Central limit theorem for temporal average of backward Euler--Maruyama method

本文针对具有超线性增长漂移系数的随机微分方程，利用向后欧拉 - 马尤拉方法的强收敛性及其与原方程的偏差关系，建立了其时间平均的中心极限定理，并通过数值实验验证了理论结果。

要点

这篇论文主要研究的是如何用计算机模拟随机系统（比如受随机因素影响的物理、生物或金融系统）的长期平均行为，并证明这种模拟结果在统计学上是可靠且符合“正态分布”规律的。

为了让你更容易理解，我们可以把这篇论文的内容想象成**“在暴风雨中测量平均水位”**的故事。

1. 故事背景：暴风雨中的水位（随机微分方程）

想象你站在海边，想要知道海水的长期平均水位是多少。

• 现实情况：海浪（随机噪声）一直在拍打，水位忽高忽低，而且有时候风浪特别大，水位会剧烈波动（这就是论文中提到的“漂移系数超线性增长”，意味着系统可能变得非常不稳定，像失控的过山车）。
• 目标：我们需要算出这个长期的平均水位（数学上叫“遍历极限”或“不变测度”）。
• 困难：因为海浪太复杂，我们很难用笔算出精确的公式。所以，科学家通常用计算机模拟（数值方法）来一步步推算。

2. 工具：后向欧拉 - 马鲁雅玛方法（BEM）

为了模拟水位变化，科学家使用了一种叫**“后向欧拉 - 马鲁雅玛方法”（BEM）**的算法。

• 比喻：这就好比一个非常聪明的**“防滑登山靴”**。普通的登山靴（普通算法）在陡峭、湿滑的山坡（超线性增长的系数）上容易打滑摔倒（计算发散）。但 BEM 方法就像穿了防滑靴，即使山再陡、风浪再大，它也能稳稳地一步步往上爬，保证模拟不会崩盘。
• 论文的贡献：之前的研究大多只证明了这种“防滑靴”能算出平均水位（收敛性），但这篇论文要回答更深层的问题：如果我们用这个靴子走了很久，算出来的平均水位，它的波动规律长什么样？

3. 核心发现：中心极限定理（CLT）—— 波动也是有规律的

论文的核心是证明了中心极限定理（CLT）。

• 通俗解释：
  假设你让 100 个不同的人，穿着同样的“防滑靴”，在同样的暴风雨中走同样的时间，然后每个人算出一个“平均水位”。
  • 这 100 个结果不会完全一样，会有高有低。
  • CLT 告诉我们：这 100 个结果的分布形状，会非常完美地形成一个**“钟形曲线”（正态分布）**。
  • 这意味着，虽然每次模拟都有随机误差，但这些误差不是乱来的，而是有章可循的。我们可以预测：95% 的情况下，模拟结果会落在某个范围内。

4. 两种不同的“走路速度”（证明策略）

论文发现，根据我们观察的时间尺度不同，证明这个“钟形曲线”的方法也不一样。作者把时间尺度分成了两类：

• 情况 A：走得比较慢（偏差阶数较小，$\alpha \in (1, 2)$）

  • 比喻：就像你只是稍微偏离了标准路线一点点。
  • 方法：因为偏离不大，我们可以直接利用原始海浪的规律（原始方程的中心极限定理）加上“防滑靴”的稳定性，直接推导出结果。这就像顺水推舟，比较直接。

• 情况 B：走得很快，偏离很大（偏差阶数等于最优强阶，$\alpha = 2$）

  • 比喻：这时候你偏离标准路线很远，普通的推导方法不管用了。
  • 方法：作者引入了一把**“魔法钥匙”——泊松方程（Poisson Equation）**。
  • 原理：这把钥匙能把复杂的“总误差”拆解成两部分：
    1. 主要部分：像一串珍珠项链（鞅差序列），每一颗珍珠（每一步的误差）都是独立的，加起来自然形成了完美的钟形曲线。
    2. 次要部分：像掉在地上的灰尘，虽然存在，但随着时间推移，它们微不足道，可以忽略不计。
  • 通过这种拆解，作者成功证明了即使在大步快跑的情况下，结果依然服从正态分布。

5. 为什么这很重要？（实际应用）

• 以前：大家只知道 BEM 方法能算出平均值，但不知道算出来的结果有多“准”，也不知道误差的分布规律。
• 现在：这篇论文告诉我们，只要用 BEM 方法，算出来的平均值不仅是对的，而且它的误差分布是标准的正态分布。
• 意义：这让工程师和科学家在计算长期平均效应（比如计算长期气候平均温度、长期药物在体内的平均浓度、长期金融资产的期望回报）时，可以自信地给出置信区间。比如：“我们有 95% 的把握，真实平均值在 10 到 12 之间”。

6. 总结

这篇论文就像是在告诉我们要**“在混乱中寻找秩序”：
即使面对的是极度不稳定、甚至可能失控的随机系统**（超线性漂移），只要我们穿上**“防滑靴”（BEM 方法），经过足够长的时间，我们不仅能算出长期的平均值**，还能精准地描绘出结果的波动规律（正态分布）。

作者还通过计算机实验（数值实验）验证了这些理论，就像在暴风雨中实际测量了水位，发现数据确实完美地落在了预测的“钟形曲线”上。这为处理现实世界中那些复杂的、非线性的随机问题提供了坚实的理论基础。

技术摘要

这是一份关于论文《CENTRAL LIMIT THEOREM FOR TEMPORAL AVERAGE OF BACKWARD EULER–MARUYAMA METHOD》（向后 Euler-Maruyama 方法时间平均的中心极限定理）的详细技术总结。

1. 研究背景与问题 (Problem)

• 背景：遍历理论（Ergodic theory）是研究随机系统长期动力学和统计性质的有力工具。对于随机常微分方程（SODEs），确定其遍历测度（invariant measure）和遍历极限（ergodic limit）至关重要。由于解析解通常不可得，数值方法被广泛用于近似这些量。
• 现有局限：
  • 现有的数值方法研究主要集中在数值不变测度与真实不变测度之间的误差，以及数值时间平均与遍历极限之间的矩收敛（moment convergence）。
  • 关于数值时间平均的分布渐近性（即中心极限定理，CLT），现有文献（如 [15, 18]）通常假设原方程的系数满足Lipschitz 连续条件。
  • 然而，许多实际物理、生物和化学模型中的漂移系数（drift coefficient）具有超线性增长（super-linearly growing）特性，不满足 Lipschitz 条件。
• 核心问题：针对具有超线性增长漂移系数的 SODEs，向后 Euler-Maruyama (BEM) 方法生成的数值解的时间平均是否满足中心极限定理？如果满足，其渐近分布是什么？

2. 研究方法与模型 (Methodology & Model)

• 研究对象：
  考虑如下形式的 SODE：
  $$dX(t) = b(X(t))dt + \sigma(X(t))dW(t), \quad t > 0$$
  其中 $b: \mathbb{R}^d \to \mathbb{R}^d$ 允许超线性增长，$\sigma$ 满足 Lipschitz 条件。假设满足耗散条件以保证方程存在唯一强解且具有唯一遍历测度 $\pi$。

• 数值格式：
  采用向后 Euler-Maruyama (BEM) 方法进行离散化：
  $$\bar{X}_{n+1} = \bar{X}_n + b(\bar{X}_{n+1})\tau + \sigma(\bar{X}_n)\Delta W_n$$
  其中 $\tau$ 为步长。

• 时间平均定义：
  定义数值时间平均为：
  $$\Pi_{\tau, \alpha}(h) = \frac{1}{\tau^{-\alpha}} \sum_{k=0}^{\tau^{-\alpha}-1} h(\bar{X}_k)$$
  其中 $\alpha \in (1, 2]$，$h$ 为测试函数。

• 证明策略：
  论文根据偏差阶数（deviation order）$\frac{\alpha-1}{2}$ 与最优强收敛阶 $\frac{1}{2}$ 的关系，分两种情况讨论：

  1. 情形 $\alpha \in (1, 2)$：此时偏差阶 $\frac{\alpha-1}{2} < \frac{1}{2}$。
     • 方法：直接利用原方程 $X(t)$ 的 CLT 结果，结合 BEM 方法在无限时间 horizon 上的最优强收敛阶（$O(\tau)$ 的均方误差），通过 Slutsky 定理推导数值解的 CLT。
  2. 情形 $\alpha = 2$：此时偏差阶 $\frac{\alpha-1}{2} = \frac{1}{2}$，上述直接方法失效。
     • 方法：引入Poisson 方程 $L\phi = h - \pi(h)$（其中 $L$ 为原方程的生成元）。
     • 利用 Poisson 方程的解 $\phi$ 将归一化的时间平均分解为鞅差序列和（martingale difference series）和一个可忽略的余项。
     • 证明鞅差部分收敛于正态分布，余项依概率收敛于 0。
     • 关键技术难点：为了处理 $\alpha=2$ 的情况，必须证明 BEM 方法在无限时间 horizon 下具有$p$ 阶矩有界性（$p > 2$）。这是本文的一个核心创新点，因为对于非 Lipschitz 系数的 SODEs，此前尚未有相关报道。

3. 主要贡献 (Key Contributions)

1. 扩展了 CLT 的适用范围：
   首次证明了具有超线性增长漂移系数的 SODEs，其 BEM 方法数值时间平均满足中心极限定理。这推广了现有仅适用于 Lipschitz 系数系统的结果。

2. 建立了 BEM 方法的 $p$ 阶矩有界性：
   证明了在无限时间 horizon 下，BEM 方法的数值解 $\bar{X}_n$ 对于任意 $p \ge 1$ 均满足 $E|\bar{X}_n|^p \le K(1+|x|^p)$。这一性质是证明 $\alpha=2$ 时 CLT 成立的关键前提。

3. 区分了不同偏差阶的证明策略：

   • 对于 $\alpha \in (1, 2)$，利用强收敛阶优势直接推导。
   • 对于 $\alpha = 2$，利用 Poisson 方程和鞅论技巧进行精细分解。

4. 给出了渐近方差的具体形式：
   证明了归一化后的时间平均收敛于正态分布 $N(0, \pi(|\sigma^\top \nabla \phi|^2))$，其中 $\phi$ 是 Poisson 方程的解。

4. 主要结果 (Results)

• 定理 3.2 ($\alpha \in (1, 2)$)：
  若假设成立且 $h \in C_b^4(\mathbb{R}^d)$，则当 $\tau \to 0$ 时：
  $$\frac{1}{\tau^{\frac{\alpha-1}{2}}} \left( \Pi_{\tau, \alpha}(h) - \pi(h) \right) \xrightarrow{d} N(0, \pi(|\sigma^\top \nabla \phi|^2))$$
  此结果不仅适用于 BEM，也适用于一类具有统一强收敛阶 $1/2$ 的数值方法。

• 定理 3.4 ($\alpha = 2$)：
  若假设成立且 $h \in C_b^4(\mathbb{R}^d)$，则当 $\tau \to 0$ 时：
  $$\frac{1}{\sqrt{\tau}} \left( \Pi_{\tau, 2}(h) - \pi(h) \right) \xrightarrow{d} N(0, \pi(|\sigma^\top \nabla \phi|^2))$$
  该证明依赖于 Poisson 方程解的正则性以及 BEM 方法的 $p$ 阶矩有界性。

• 数值实验验证：
  通过两个算例（一个 Lipschitz 扩散系数，一个非 Lipschitz 扩散系数）验证了理论结果。

  • 实验显示，随着步长 $\tau$ 减小，统计量 $E[f(Z_{\tau, \alpha})]$ 趋于常数，验证了 CLT 的成立。
  • 特别地，对于非 Lipschitz 系数的 SODEs，数值结果也支持 CLT 的有效性。

5. 意义与展望 (Significance & Future)

• 理论意义：填补了非 Lipschitz 系数 SODEs 数值方法在遍历极限分布性质方面的理论空白。证明了即使漂移系数超线性增长，隐式格式（如 BEM）仍能保持良好的统计性质。
• 应用价值：为涉及超线性增长项的实际随机模型（如金融、生物动力学模型）提供了可靠的误差估计和置信区间构建的理论基础。
• 未来方向：
  • 放宽对测试函数 $h$ 的限制（允许 $h$ 无界但具有多项式增长）。
  • 研究当扩散系数 $\sigma$ 无界但全局 Lipschitz 时，如何降低耗散参数 $c_1$ 的要求以证明 $p$ 阶矩有界性。
  • 探索更小耗散参数下 BEM 方法的矩有界性证明。

总结：该论文通过严谨的数学推导和数值验证，确立了向后 Euler-Maruyama 方法在处理非 Lipschitz 系数随机微分方程时，其时间平均量的中心极限定理，特别是解决了 $\alpha=2$ 这一临界情况下的证明难题，具有重要的理论价值和实际应用前景。