Global universality via discrete-time signatures

Dit artikel bewijst dat lineaire functionalen van discrete-tijdsignaturen universele benaderers zijn voor pad-afhankelijke functionalen op stuksgewijs lineaire paden, wat leidt tot nieuwe $L^p$-benaderingsresultaten voor stochastische differentiaalvergelijkingen en gerelateerde systemen gedreven door Brownse beweging.

De kern

Titel: De Universele Vertaler voor Data: Hoe Wiskunde "Vergeten" Trajecten Herleeft

Stel je voor dat je een lange, kronkelige wandeling door een stad maakt. Je hebt een kaart (een dataset) met alleen maar de punten waar je bent gestopt: "Hier was ik om 10:00, daar om 10:15". Je hebt geen video van je hele wandeling, alleen deze stippellijn.

Nu wil je iemand vertellen wat je hebt gezien, of voorspellen waar je naartoe gaat. Maar de weg is complex: je bent linksom gegaan, dan rechtsom, dan weer een rondje gedraaid. Als je alleen de start- en eindpunten vertelt, is dat niet genoeg. Je hebt de geschiedenis nodig.

Dit is precies het probleem dat de auteurs van dit paper (Ceylan en Prömel) aanpakken. Ze hebben een wiskundig gereedschap ontwikkeld om elke mogelijke reis, hoe gek ook, te vertalen naar een simpele lijst met getallen. En ze bewijzen dat je met die lijst bijna alles kunt voorspellen.

Hier is de uitleg, vertaald naar alledaags Nederlands:

1. De "Handtekening" van een Reis (De Signature)

In de wiskunde noemen ze dit de Signature. Denk hierbij niet aan je handtekening op een bankformulier, maar aan een unieke "reishandtekening".

Stel je voor dat je een reis maakt door een bos. Je loopt niet alleen van A naar B; je loopt ook van B naar C, en misschien maak je een lusje. De Signature is een soort oneindige verzameling van herinneringen aan je reis.

• Het onthoudt niet alleen waar je bent geweest.
• Het onthoudt in welke volgorde je dingen hebt gezien.
• Het onthoudt hoe je hebt bewogen (snel, langzaam, in een cirkel).

De auteurs zeggen: "Als je deze reishandtekening hebt, kun je de hele reis reconstrueren." Het is alsof je een recept hebt dat niet alleen de ingrediënten (de punten) bevat, maar ook de exacte volgorde van het roeren en bakken.

2. Het Probleem: We hebben geen perfecte foto's

In het echte leven (bijvoorbeeld in de beurs of bij het analyseren van hartslagdata) hebben we nooit een perfecte, continue video van de reis. We hebben alleen stippellijnen. We meten iets elke seconde, elke minuut.

Om een continue reis te maken van deze stippellijnen, tekenen we gewoon rechte lijntjes tussen de punten. Dit noemen ze stuksgewijs lineaire interpolatie.

• Analogie: Het is alsof je een tekening maakt van een berg door alleen de toppen van de bomen te verbinden met rechte lijnen. Het is niet de echte, ruwe berg, maar het is een heel goede benadering.

De vraag is: Werkt de "reishandtekening" ook goed voor deze rechte lijntjes?
De auteurs zeggen: Ja! En ze bewijzen dat je met deze handtekeningen van rechte lijntjes elk mogelijk patroon kunt nabootsen.

3. De Grootte van het Bewijs: Van "Klein" naar "Groot"

Vroeger zeiden wiskundigen: "Je kunt alles benaderen, zolang je maar binnen een klein, veilig gebiedje blijft." (Dit heet een compacte verzameling).
Maar in de echte wereld is het leven niet veilig. Soms springt een beurskoers enorm hoog of laag (zoals bij een Brownse beweging, of willekeurige wandeling). Deze koersen kunnen overal naartoe gaan, niet alleen binnen een klein kooitje.

De auteurs zeggen: "Nee, we gaan niet beperken tot een klein kooitje. We gaan globaal werken."
Ze gebruiken een slimme truc met gewichten (een soort "veiligheidsnet").

• Analogie: Stel je voor dat je een trampoline hebt. Als je in het midden springt, is het makkelijk. Maar als je naar de rand springt, wordt het gevaarlijk. De auteurs hebben een systeem bedacht waarbij je een zwaar gewicht op de rand legt. Als je te ver naar buiten springt, wordt het gewicht zo zwaar dat je er niet meer uitkomt. Hierdoor kunnen ze bewijzen dat hun methode werkt, zelfs als de data extreem groot of chaotisch wordt.

4. Wat betekent dit voor de echte wereld?

Dit paper is niet alleen droge theorie. Het heeft enorme gevolgen voor drie belangrijke gebieden:

• Beurs en Financiën: Je kunt de prijs van complexe opties (waarbij de prijs afhangt van de hele geschiedenis van de beurs) nauwkeurig voorspellen met simpele lijntjes en handtekeningen. Je hoeft geen supercomputer te gebruiken om elke seconde te simuleren; de handtekening vat alles samen.
• Machine Learning (AI): Als je AI wilt leren om patronen te herkennen in tijdreeksen (zoals spraakherkenning of beursdata), kun je deze "handtekeningen" gebruiken als de basis. Het is alsof je de AI een superkracht geeft om de volgorde van gebeurtenissen te begrijpen, zonder dat ze de hele geschiedenis hoeft te onthouden.
• Stochastische Differentiaalvergelijkingen (SDE's): Dit zijn ingewikkelde formules die beschrijven hoe dingen veranderen door toeval (zoals de beweging van stofdeeltjes in water of de koers van een aandeel). De auteurs tonen aan dat je de oplossingen van deze formules kunt benaderen met hun methode.

Samenvatting in één zin

De auteurs hebben bewezen dat je, zelfs als je alleen maar een reeks van stippellijnen hebt (zoals een digitale wandeling), met een slim wiskundig systeem (de Signature) elke mogelijke toekomst of complex patroon kunt voorspellen, zelfs als de data chaotisch en onvoorspelbaar is.

Het is alsof ze een universele vertaler hebben gevonden die elke willekeurige reis, hoe rommelig ook, kan vertalen naar een simpele lijst met getallen die iedereen kan begrijpen en gebruiken.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Global Universality via Discrete-Time Signatures" van Mihribayan Ceylan en David J. Prömel, geschreven in het Nederlands.

Titel: Global Universaliteit via Discrete-Tijd Signaturen

Auteurs: Mihribayan Ceylan en David J. Prömel
Datum: 11 maart 2026

---

1. Probleemstelling

Het benaderen van functionalen die complex afhankelijk zijn van de volledige trajectorie van een datastroom (pad-afhankelijke functionalen) is een fundamentele uitdaging in disciplines zoals machine learning, kwantitatieve financiën en de analyse van stochastische dynamische systemen.

Hoewel de signature (een verzameling van geïtereerde integralen van een pad) een krachtig hulpmiddel is voor het karakteriseren van paden, zijn er twee belangrijke beperkingen bij de praktische toepassing van bestaande theorieën:

1. Discretisatie: In de praktijk zijn continue trajectoires zelden beschikbaar; men heeft slechts een eindige reeks discrete observaties. Bestaande theorieën gaan vaak uit van continue paden, terwijl in de praktijk stuksgewijs lineaire interpolaties van discrete data worden gebruikt.
2. Compactheid: Klassieke universaliteitsstellingen voor signatures zijn doorgaans beperkt tot compacte deelverzamelingen van de padruimte. In probabilistische modellen (zoals Brownse beweging) liggen de steekproefpaden echter met positieve waarschijnlijkheid niet in een vast compacte verzameling. Dit maakt klassieke resultaten onvoldoende voor veel stochastische toepassingen.

Het doel van dit artikel is het opstellen van globale universele benaderingsstellingen voor lineaire functionalen van signatures, specifiek gericht op stuksgewijs lineaire interpolaties van discrete tijdreeksen, en het uitbreiden van deze resultaten naar $L^p$-ruimten onder integrabiliteitsvoorwaarden.

---

2. Methodologie

De auteurs combineren algebraïsche structuren uit de ruwe padtheorie (rough path theory) met functionale analyse in gewogen ruimten.

• Discrete Tijd en Interpolatie: In plaats van te werken met continue ruwe paden, definiëren de auteurs de ruimte $\mathcal{C}^\pi$ van paden die zijn geconstrueerd via stuksgewijs lineaire interpolatie van discrete observaties. Ze beschouwen ook de tijd-uitgebreide paden $\hat{\mathcal{C}}^\pi$ (inclusief de tijdscomponent).
• Gewogen Ruimten: Om de beperking van compacte verzamelingen te omzeilen, gebruiken de auteurs een gewichtsfunctie $\psi$. Ze definiëren een gewogen Banachruimte $B_\psi(X)$ waarin de groei van functionalen wordt gecontroleerd door $\psi$. De keuze voor een exponentiële gewichtsfunctie $\psi(X) = \exp(\beta \|X\|^\gamma_\alpha)$ is cruciaal.
• Gewogen Stone-Weierstrass Stelling: De kern van de bewijsvoering is het toepassen van een gewogen versie van de Stone-Weierstrass stelling (gebaseerd op werk van [CST26]). Dit stelt dat lineaire combinaties van signature-coördinaten dicht liggen in de ruimte van continue functionalen, mits de ruimte een "gewogen ruimte" is en de lineaire span van de signatures de ruimte scheidt en nergens verdwijnt.
• Integrabiliteitsconditie: Om van gewogen ruimten naar $L^p$-ruimten te gaan, eisen de auteurs dat de gewichtsfunctie $p$-keer integreerbaar is ten opzichte van de maat van het onderliggende proces (een voorwaarde voor exponentiële momenten).

---

3. Belangrijkste Bijdragen en Resultaten

A. Universele Benadering in Gewogen Ruimten (Sectie 3)

De auteurs bewijzen dat lineaire functionalen van de signature dicht liggen in de ruimte $B_\psi(\hat{\mathcal{C}}^\pi)$ (Propositie 3.1) en in de ruimte van gestopte paden $\Lambda^\pi_T$ (Propositie 3.4).

• Dit geldt voor paden die zijn gegenereerd door discrete observaties en lineair zijn geïnterpoleerd.
• Ze tonen aan dat de ruimte van stuksgewijs lineaire paden een gewogen ruimte vormt onder de gekozen exponentiële gewichtsfunctie.

B. $L^p$-Benaderingstheorema's (Stelling 3.5)

Onder de voorwaarde dat de exponentiële momenten van het gewicht $\psi$ eindig zijn ($\int \psi^p d\nu < \infty$), bewijzen de auteurs dat lineaire functionalen van de signature dicht liggen in $L^p$-ruimten.

• Dit betekent dat elke $L^p$-functionaal op het padruimte-gebied willekeurig nauwkeurig kan worden benaderd door een lineaire combinatie van signature-termen.

C. Toepassing op Brownse Beweging (Sectie 4)

Een cruciaal technisch resultaat is het aantonen dat stuksgewijs lineaire interpolaties van Brownse beweging voldoen aan de vereiste integrabiliteitsconditie.

• De auteurs gebruiken bekende resultaten uit de ruwe padtheorie (FV10) om aan te tonen dat de exponentiële momenten van de $\alpha$-Hölder-norm van de geïnterpoleerde Brownse beweging eindig zijn.
• Corollarium 4.1 & 4.2: Hieruit volgt dat meetbare en continue functionalen van Brownse beweging (en hun tijd-uitgebreide versies) in $L^p$ kunnen worden benaderd door lineaire functionalen van de signature van de geïnterpoleerde paden.

D. Benadering van Differentiaalvergelijkingen

De theorie wordt toegepast op twee soorten dynamische systemen:

1. Random ODE's (Stelling 4.3): Oplossingen van willekeurige gewone differentiaalvergelijkingen gedreven door geïnterpoleerde Brownse beweging kunnen worden benaderd door signature-functionalen.
2. Stochastische Differentiaalvergelijkingen (SDE's) (Corollarium 4.6): Dit is het meest significante resultaat. De auteurs tonen aan dat oplossingen van SDE's gedreven door Brownse beweging kunnen worden benaderd door lineaire functionalen van de signature van de stuksgewijs lineaire interpolatie van die Brownse beweging.
   • Ze combineren een stabiliteitsresultaat (Lemma 4.4: de signature van de geïnterpoleerde pad convergeert in $L^p$ naar de echte Brownse signature) met bestaande resultaten voor continue ruwe paden ([CP25]).

---

4. Significatie en Impact

Dit artikel biedt een brug tussen de theoretische elegantie van continue ruwe padtheorie en de praktische realiteit van discrete data in machine learning en financiën.

• Praktische Relevantie: Het rechtvaardigt het gebruik van discrete-time signature-methoden (zoals in bibliotheken als iisignature) voor het modelleren van stochastische systemen. Het bewijst dat men niet hoeft te vertrouwen op de (vaak onmogelijke) exacte berekening van continue integralen, maar dat discrete benaderingen wiskundig onderbouwd zijn.
• Verwijdering van Compactheidsbeperkingen: Door over te schakelen naar gewogen ruimten en $L^p$-normen, maken de auteurs de theorie toepasbaar op processen met onbegrensde trajectoires (zoals Brownse beweging), wat essentieel is voor realistische modellen in de financiële wiskunde (bijv. optiepricering) en risicomanagement.
• Universaliteit voor SDE's: Het resultaat dat SDE-oplossingen kunnen worden benaderd door lineaire combinaties van discrete signatures opent de deur voor het gebruik van signature-based neurale netwerken (zoals Reservoir Computing of Signature Networks) voor het voorspellen en simuleren van complexe stochastische systemen, met gegarandeerde convergentie-eigenschappen.

Samenvattend stellen de auteurs een rigoureuze wiskundige basis neer die aantoont dat discrete-time signatures een universele feature-class vormen voor een breed scala aan pad-afhankelijke functionalen en stochastische dynamische systemen, zelfs in de aanwezigheid van ruis en discretisatie.