对于给定的正则概率空间(Ohm, F、 P),Ohm = C([0,T]),布朗运动{Bt}0≤t型≤T、 我们将概率度量Pθ定义如下。对于∈ F、 Pθ(A)=Po Y-1θ(A)=P(Yθ∈ A) ,式中yθ(·)=ZθsdBs,θ∈ Θ=LF(Ohm ×[0,T],[σ,σ],其中Θ是所有逐步可测过程的集合,取[σ,σ]的值。Pθs的集合表示为{Pθ}θ∈Θ. 设平均值u为0,{Xt}0的分布≤t型≤Tunder Pθ等于Fθ。因此,这个有限的随机过程分布族{Fθ}θ∈选择Θ作为管理数据集{Xt}0的族≤t型≤T、 在本文中,我们使用所谓的G-正态分布N(0,[σ,σ])来表示族{Fθ}θ∈Θ.准确地说,数据{Xt}0的期望值≤t型≤Tunder{Pθ}θ∈ΘareEθ[φ(Xt)]=ZRφ(x)dFθ(x),(3.1),其中φ∈ Cl.Lip(R,R)是一个测试函数,描述我们感兴趣的数据XT的统计信息。考虑到VaR预测,我们将分析重点放在xUnder{Pθ}θ的最坏情况期望上∈Θ,即E[φ(Xt)]=supθ∈ΘEθ[φ(Xt)]。(3.2)一般来说,很难确定最坏情况下的期望值E[φ(Xt)]。然而,有一种情况可以明确确定,如下所示。假设3.1。假设{Xt}0<t<t是以下随机微分方程,dXt=θtdBt,X=X,在Pθ,θ下∈ Θ=LF(Ohm ×【0,T】,【σ,σ】)。对于给定的φ,我们可以证明u(t,x)=E[φ(Xt)]满足以下偏微分方程(PDE),tu(t,x)-G级(xxu)=0,t≥ 0,x∈ R、 (3.3)其中函数G(·)定义为G(a)=σa+- σa-, a+=最大值(a,0)和a-= 最大值(-a、 0)。(3.4)此外,如果φ(·)在R上是凸的,则方程(3.3)存在以下显式解:u(t,x)=Zx-∞φ(y)p2πtσexp(y2tσ)dy。在这种情况下,我们可以看到凸函数u(t,x)将在参数σ下达到最大值。
|