Cylindrical Projections of Occupied Diffusions

1. Enunciato del Problema

Il documento affronta l'intrattabilità computazionale della simulazione delle Diffusioni Occupate, una classe di processi stocastici dipendenti dal percorso. Questi processi sono modellati da Equazioni Differenziali Stocastiche (OSDE) in cui i coefficienti dipendono dalla misura di occupazione della storia del processo.

La dinamica è data da:
$$\begin{cases} d O_t = \delta_{X_t} \lambda(O_t, X_t) dt \\ d X_t = b(O_t, X_t) dt + \sigma(O_t, X_t) dW_t \end{cases}$$
dove:

• $X_t \in \mathbb{R}^d$ è il processo di stato.
• $O_t$ è una misura finita su $\mathbb{R}^d$ che rappresenta il tempo trascorso dal processo in varie regioni (il flusso di occupazione).
• La dipendenza dei coefficienti ($b, \sigma, \lambda$) da $O_t$ introduce una dipendenza dal percorso di dimensione infinita.

La Sfida Principale: Sebbene il sistema sia markoviano sullo spazio prodotto delle misure e dello spazio euclideo ($\mathcal{M}(\mathbb{R}^d) \times \mathbb{R}^d$), lo spazio degli stati è di dimensione infinita. La simulazione diretta è impossibile perché non è possibile memorizzare o aggiornare l'intera misura $O_t$ ad ogni passo temporale. I metodi esistenti faticano ad approssimare questo oggetto di dimensione infinita controllando l'errore.

2. Metodologia: Proiezioni Cilindriche

Gli autori propongono un metodo di approssimazione numerica denominato Proiezioni Cilindriche per ridurre la misura di occupazione di dimensione infinita a un sistema di dimensione finita.

A. Struttura Cilindrica

Il metodo si basa sull'identificazione di una misura finita $o$ con una sequenza delle sue integrali rispetto a una famiglia numerabile di funzioni di prova $(f_k)_{k \in \mathbb{N}}$.

• Norma Cilindrica: Viene definita una norma sullo spazio delle misure utilizzando una famiglia separante di funzioni $(g_j)$:
  $$\|o\| := \left( \sum_{j=0}^\infty |o(g_j)|^2 \right)^{1/2}$$
• Proiezione: Per un livello di troncamento $K$, la misura di occupazione $O_t$ è proiettata su un vettore di dimensione finita $Z_t^K \in \mathbb{R}^{N_K+1}$:
  $$Z_t^K := (O_t(f_0), \dots, O_t(f_{N_K}))$$
  dove $(f_k^K)$ è una partizione dell'unità subordinata a un ricoprimento dello spazio degli stati.

B. Il Sistema Approssimato

L'OSDE originale è approssimata da un sistema di dimensione finita $(X_t^K, Z_t^K)$:
$$\begin{cases} d Z_t^K = f^K(X_t^K) \lambda^K(Z_t^K, X_t^K) dt \\ d X_t^K = b^K(Z_t^K, X_t^K) dt + \sigma^K(Z_t^K, X_t^K) dW_t \end{cases}$$
Qui, i coefficienti sono "sollevati" nuovamente nello spazio delle misure tramite un operatore di ricostruzione $o^K(z) = \sum z_k \delta_{x_k}$. Questo trasforma il problema in un'equazione differenziale stocastica standard di dimensione finita, che può essere simulata utilizzando schemi standard come quello di Euler–Maruyama.

3. Contributi Chiave

1. Quadro Teorico: Introduzione delle proiezioni cilindriche come strumento rigoroso per approssimare dinamiche dipendenti dal percorso guidate da misure di occupazione.
2. Tassi di Convergenza Forte: Gli autori dimostrano che l'approssimazione converge fortemente al processo vero. Nello specifico, per un orizzonte temporale fisso $T$:
   $$\mathbb{E}\left[ \sup_{0 \le t \le T} |X_t - X_t^K|^2 \right]^{1/2} \le \frac{C}{K}$$
   Ciò stabilisce un tasso di convergenza lineare rispetto al livello di troncamento $K$.
3. Analisi dell'Errore Debole: Il documento estende l'analisi alla convergenza debole (valori attesi di funzionali), mostrando che per funzionali Lipschitziani $\phi$:
   $$|\mathbb{E}[\phi(O_T, X_T)] - \mathbb{E}[\phi(o^K(Z_T^K), X_T^K)]| \le \frac{C}{K}$$
   Ciò è cruciale per la valutazione di derivati finanziari.
4. Gestione di Coefficienti Non Limitati: Gli autori affrontano casi in cui i coefficienti potrebbero crescere linearmente (condizione di Lipschitz) utilizzando tecniche di localizzazione (tempi di arresto) e derivando tassi di convergenza che dipendono da fattori logaritmici se la crescita è illimitata.

4. Risultati Numerici ed Esempi

Il metodo è validato attraverso simulazioni Euler–Maruyama su tre esempi distinti:

• Diffusione Auto-Attrattiva di Cranston–Le Jan:
  • Un processo attratto dalla propria media mobile.
  • Esiste una soluzione forte esplicita, che permette un confronto diretto degli errori.
  • Risultato: L'errore numerico diminuisce linearmente con $K$, confermando il tasso teorico $O(1/K)$.
• Diffusione Auto-Interagente di Raimond:
  • Una diffusione multidimensionale in cui la deriva dipende dalla direzione delle posizioni passate.
  • Poiché non esiste una soluzione esplicita, il metodo confronta la proiezione con un riferimento ad alta risoluzione ($K=75$).
  • Risultato: Si osserva la convergenza, limitata solo dal rumore di campionamento e dall'errore di discretizzazione.
• Modello di Volatilità Occupata Locale (LOV):
  • Un modello finanziario in cui la volatilità dipende dal flusso di occupazione esponenziale nel tempo.
  • Risultato: Il metodo simula con successo la volatilità dipendente dal percorso, dimostrando l'applicabilità a derivati finanziari complessi.

5. Significato e Applicazioni

• Fattibilità Computazionale: Il documento fornisce il primo metodo pratico e computazionalmente trattabile per simulare diffusioni occupate generali, che in precedenza erano considerate intrattabili a causa della dimensionalità infinita.
• Valutazione di Derivati Finanziari: L'analisi dell'errore debole supporta direttamente l'uso di metodi Monte Carlo per la valutazione di opzioni dipendenti dal percorso (ad esempio, opzioni asiatiche) in modelli con volatilità dipendente dal percorso (LOV).
• Generalizzabilità: L'approccio delle proiezioni cilindriche è versatile e può essere applicato ad altri processi a valori di misura, incluse dinamiche di tipo McKean-Vlasov e sistemi con interazioni ritardate.
• Efficienza: A differenza delle generiche SDE dipendenti dal percorso in cui la dimensione dello stato cresce con i passi temporali, la proiezione cilindrica mantiene una dimensione finita fissa $K$, offrendo vantaggi significativi in termini di archiviazione e calcolo.

Conclusione

Tissot-Daguette e Zhang colmano con successo il divario tra l'esistenza teorica delle diffusioni occupate e la loro simulazione pratica. Introducendo le proiezioni cilindriche, riducono un problema di dimensione infinita a uno di dimensione finita con limiti di errore rigorosi ($O(1/K)$), rendendo possibile la simulazione di sistemi auto-interagenti complessi e la valutazione di derivati finanziari sofisticati.