Invariant measures of the stochastic theta method for stochastic differential equations with super-linearly growing coefficients

Resumen Técnico: Medidas Invariantes del Método Theta Estocástico para EDEs con Coeficientes de Crecimiento Superlineal

Planteamiento del Problema
Las Ecuaciones Diferenciales Estocásticas (EDEs) con medidas invariantes son fundamentales en diversos campos, incluyendo la dinámica de poblaciones y los modelos de difusión generativa. Sin embargo, es raro obtener formas explícitas de estas medidas invariantes, lo que requiere aproximaciones numéricas robustas. Surge un desafío significativo cuando los coeficientes de las EDEs presentan un crecimiento superlineal. Mientras que los métodos implícitos como el método de Euler-Maruyama hacia atrás (backward EM) son conocidos por manejar dicho crecimiento, el método theta estocástico (que incluye al EM hacia atrás como un caso especial) no había sido analizado rigurosamente para medidas invariantes cuando tanto el coeficiente de deriva como el de difusión exhiben crecimiento superlineal. Trabajos previos, como Jiang et al. [10], abordaron la deriva superlineal pero requirieron un crecimiento lineal para el coeficiente de difusión. Este artículo aborda la brecha en la aproximación de medidas invariantes para EDEs donde ambos coeficientes crecen de forma superlineal.

Metodología
Los autores emplean el método theta estocástico para discretizar la EDE de tipo Itô:
$$dX(t) = b(X(t))dt + g(X(t))dW(t)$$
El esquema numérico se define como:
$$X_{k+1} = X_k + \theta b(X_{k+1})h + ( - \theta)b(X_k)h + g(X_k)\Delta W_k$$
donde $\theta \in (1/2, 1]$. El análisis se basa en tres supuestos fundamentales respecto a los coeficientes $b$ y $g$:

1. Continuidad de Lipschitz Local con Crecimiento Superlineal: Los coeficientes satisfacen una condición de Lipschitz local con una tasa de crecimiento polinómico $q > 1$.
2. Condición de Monotonía: Una condición de Lipschitz de un solo lado que asegura la estabilidad de la diferencia entre dos soluciones.
3. Condición de Coercitividad: Una condición que asegura la existencia de una función de Lyapunov para acotar los momentos de la solución.

La estrategia de prueba consiste en establecer dos lemas auxiliares:

• Lema 3.1: Demuestra la acotación del segundo momento ($E|X_k|^2$) de la solución numérica bajo la condición de coercitividad y una restricción específica del tamaño de paso.
• Lema 3.2: Demuestra la convergencia media cuadrática exponencial de dos soluciones numéricas partiendo de diferentes valores iniciales, estableciendo la propiedad contractiva del método.

Estos lemas se utilizan posteriormente para probar la existencia y unicidad de la medida invariante numérica mediante la compacidad (tightness) de las medidas de probabilidad y la contracción en la distancia de Wasserstein-$p$. Finalmente, la convergencia de la medida invariante numérica hacia la medida invariante exacta se deriva utilizando la desigualdad triangular, combinando la convergencia exponencial del esquema estocástico hacia su medida invariante con la tasa de convergencia fuerte del método theta estocástico.

Resultos Clave

1. Existencia y Unicidad: El artículo demuestra que, para EDEs con coeficientes de deriva y difusión de crecimiento superlineal, el método theta estocástico genera una medida invariante numérica única, siempre que el tamaño de paso $h$ sea suficientemente pequeño y $\theta > 1/2$.
2. Convergencia a la Medida Exacta: La medida invariante numérica converge a la medida invariante exacta de la EDE subyacente en la distancia de Wasserstein-$p$ ($p \in (0, 1)$) con una tasa de convergencia de $O(h^{p/2})$.
3. Generalización: Los resultados extienden los hallazgos de Jiang et al. [10] (que requerían un crecimiento de difusión lineal) al caso de difusión superlineal. Además, dado que el método EM hacia atrás corresponde a $\theta=1$, estos resultados generalizan los hallazgos de Liu et al. [16] respecto al método EM hacia atrás a la clase más amplia de métodos theta estocásticos.

Significancia y Reivindicaciones
Los autores posicionan este trabajo como una extensión no trivial de la literatura existente. Establecen explícitamente que las técnicas de trabajos previos [10, 16] no pueden adaptarse directamente porque el método theta estocástico retiene una parte explícita cuando $\theta < 1$, lo que requiere un manejo cuidadoso del término de difusión superlineal. El artículo afirma proporcionar una base teórica rigurosa para el uso del método theta estocástico en simulaciones de largo tiempo de EDEs con coeficientes superlineales, un escenario común en modelos físicos y biológicos complejos.

Validación Numérica
Se proporcionan dos ejemplos numéricos para ilustrar los resultados teóricos:

• Ejemplo 4.1: Un modelo de reversión a la media escalar con deriva superlineal ($x^3$) y difusión ($x^2$). Las simulaciones muestran que las funciones de densidad empírica se estabilizan con el tiempo y se vuelven indistinguibles independientemente de los valores iniciales, lo que respalda la existencia y unicidad de la medida invariante.
• Ejemplo 4.2: Un sistema de EDE de dos dimensiones con coeficientes superlineales. Los resultados demuestran la estabilidad de largo tiempo del método y la concentración de las trayectorias de muestra cerca del área de equilibrio, validando aún más la convergencia hacia una medida invariante.

Direcciones Futuras
El artículo concluye señalando que el análisis actual se basa en segundos momentos, lo que impone un requisito de coeficiente negativo en el término lineal de la deriva. Los autores sugieren que investigaciones futuras podrían explorar el uso de $p$-ésimos momentos para $p \in (0, 1)$ para relajar estas condiciones. Además, proponen investigar el método theta estocástico para EDEs con cambio de estado dependiente del estado (state-dependent switching), lo que podría ayudar en el muestreo de distribuciones de mezcla finitas relevantes para el aprendizaje automático.