🔢 mathematics

Implementation of Milstein Schemes for Stochastic Delay-Differential Equations with Arbitrary Fixed Delays

Cet article présente des techniques d'implémentation numérique pour les schémas d'Euler–Maruyama et de Milstein appliqués aux équations différentielles stochastiques à retards avec des retards fixes arbitraires, en utilisant l'interpolation linéaire pour une convergence d'ordre 1/2 et un maillage temporel augmenté avec des pas de temps variables pour une convergence d'ordre 1, surmontant ainsi les limitations des méthodes précédentes restreintes aux retards divisibles.

Auteurs originaux : Mitchell T. Griggs, Kevin Burrage, Pamela M. Burrage

Publié 2026-05-05

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mitchell T. Griggs, Kevin Burrage, Pamela M. Burrage

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de prédire la trajectoire d'un bateau dérivant sur une rivière. La rivière n'est pas calme ; elle est agitée par des vagues aléatoires (c'est la partie « stochastique »). Mais voici la particularité : la direction du bateau ne réagit pas seulement aux vagues qui le frappent à l'instant présent. Elle réagit aussi aux vagues qui l'ont frappé il y a cinq minutes, ou même il y a dix minutes.

C'est ce que les scientifiques appellent une Équation Différentielle Stochastique à Retard (EDSR). C'est un problème mathématique utilisé pour modéliser des choses comme les cours boursiers, les populations biologiques ou les réactions chimiques, où le passé affecte le présent de manière aléatoire.

L'article dont vous parlez aborde un problème très spécifique et délicat : Que se passe-t-il lorsque ces « moments du passé » ne s'alignent pas proprement avec votre horloge ?

Le Problème : L'« Horloge Désynchronisée »

Pour résoudre ces équations sur un ordinateur, les scientifiques divisent généralement le temps en tranches minuscules et égales, comme une règle graduée tous les millimètres. On appelle cela un maillage temporel uniforme.

Le Cas Facile (Retards Divisibles) : Imaginez que le retard soit exactement de 5 secondes, et que votre horloge bat la mesure toutes les 1 seconde. Lorsque l'ordinateur doit savoir ce qui s'est passé il y a 5 secondes, il regarde simplement la graduation située exactement 5 battements en arrière. C'est simple et rapide.
Le Cas Difficile (Retards Indivisibles) : Maintenant, imaginez que le retard soit de $\pi$ secondes (environ 3,14159...), mais que votre horloge batte toujours la mesure toutes les 1 seconde. Lorsque l'ordinateur doit savoir ce qui s'est passé il y a 3,14 secondes, il n'y a aucune graduation à cet endroit ! Il est coincé entre la graduation des 3 secondes et celle des 4 secondes.

Pendant longtemps, les ordinateurs ne pouvaient gérer que le « Cas Facile ». Si les retards étaient des nombres désordonnés (comme $\pi$ ou $\sqrt{2}$ ) qui ne correspondaient pas à l'horloge, les scientifiques devaient soit :

Deviner : Approximer la valeur manquante en traçant une ligne droite entre la graduation des 3 secondes et celle des 4 secondes (Interpolation Linéaire). Cela fonctionne, mais c'est lent et imprécis.
Abandonner : Étudier uniquement les problèmes où les retards se trouvaient être des nombres « sympas ».

La Solution : Construire une Règle Personnalisée

Les auteurs, Mitchell Griggs, Kevin Burrage et Pamela Burrage, disent : « Pourquoi forcer l'horloge à s'adapter au retard ? Construisons une règle personnalisée qui s'adapte au retard. »

Ils ont développé une méthode pour créer un Maillage Temporel Augmenté. Imaginez cela comme prendre votre règle standard et ajouter des graduations supplémentaires, faites sur mesure, exactement aux endroits où se trouvent les moments du « passé », peu importe à quel point les nombres sont désordonnés.

Voici comment leur solution fonctionne en termes simples :

1. La Règle « Intelligente » (Maillage Augmenté)

Au lieu de forcer l'ordinateur à vérifier toutes les 1 seconde, l'ordinateur construit une liste de chaque instant unique qu'il doit vérifier.

Il vérifie le présent.
Il vérifie le présent moins le retard.
Il vérifie le présent moins deux retards (car parfois le passé dépend du passé du passé).
Il trie tous ces moments dans une seule liste ordonnée.

Maintenant, même si le retard est de $\pi$ , l'ordinateur possède une graduation spécifique pour exactement il y a $\pi$ secondes. Il n'a plus besoin de deviner.

2. L'Appareil Photo « Haute Définition » (Schéma de Milstein)

L'article se concentre sur un type spécifique d'outil mathématique appelé le Schéma de Milstein.

L'Appareil Photo « Basse Résolution » (Euler-Maruyama) : C'est comme prendre une photo floue du bateau. C'est rapide, mais pas très précis. Cela fonctionne bien même avec la méthode de « Devinette », mais cela ne permet pas de voir les détails fins du mouvement du bateau.
L'Appareil Photo « Haute Résolution » (Milstein) : C'est un appareil photo ultra-net qui capture parfaitement le mouvement du bateau. Cependant, il nécessite des données très précises. Si vous lui donnez une valeur « devinée » (provenant de la méthode de l'appareil photo flou), l'image est gâchée, et l'appareil photo haute résolution perd son avantage.

La grande percée des auteurs est de montrer qu'en utilisant leur Règle Personnalisée (Maillage Augmenté), ils peuvent fournir au Appareil Photo Haute Résolution (Schéma de Milstein) les données exactes dont il a besoin, même lorsque les retards sont des nombres désordonnés. Cela permet à l'ordinateur d'obtenir un résultat « Haute Définition » pour des problèmes qui étaient auparavant impossibles à résoudre avec précision.

Le Compromis : Plus de Graduations, Plus de Travail

Il y a un inconvénient. Construire cette règle personnalisée demande plus de travail.

Si vous avez un retard simple, votre règle a 100 graduations.
Si vous avez un retard désordonné, votre règle pourrait avoir besoin de 1 000 graduations pour couvrir tous les moments « intermédiaires ».

L'article montre que bien que cela prenne plus de mémoire et de temps informatique, le résultat en vaut la peine. La méthode « Haute Résolution » (Ordre 1) devient significativement plus précise que la méthode « Basse Résolution » (Ordre 1/2), surtout lorsque vous avez besoin de réponses précises.

Exemple Concret dans l'Article

Les auteurs ont testé cela sur un modèle pour les options financières (spécifiquement, une « option d'achat digitale »).

Imaginez que vous pariez sur le fait que le prix d'une action sera supérieur à un certain chiffre dans le futur.
Le prix de l'action dépend de sa volatilité (à quel point elle saute) du passé.
Si ce moment du passé est un nombre désordonné (comme il y a $\pi$ secondes), les anciennes méthodes donneraient un pari flou et imprécis.
La nouvelle méthode construit la règle personnalisée, calcule la volatilité passée exacte et offre une prédiction beaucoup plus nette et fiable de la valeur du pari.

Résumé

L'article est essentiellement un guide sur la façon de cesser de forcer les retards temporels désordonnés à s'adapter à des créneaux temporels uniformes et nets. Au lieu de cela, il nous apprend à construire une chronologie flexible et personnalisée qui inclut chaque instant requis par les mathématiques. Cela nous permet d'utiliser nos outils de calcul les plus puissants et de haute précision sur des problèmes qui étaient auparavant trop désordonnés pour être résolus avec précision.

Résumé technique : Mise en œuvre des schémas de Milstein pour les équations différentielles stochastiques à retard avec des retards fixes arbitraires

1. Énoncé du problème

L'article traite de la simulation numérique d'équations différentielles stochastiques à retard (EDSR) d'Itô avec plusieurs retards fixes ( $\tau_1, \dots, \tau_K$ ) qui ne s'alignent pas sur un maillage temporel uniforme. Bien que des cadres théoriques pour les ordres de convergence forte de $1/2$ (Euler–Maruyama) et de $1$ (Milstein) existent pour de telles équations, la mise en œuvre pratique des schémas d'ordre 1 a été largement limitée aux « retards divisibles » — des cas où tous les retards sont des multiples entiers d'un pas de temps commun $h$ .

Le défi central découle du fait que les schémas d'ordre élevé (spécifiquement le schéma de Milstein) nécessitent l'évaluation de la solution à des instants retardés ( $t_n - \tau_k$ ) et d'intégrales stochastiques itérées retardées ( $I^{\tau_k}_{ij}$ ). Lorsque les retards sont « indivisibles » (c'est-à-dire qu'aucun diviseur commun n'existe pour les retards et le pas de temps), ces points temporels requis ne coïncident pas avec le maillage de simulation. Par conséquent, les implémentations standard à pas fixe échouent à évaluer ces termes exactement, contraignant l'utilisation d'approximations qui dégradent l'ordre de convergence vers $1/2$ .

2. Méthodologie

Les auteurs proposent une approche systématique pour atteindre un ordre de convergence forte (OoC) de 1 pour les EDSR avec des retards fixes arbitraires. La méthodologie est divisée en deux stratégies principales :

A. Interpolation linéaire (LI) pour un OoC de 1/2

Pour fournir une référence de calcul efficace, les auteurs implémentent des schémas avec un pas de temps fixe $h$ . Lorsque les points temporels retardés ( $t_n - \tau_k$ ) tombent entre les points du maillage, les valeurs de la solution retardée sont approximées en utilisant l'interpolation linéaire (LI) entre les valeurs simulées les plus proches.

Schémas : Euler–Maruyama (EM), Milstein, Magnus–Euler–Maruyama (MEM) et Magnus–Milstein (MM) sont adaptés en utilisant la LI.
Résultat : Cette approche est simple et efficace mais restreint l'ordre de convergence à $1/2$ , même lors de l'utilisation d'approximations d'intégrales affinées, car l'erreur d'interpolation domine l'erreur globale.

B. Maillage temporel augmenté pour un OoC de 1

Pour atteindre l'OoC théorique de 1, les auteurs construisent un maillage temporel augmenté qui inclut explicitement tous les points temporels requis pour l'évaluation du schéma de Milstein.

Construction : Le maillage est construit en commençant par un ensemble initial de temps d'observation (incluant le temps final $T$ et les multiples de retards) et en ajoutant récursivement tous les points retardés nécessaires ( $t_n - \tau_k$ , $t_n - \tau_l - \tau_k$ , etc.) jusqu'à ce que l'ensemble soit clos sous les opérations de retard dans l'intervalle $[0, T]$ .
Pas de temps variable : Cela résulte en un maillage non uniforme à pas de temps variable.
Simulation d'intégrales : Les auteurs étendent la méthode d'approximation trapézoïdale pour les intégrales stochastiques itérées (développée à l'origine pour les retards divisibles) à ce maillage augmenté. Ils définissent un Maillage Temporel Affiné Augmenté (ARTM) en appliquant la même logique de construction avec un pas de temps initial plus fin. Cela garantit que pour tout intervalle $[t_n, t_{n+1}]$ dans le maillage du schéma, les intervalles retardés correspondants $[t_n - \tau_k, t_{n+1} - \tau_k]$ sont entièrement résolus par l'ARTM, permettant la simulation exacte des intégrales itérées retardées $I^{\tau_k}_{ij}$ en utilisant la règle trapézoïdale.

3. Contributions clés

Cadre de maillage augmenté : L'article introduit un algorithme constructif (Algorithme 1) pour générer un maillage temporel qui accommoder des retards fixes arbitraires, permettant l'évaluation exacte des valeurs du schéma retardées sans interpolation.
Extension de l'intégration trapézoïdale : Les auteurs généralisent l'approximation trapézoïdale pour les intégrales stochastiques itérées au contexte des retards indivisibles en utilisant l'ARTM, garantissant que les régions d'intégration retardées s'alignent avec les points du maillage.
Vérification de la convergence : L'article fournit une preuve théorique (Théorème 4) et des preuves numériques que les schémas de Milstein et Magnus–Milstein, lorsqu'ils sont mis en œuvre sur le maillage augmenté avec des intégrales affinées, atteignent leur ordre de convergence forte théorique de 1, même pour des retards indivisibles.
Analyse comparative : Le travail compare systématiquement les performances des schémas LI à pas fixe (OoC 1/2) par rapport aux schémas à maillage augmenté (OoC 1), démontrant que bien que le maillage augmenté engendre des coûts de calcul plus élevés (en raison de la croissance de la taille du maillage), il est nécessaire pour atteindre une précision d'ordre 1.

4. Résultats

Ordres de convergence : Les expériences numériques confirment que pour les retards divisibles, les schémas à pas fixe et à maillage augmenté se comportent comme prévu. Cependant, pour les retards indivisibles, les schémas à pas fixe utilisant l'interpolation linéaire se dégradent vers un OoC de 1/2. En revanche, les schémas à maillage augmenté maintiennent un OoC de 1.
Taille du maillage vs magnitude du retard : La taille du maillage augmenté croît de manière quadratique avec le nombre de multiples de retard. Les auteurs notent que la méthode est plus pratique lorsque les retards sont grands par rapport au temps final $T$ . Lorsque les retards sont petits, la taille du maillage peut devenir prohibitivement grande.
Efficacité computationnelle : Le tableau 3 indique que bien que le maillage augmenté nécessite plus de temps de calcul que les méthodes LI à pas fixe, il peut être plus efficace que les méthodes LI lorsque une haute précision est requise. Par exemple, pour atteindre un niveau d'erreur spécifique, le schéma de Milstein à maillage augmenté s'est révélé plus rapide que le schéma EM LI dans des configurations spécifiques de retards indivisibles.
Application aux modèles financiers : La méthode a été appliquée à un modèle de volatilité locale à retard (DLVM) pour le prix d'options d'achat digitales. Le schéma de Milstein à maillage augmenté a fourni des estimations stables et précises des valeurs d'options à des résolutions temporelles plus grossières par rapport aux méthodes d'ordre inférieur.

5. Signification et affirmations

L'article prétend combler un fossé critique entre l'existence théorique de solveurs EDSR d'ordre élevé et leur mise en œuvre pratique pour des retards généraux.

Mise en œuvre pratique : Les auteurs soulignent que bien que le schéma de Milstein continu ait été théoriquement établi par Kloeden et Shardlow [14], aucune stratégie d'implémentation standard n'existait pour les retards indivisibles. Ce travail fournit cette stratégie.
Robustesse : La méthode s'avère robuste à travers diverses configurations de retards, y compris des cas avec plusieurs retards et des valeurs de retards irrationnels (par exemple, $\pi/4$ ).
Limites et travaux futurs : Les auteurs reconnaissent modestement que la taille du maillage augmenté peut devenir un goulot d'étranglement pour les petits retards. Ils suggèrent que pour de tels cas, la méthode LI (OoC 1/2) reste une alternative viable. Les extensions futures mentionnées incluent la gestion des retards dépendants du temps ou distribués et l'exploration de raffinements adaptatifs ou d'implémentations parallèles pour atténuer les coûts de calcul.

En résumé, l'article établit qu'en abandonnant la contrainte d'un maillage temporel uniforme en faveur d'un maillage augmenté construit systématiquement, il est possible de réaliser une convergence forte d'ordre 1 pour les EDSR avec des retards fixes arbitraires, permettant ainsi des simulations plus précises pour des modèles stochastiques complexes dans des domaines tels que la finance et l'écologie.