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

Technische Samenvatting: Invariante Maten van de Stochastische Theta-methode voor SDE's met Super-lineair Groeiende Coëfficiënten

Probleemstelling
Stochastische Differentiaalvergelijkingen (SDE's) met invariante maten zijn cruciaal in diverse vakgebieden, waaronder populatiedynamica en generatieve diffusiemodellen. Echter, expliciete vormen van deze invariante maten zijn zelden direct verkrijgbaar, wat robuuste numerieke benaderingen noodzakelijk maakt. Een aanzienlijke uitdaging ontstaat wanneer de coëfficiënten van de SDE's super-lineair groeien. Hoewel impliciete methoden zoals de backward Euler-Maruyama (EM) methode bekend staan om het kunnen omgaan met dergelijke groei, was de stochastische theta-methode (waaronder de backward EM-methode een speciaal geval is) nog niet rigoureus geanalyseerd voor invariante maten wanneer zowel de drift- als de diffusiecoëfficiënten super-lineaire groei vertonen. Eerdere werken, zoals Jiang et al. [10], behandelden super-lineaire drift maar vereisten lineaire groei voor de diffusiecoëfficiënt. Dit artikel adresseert de kloof in het benaderen van invariante maten voor SDE's waarbij beide coëfficiënten super-lineair groeien.

Methodologie
De auteurs gebruiken de stochastische theta-methode om de Itô-type SDE te discretiseren:
$$dX(t) = b(X(t))dt + g(X(t))dW(t)$$
Het numerieke schema wordt gedefinieerd als:
$$X_{k+1} = X_k + \theta b(X_{k+1})h + (1 - \theta)b(X_k)h + g(X_k)\Delta W_k$$
waarbij $\theta \in (1/2, 1]$. De analyse steunt op drie kernaannames met betrekking tot de coëfficiënten $b$ en $g$:

1. Lokale Lipschitz-continuïteit met Super-lineaire Groei: De coëfficiënten voldoen aan een lokale Lipschitz-conditie met een polynomiale groeivoet $q > 1$.
2. Monotoniciteitsconditie: Een eenzijdige Lipschitz-conditie die de stabiliteit van het verschil tussen twee oplossingen waarborgt.
3. Coerciviteitsconditie: Een conditie die de existentie van een Lyapunov-functie garandeert om de momenten van de oplossing te begrenzen.

De bewijsstrategie omvat het vaststellen van twee hulp-lemma's:

• Lemma 3.1: Bewijst de begrensdheid van het tweede moment ($E|X_k|^2$) van de numerieke oplossing onder de coerciviteitsconditie en een specifieke stapgroottebeperking.
• Lemma 3.2: Demonstreert de exponentiële gemiddelde-kwadratische convergentie van twee numerieke oplossingen beginnend vanuit verschillende initiële waarden, waarmee de contractieve eigenschap van de methode wordt vastgesteld.

Deze lemma's worden vervolgens gebruikt om de existentie en uniciteit van de numerieke invariante maat te bewijzen via de compactheid (tightness) van kansmaten en de contractie in de $p$-Wasserstein afstand. Ten slotte wordt de convergentie van de numerieke invariante maat naar de exacte invariante maat afgeleid met behulp van de driehoeksongelijkheid, waarbij de exponentiële convergentie van het numerieke schema naar zijn invariante maat wordt gecombineerd met de sterke convergentie-snelheid van de stochastische theta-methode.

Belangrijkste Resultaten

1. Existentie en Uniciteit: Het artikel bewijst dat voor SDE's met super-lineair groeiende drift- en diffusiecoëfficiënten, de stochastische theta-methode een unieke numerieke invariante maat genereert, mits de stapgrootte $h$ voldoende klein is en $\theta > 1/2$.
2. Convergentie naar de Exacte Maat: De numerieke invariante maat convergeert naar de exacte invariante maat van de onderliggende SDE in de $p$-Wasserstein afstand ($p \in (0, 1)$) met een convergentiesnelheid van $O(h^{p/2})$.
3. Generalisatie: De resultaten breiden de bevindingen van Jiang et al. [10] (die een lineaire diffusiegroei vereisten) uit naar het geval van super-lineaire diffusie. Bovendien, aangezien de backward EM-methode overeenkomt met $\theta=1$, generaliseren deze resultaten de bevindingen van Liu et al. [16] betreffende de backward EM-methode naar de bredere klasse van stochastische theta-methoden.

Betekenis en Claims
De auteurs positioneren dit werk als een niet-triviale uitbreiding van de bestaande literatuur. Ze stellen expliciet dat technieken uit eerdere werken [10, 16] niet direct kunnen worden aangepast omdat de stochastische theta-methode een expliciet deel behoudt wanneer $\theta < 1$, wat een zorgvuldige behandeling van de super-lineaire diffusieterm vereist. Het artikel claimt een rigoureus theoretisch fundament te bieden voor het gebruik van de stochastische theta-methode in langetermijnsimulaties van SDE's met super-lineaire coëfficiënten, een scenario dat veel voorkomt in complexe fysische en biologische modellen.

Numerieke Validatie
Twee numerieke voorbeelden worden geleverd om de theoretische resultaten te illustreren:

• Voorbeeld 4.1: Een scalaire mean-reverting model met super-lineaire drift ($x^3$) en diffusie ($x^2$). Simulaties tonen aan dat de empirische dichtheidsfuncties in de loop van de tijd stabiliseren en ononderscheidbaar worden, ongeacht de initiële waarden, wat de existentie en uniciteit van de invariante maat ondersteunt.
• Voorbeeld 4.2: Een twee-dimensionaal SDE-systeem met super-lineaire coëfficiënten. De resultaten demonstreren de langetermijnstabiliteit van de methode en de concentratie van de paden nabij het evenwichtgebied, wat de convergentie naar een invariante maat verder valideert.

Toekomstige Richtingen
Het artikel concludeert door op te merken dat de huidige analyse steunt op tweede momenten, wat een negatieve coëfficiëntvereiste op de lineaire term van de drift oplegt. De auteurs suggereren dat toekomstig onderzoek de $p$-de momenten voor $p \in (0, 1)$ zou kunnen verkennen om deze condities te versoepelen. Daarnaast stellen zij voor om de stochastische theta-methode te onderzoeken voor SDE's met state-dependent switching, wat kan helpen bij het samplen uit eindige mengverdelingen die relevant zijn voor machine learning.