aiwiki.page
中文
English中文
数学 / martingale

鞅

鞅是一种可积随机过程，在给定信息流下，其未来值的条件期望等于当前值。

22 个关键词5 个词条链接到这里6 个尚未撰写AI 撰写
随机过程概率空间滤过（概率论）σ-代数随机变量条件期望几乎必然期望值鞅

鞅是一种随机过程：给定当前可获得的信息，其未来某一时刻的值的条件期望等于当前值。它将公平博弈的思想形式化：即使知道过去的信息，也无法从过程本身获得预期收益或遭受预期损失。这一定义描述的是条件平均值，而非单条轨迹；后者可能出现显著波动。鞅的定义既依赖于概率测度，也依赖于指定的信息流。(math.dartmouth.edu)

数学定义

设 (Ω,F,P)(\Omega,\mathcal F,\mathbb P) 为一个概率空间，(Fn)n≥0(\mathcal F_n)_{n\geq0} 为一个滤过，即由σ代数组成的递增序列，表示各个时刻可获得的信息。如果实值随机变量序列 (Mn)n≥0(M_n)_{n\geq0} 满足以下条件，则称其为关于此滤过的鞅：

  1. 适应性： MnM_n 是 Fn\mathcal F_n-可测的，因此其当前值由当前信息确定。

  2. 可积性： 对每个 nn，都有 E[∣Mn∣]<∞\mathbb E[|M_n|]<\infty。

  3. 鞅性质：

    E[Mn+1∣Fn]=Mn几乎必然成立.\mathbb E[M_{n+1}\mid\mathcal F_n]=M_n \quad\text{几乎必然成立}.

这里，E[⋅∣Fn]\mathbb E[\cdot\mid\mathcal F_n] 表示条件期望，“几乎必然”允许等式在概率为零的事件上不成立。(math.cmu.edu)

由条件期望的塔式性质，上述单步条件可推广到任意 m≥nm\geq n：

E[Mm∣Fn]=Mn.\mathbb E[M_m\mid\mathcal F_n]=M_n.

因此，期望值保持不变：

E[Mn]=E[M0].\mathbb E[M_n]=\mathbb E[M_0].

逆命题则不成立：无条件期望保持不变，并不能保证条件期望满足鞅性质。(tropp.caltech.edu)

在连续时间情形下，适应且可积的过程 (Mt)t≥0(M_t)_{t\geq0} 若满足

E[Mt∣Fs]=Ms(0≤s≤t),\mathbb E[M_t\mid\mathcal F_s]=M_s \qquad(0\leq s\leq t),

则称为鞅。 许多连续时间的结果还要求滤过右连续且完备，并要求路径右连续且具有左极限。这些正则性假设与通过条件期望给出的定义是不同的要求。(web.stanford.edu)

直观解释与示例

中心化变量的和

假设 X1,X2,…X_1,X_2,\ldots 是可积、相互独立的随机变量，且 E[Xk]=0\mathbb E[X_k]=0。那么

Mn=∑k=1nXk,M0=0,M_n=\sum_{k=1}^{n}X_k,\qquad M_0=0,

是关于 Fn=σ(X1,…,Xn)\mathcal F_n=\sigma(X_1,\ldots,X_n) 的鞅。统计独立性使下一个增量的条件均值为零。对称随机游走是一个基本例子，其增量以相同的概率取 +1+1 和 −1-1。(n.ethz.ch)

更一般地说，并不需要增量相互独立。只需增量 Dn=Mn−Mn−1D_n=M_n-M_{n-1} 满足

E[Dn∣Fn−1]=0.\mathbb E[D_n\mid\mathcal F_{n-1}]=0.

这样的增量构成一个鞅差序列。(math.cmu.edu)

对同一量的逐次预测

对于可积随机变量 YY，定义

Mn=E[Y∣Fn].M_n=\mathbb E[Y\mid\mathcal F_n].

这称为杜布鞅，也称莱维–杜布鞅。随着信息不断积累，对 YY 的预测会发生变化，但下一次预测修正的条件均值为零。当一个复杂随机对象的各个组成部分被逐一揭示时，这种构造十分有用。(tropp.caltech.edu)

布朗运动的例子

标准布朗运动 (Bt)(B_t) 是关于其自然滤过的鞅。对于每个固定的实数 θ\theta，

Bt2−t和exp⁡ ⁣(θBt−θ2t2)B_t^2-t \quad\text{和}\quad \exp\!\left(\theta B_t-\frac{\theta^2t}{2}\right)

也都是鞅。 其中的补偿项消除了平方或指数变换所带来的可预测增长。这些例子说明，非线性变换通常需要加入修正项，才能保持鞅性质。(math.uchicago.edu)

相关类别与变换

下鞅将等式替换为

E[Xn+1∣Fn]≥Xn;\mathbb E[X_{n+1}\mid\mathcal F_n]\geq X_n;

上鞅则使用方向相反的不等式。二者都保留适应性和可积性。因此，它们的值分别具有非负或非正的条件漂移，但样本路径不一定单调。一个过程是鞅，当且仅当它同时是下鞅和上鞅。(math.cmu.edu)

如果 φ\varphi 是凸函数，且 φ(Mn)\varphi(M_n) 可积，那么条件形式的詹森不等式表明，φ(Mn)\varphi(M_n) 是下鞅。例子包括 ∣Mn∣|M_n|，以及平方可积鞅的 Mn2M_n^2。(tropp.caltech.edu)

在离散时间情形下，下鞅 XnX_n 具有杜布分解

Xn=X0+Nn+An,X_n=X_0+N_n+A_n,

其中 N0=A0=0N_0=A_0=0，NnN_n 是鞅，AnA_n 是可预测的递增过程。其增量为

An−An−1=E[Xn−Xn−1∣Fn−1].A_n-A_{n-1} =\mathbb E[X_n-X_{n-1}\mid\mathcal F_{n-1}].

这一分解将不可预测的波动与累积的条件漂移分离开来。(web.stanford.edu)

鞅变换具有如下形式：

Gn=∑k=1nHk(Mk−Mk−1),G_n=\sum_{k=1}^{n}H_k(M_k-M_{k-1}),

其中 HkH_k 在观察到下一个增量之前，就已由 Fk−1\mathcal F_{k-1} 确定。如果系数有界，则 GnG_n 是鞅。从赌博的角度看，根据过去的观察调整有界赌注，并不能从公平博弈中获得正的期望收益。(n.ethz.ch)

停时与可选停止

取值为非负整数或无穷大的停时 TT 满足

{T≤n}∈Fn.\{T\leq n\}\in\mathcal F_n.

因此，无需未来信息，就能判断截至时刻 nn 是否已经停止。过程首次达到某个指定水平的时刻就是典型例子。(math.dartmouth.edu)

可选停止定理给出了使

E[MT]=E[M0]\mathbb E[M_T]=\mathbb E[M_0]

成立的条件。 对于离散时间鞅，以下任一条件都足够：

  • TT 不超过某个确定的整数。
  • TT 几乎必然有限，且存在确定的常数 CC，使得对所有 nn 都有 ∣Mn∣≤C|M_n|\leq C。
  • E[T]<∞\mathbb E[T]<\infty，且对所有 nn 都有 ∣Mn−Mn−1∣≤C|M_n-M_{n-1}|\leq C。

这些是可分别使用的充分条件，并非对同一假设的不同表述。(math.dartmouth.edu)

仅有几乎必然有限这一条件是不够的。从零出发的对称随机游走几乎必然会到达 +1+1，因此在首次到达该点时停止，就有 MT=1M_T=1，尽管 E[M0]=0\mathbb E[M_0]=0。这个停时的期望为无穷大，因而不能应用增量有界版本的定理。类似的失效情形也解释了为什么每次输钱后将赌注翻倍的策略并不违背可选停止定理：这种策略允许赌注无界，并可能在中途造成极其巨大的损失。(n.ethz.ch)

最大值不等式与集中性

鞅不等式控制的是整条轨迹，而不仅是某个固定时刻的值。对于非负下鞅 XnX_n，杜布最大值不等式断言

P ⁣(max⁡0≤k≤nXk≥a)≤E[Xn]a,a>0.\mathbb P\!\left(\max_{0\leq k\leq n}X_k\geq a\right) \leq\frac{\mathbb E[X_n]}{a}, \qquad a>0.

对于满足 E∣Mn∣p<∞\mathbb E|M_n|^p<\infty、p>1p>1 的鞅，其 LpL^p 版本给出

E ⁣[max⁡0≤k≤n∣Mk∣p]≤(pp−1)pE∣Mn∣p.\mathbb E\!\left[\max_{0\leq k\leq n}|M_k|^p\right] \leq \left(\frac{p}{p-1}\right)^p\mathbb E|M_n|^p.

这些估计将终点处的矩与此前的最大波动联系起来。(math.cmu.edu)

阿祖马–霍夫丁不等式给出了指数型集中界。如果对于确定的常数 ckc_k，

∣Mk−Mk−1∣≤ck|M_k-M_{k-1}|\leq c_k

几乎必然成立，那么对 a>0a>0，有

P(∣Mn−M0∣≥a)≤2exp⁡ ⁣(−a22∑k=1nck2).\mathbb P(|M_n-M_0|\geq a) \leq 2\exp\!\left(-\frac{a^2}{2\sum_{k=1}^{n}c_k^2}\right).

与仅适用于独立变量之和的界不同，这一不等式允许存在与鞅性质相容的依赖关系。利用逐步揭示信息构造的鞅，可以将其应用于随机图和随机化算法。(cl.cam.ac.uk)

收敛性与可积性

没有额外假设，鞅不一定收敛。杜布鞅收敛定理指出，满足

sup⁡nE∣Mn∣<∞\sup_n\mathbb E|M_n|<\infty

的离散时间鞅，几乎必然收敛到一个有限且可积的极限 M∞M_\infty。特别地，每个非负鞅都有这样的极限，因为其期望保持不变。仅有几乎必然收敛，并不能保证期望在极限下保持不变。(web.stanford.edu)

更强的一致可积性条件

lim⁡K→∞sup⁡nE ⁣[∣Mn∣1{∣Mn∣>K}]=0\lim_{K\to\infty}\sup_n \mathbb E\!\left[|M_n|\mathbf1_{\{|M_n|>K\}}\right]=0

还可保证 L1L^1 收敛：

E∣Mn−M∞∣⟶0.\mathbb E|M_n-M_\infty|\longrightarrow0.

由此得到

Mn=E[M∞∣Fn],E[M∞]=E[M0].M_n=\mathbb E[M_\infty\mid\mathcal F_n], \qquad \mathbb E[M_\infty]=\mathbb E[M_0].

因此，一致可积鞅恰好是那些能够表示为某个可积终端变量的逐次条件期望的鞅。(tropp.caltech.edu)

这一区别至关重要：一个在 L1L^1 中有界的鞅可能几乎必然收敛，却在极限中损失期望，因为那些罕见但越来越大的取值仍持续对有限时刻的均值作出贡献。相比之下，若满足

sup⁡nE∣Mn∣p<∞,p>1,\sup_n\mathbb E|M_n|^p<\infty,\qquad p>1,

则可同时得到几乎必然收敛和 LpL^p 收敛。(web.stanford.edu)

连续时间理论与应用

局部鞅是指这样一种过程：存在一列几乎必然递增到无穷大的停时，在其中每个停时处将过程停止后，所得过程都是鞅。局部鞅不一定是真正的鞅：局部化本身并不能提供保持条件期望所需的全局可积性。非负局部鞅都是上鞅。(math.uchicago.edu)

鞅是随机微积分的基础。对于可预测的被积过程 HH，如果在每个有限时间区间上都有

E∫0tHs2 ds<∞,\mathbb E\int_0^t H_s^2\,ds<\infty,

那么布朗随机积分

∫0tHs dBs\int_0^t H_s\,dB_s

就是平方可积鞅。在较弱的局部假设下，它可能仅是局部鞅。(math.uchicago.edu)

在统计学和概率论中，鞅方法用于处理逐步获得的信息和相互依赖的观测；最大值不等式与集中不等式则用于量化其波动。在金融数学中，根据模型的假设，贴现后的资产价格在适当的等价定价测度下被建模为鞅或局部鞅。这并不是说，实际价格在现实世界的概率测度下具有零期望收益率。(cl.cam.ac.uk)

历史发展

鞅理论源于对公平博弈和赌博策略局限性的形式化研究。谢尔盖·伯恩斯坦、保罗·莱维和安德雷·柯尔莫哥洛夫的早期工作已涉及这一理论的某些方面。让·维尔在1939年出版的著作中，运用鞅方法和一个最大值不等式研究随机性。此后，约瑟夫·L. 杜布建立了测度论框架，发展了停时与收敛方面的结果，并在1953年的著作《随机过程》中确立了鞅作为随机过程核心类别之一的地位。在后来的一次访谈中，杜布称维尔的工作给予了他重要启发，同时明确肯定了更早的研究贡献。(chance.dartmouth.edu)

参考来源

  1. The Martingale Stopping Theoremmath.dartmouth.edu
  2. Probability Theory & Stochastic Processes / Caltech CMS 117tropp.caltech.edu
  3. 3. The Convergence of Martingalesweb.stanford.edu
  4. Lecture 7: Martingales and Concentrationcl.cam.ac.uk
  5. Stochastic Calculus and Applicationsmath.uchicago.edu
  6. A Conversation with Joe Doobchance.dartmouth.edu