Convergence Rates of Continuous-Time Random Walks to Time-Fractional Diffusions with Unbounded Coefficients

Résumé Technique : Taux de convergence des marches aléatoires en temps continu vers des diffusions fractionnaires temporelles à coefficients non bornés

Énoncé du Problème
L'article étudie les taux de convergence faible uniforme des méthodes numériques probabilistes appliquées aux équations de diffusion fractionnaires temporelles arrières. Plus précisément, il traite du problème de Cauchy :
$$\partial^\beta_t u(t, x) = \frac{1}{\Gamma(1-\beta)} (L u(t, x) - c u(t, x)), \quad u(0, x) = f(x),$$
où $L$ est le générateur d'un processus de diffusion avec des coefficients potentiellement non bornés (par exemple, le mouvement brownien géométrique), et $\partial^\beta_t$ est la dérivée fractionnaire de Caputo–Dzherbashian. La solution admet une représentation probabiliste via une diffusion à temps changé : $u(t, x) = \mathbb{E}_x [e^{-c\hat{\sigma}_t} f(X_{\hat{\sigma}_t})]$, où $\hat{\sigma}_t$ est l'inverse d'un sousordinateur $\beta$-stable.

Bien que des taux de convergence faible pour les approximations par marche aléatoire en temps continu (CTRW) aient été précédemment établis pour des coefficients de diffusion bornés (citant [3]), ce travail étend l'analyse au cas des coefficients non bornés, un cadre qui inclut des modèles affines comme Black–Scholes ou les équations de Langevin. Le défi principal réside dans le contrôle de la croissance des dérivées du semi-groupe de diffusion lorsque les coefficients ne sont pas globalement bornés.

Méthodologie
Les auteurs emploient une combinaison de techniques de semi-groupaux de Feller, de la théorie des flux stochastiques de Kunita et d'une analyse de sensibilité d'ordre élevé. La méthodologie se déroule en trois étapes principales :

1. Flux stochastiques et champs tensoriels : L'article utilise la théorie de Kunita pour traiter les dérivées du flux de diffusion $X_t(x)$ par rapport à la condition initiale $x$ comme des champs tensoriels aléatoires. En employant une règle de chaîne tensorielle (basée sur la formule de Faà di Bruno), les auteurs organisent les dérivées d'ordre supérieur en champs tensoriels, permettant ainsi une analyse par trajectoire.
2. Estimations de sensibilité et quasi-contraction : Les auteurs dérivent des bornes uniformes pour tous les ordres de sensibilités ($D^k F_t f$) du semi-groupe de diffusion $F_t$. Ils établissent une propriété de quasi-contraction pour le semi-groupe sur des espaces de fonctions lisses à dérivées bornées (pondérées). Cela implique :
   • La définition d'espaces de fonctions pondérés ($C_{W, \infty}$ et $\mathcal{C}^r_{\alpha, \infty}$) pour gérer les observables non bornées.
   • La preuve que le semi-groupe est fortement continu sur ces espaces.
   • L'utilisation de techniques de renormage (Proposition 22) pour convertir les bornes de croissance en estimations de quasi-contraction, essentielles pour l'analyse de la propagation de l'erreur.
3. Approximation CTRW et couplage de sousordinateur : La dynamique fractionnaire est approximée en combinant :
   • Un schéma de chaîne de Markov discrète ($U_h$) pour la composante de diffusion spatiale.
   • Une approximation par marche aléatoire à queue lourde pour le sousordinateur inverse (l'« horloge »).
     L'analyse de convergence sépare l'erreur en deux composantes : l'erreur de la discrétisation spatiale (approximation de la diffusion) et l'erreur de la discrétisation temporelle (approximation du sousordinateur).

Résultats Clés
L'article dérive des taux de convergence faible explicites pour le schéma CTRW combiné sous des conditions de « tuage » spécifiques (où le paramètre de discount $c$ domine les taux de croissance du semi-groupe).

1. Taux de convergence pour les coefficients non bornés :

   • Régime de dérivées bornées : Pour les observables dans un espace à dérivées bornées ($D_4$), l'article établit un taux de convergence linéaire $O(h)$ pour l'approximation spatiale, à condition que $c \geq \mu_4$ (où $\mu_4$ est le taux de croissance du semi-groupe sur $D_4$).
   • Régime de régularité pondérée : Pour les observables dans des espaces pondérés ($\mathcal{C}^r_{\alpha, \infty}$), des taux similaires sont dérivés sous les Hypothèses 1–5, qui contrôlent la croissance des coefficients et la stabilité du schéma de marche aléatoire.

2. Théorèmes de convergence fractionnaire (Théorème 12) :
   Le résultat principal fournit le taux de convergence pour l'approximation fractionnaire complète $u_h(T, \cdot)$ vers la solution réelle $u(T, \cdot)$ dans un espace de Banach $B$ :

   • Régime supercritique ($c \geq \mu_D$) : Si le taux de tuage domine la croissance de l'espace de lissage, l'erreur est bornée par :
     $$\|u_h - u\|_B \leq C (h + h^{\chi(\beta)}) \|f\|_D,$$
     où $\chi(\beta) \in (0, 1)$ est une constante dérivée de l'approximation du sousordinateur.
   • Régime logarithmique ($\bar{\mu}_B \leq c < \mu_D$) : Si le taux de tuage domine la croissance de l'espace de base mais pas celle du plus fort espace de lissage, la borne d'erreur se dégrade vers un régime logarithmique :
     $$\|u_h - u\|_B \leq C ((\log(1/h))^{-1/\beta} + h^{\chi(\beta)}) \|f\|_D.$$
     Ce régime apparaît car l'erreur d'approximation déterministe doit être tronquée en temps opérationnel pour assurer l'intégrabilité par rapport aux queues lourdes du sousordinateur inverse.

3. Applications spécifiques :
   Les résultats sont appliqués au mouvement brownien géométrique (modèle Black–Scholes), démontrant que la théorie couvre les coefficients affines où les dérivées s'annulent pour des ordres $\geq 2$.

Signification et Revendications
L'article prétend fournir les premiers taux de convergence faible quantitatifs pour les approximations CTRW des diffusions temporelles fractionnaires à coefficients non bornés. Sa signification réside dans :

• Extension de la théorie : Dépasser l'hypothèse de coefficients bornés présente dans la littérature antérieure (ex. [3]) pour inclure des modèles économiquement et physiquement pertinents comme le mouvement brownien géométrique.
• Cadre méthodologique : Développer une méthodologie robuste pour analyser les sensibilités des processus de diffusion en tant que champs tensoriels aléatoires, en utilisant les flux stochastiques de Kunita et les règles de chaîne tensorielles pour dériver des estimations de croissance pour les systèmes non bornés.
• Caractérisation précise de l'erreur : Distinguer entre le régime supercritique (convergence linéaire) et le régime logarithmique, clarifiant comment l'interaction entre le paramètre de tuage $c$ et la croissance des coefficients de diffusion dicte le comportement de convergence.

Les auteurs déclarent explicitement que la vérification de l'hypothèse de stabilité (Hypothèse 5) pour des schémas de marche aléatoire spécifiques sous coefficients non bornés est laissée ouverte, et que l'article se concentre sur la dérivation des taux de convergence sous réserve que cette hypothèse soit vérifiée. L'analyse est strictement théorique, s'appuyant sur des techniques de semi-groupes et des estimations probabilistes plutôt que sur des expériences numériques.