω∈ Ohm, 地图x→ π(x,A,ω)是2i可测的。(iii)对于所有x∈ I和A∈ 2I,映射ω→ π(x,A,ω)是F可测的。我们说Y是一个F-条件马尔可夫链,如果对于任何具有0的固定s和t≤ t型≤ s、 有一个F-条件转移概率:pt,s:I×2I×Ohm → [0,1](x,A,ω)→ pt,s(x,A)(ω),使得以下等式成立:P(Ys∈ A | F∨ σ(Yu,u≤ t) )(ω)=pt,s(Yt,A)(ω)。特别地,pt,s(Yt,A)是F-可测的。因此对于固定ω∈ Ohm, pt,s(x,y)是时间非齐次马尔可夫链从状态x到状态y的传递函数。由于传递函数是可度量的,因此传递函数是随机的,因此捕捉了过程y对随机环境的依赖性。一般来说,过程Y在F上的条件分布可以通过所谓的瞬时跃迁速率或跃迁强度来合成。如果存在,则定义如下。对于x∈ I和y∈ 一: qt(x,y)=lim→0pt,t+(x,y)。由于转移函数是随机变量,因此考虑的收敛是P-几乎必然收敛。附录B.过滤放大的基本事实在此,我们总结了本文中有用的过滤放大理论的结果。我们假设我们得到了一个过滤概率空间(Ohm, F、 H=(Ht)t≥0,P)满足通常假设。A、 逐步扩大。定义B.1。随机时间ρ是非负随机变量ρ:(Ohm, F)→ [0, ∞].与ρ相关且与(H,P)相关的Az'ema超马尔丁格尔是H超马尔丁格尔ρt=P(ρ>t | Ht)(B.1),被选为c'adl'ag,与Az'ema相关的ρ(Az'ema[2])。

30
mingdashike22 在职认证  发表于 2022-6-1 10:31:23
我们注意到,上鞅(Zρt)是1[0,ρ[]的H-可选投影。我们还引入了过程1{ρ]的H-对偶optiona和对偶可预测投影≤t} ,分别用Aρ和Aρt表示。然后,Zρt=EP[Aρ∞|Ht]- Aρt,而(B.1)的Doob-Meyer分解写为:Zρt=mρt- aρt.(B.2)我们用过程(ρ∧ t) t型≥0,因此新的放大过滤Hρ是包含H且使ρ为停止时间的最小过滤(满足通常假设),即:Hρt=Kt+,其中Kt=Ht∨ σ(ρ ∧ t) 。现在我们回顾一个定理,该定理在构造ρ的(Hρ,P)补偿器过程中很有用。定理B.2(Jeulin-Yor【37】)。设H为有界Hρ可预测过程。然后ρ{ρ≤t}-Zt公司∧ρHsZρs-daρsis是Hρ鞅。当我们假设随机m时间ρ避免H停止时间时,那么:引理B.3(Jeulin Yor[37],Jeulin[36])。如果ρa空隙H停止时间,则aρ=aρ,且aρ是连续的。因此,过程的补偿器1{ρ≤t} 是连续的。B、 浸没过滤。给出两个过滤器H和G,以及Ht Gt,适用于所有t≥ 0时,在文献中经常遇到以下假设:函数H浸入G中(也称为(H)-假设):每个H鞅都是Gmartingale。我们写HP→ H的G在概率测度P下浸入G中。我们现在回顾下一个定理B.4(Dellacherie Meyer[15]和Br'emaud Yor[8])中浸入性质的几个有用的等价刻画。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
jg-xs1
拉您进交流群
GMT+8, 2025-12-22 14:11