Marek Beka, Caka Stochastyczna, wykad 5

5
5.1

73

Martyngay cakowane z kwadratem i caka stochastyczna

Przestrze M2

Okrelamy przestrze M2 jako przestrze wszystkich cadlag martyngaw M takich, e

sup E[Mt2 ] < +.
t0

Elementy tej przestrzeni nazywa bdziemy martyngaami cakowalnymi z kwadratem.

Dodatkowo zakadamy, e elementy M2 speniaj dodatkowy warunek M0 = 0. Nie jest
to istotne ograniczenie, bo zawsze moemy rozwaa N = M M0 , ale niektre wzory
s prostsze. Okrelamy przez M2loc przestrze wszystkich procesw dla ktrych istnieje co
najmniej jeden cig lokalizacyjny {Tn }nN czasw zatrzymania taki, e M Tn M2 dla
kadego n IN.
Zauwaamy, e ruch Browna B nie jest martyngaem cakowalnym z kwadratem, bo
sup E[Bt2 ] = +,
ale B M2loc .
Lemat 5.1 Zachodzi zawieranie M2 M oraz istnieje granica limt Mt = M , P -p.w.
i w normie L2 . Ponadto Mt = E[M | Ft ].
Dowd. Wynika z twierdzenia 4.8 (3) (nierwno Dooba dla caek) dla p = 2.

Lemat 5.2 Jeli M M2 to dla kadego czasu zatrzymania T mamy

E[M | FT ] = MT
Dowd. Wynika z lematu 5.1 i z oglnego twierdzenia o stopowaniu.

Lemat 5.3 Jeli M M2 to M 2 jest submartyngaem na [0, +]. Ponadto dla kadego
czasu zatrzymania T zachodzi nierwno
2
E[M
| FT ] MT2

Dowd. Z nierwnoci Jensena dostajemy, e M 2 jest submartyngaem. Z lematu 5.1 i

jeszcze raz z nierwnoci Jensena dostajemy
2
E[M
| Ft ] (E[M | Ft ])2 = Mt2 .

Stosujc teraz oglne twierdzenie o stopowaniu otrzymujemy tez.

2

74

Marek Beka, Caka Stochastyczna, wykad 5

Lemat 5.4 Kady nieujemny submartynga X = {Xt }t0 , ktry jest zbieny w L1 naley
do klasy D.
Dowd. Ze zbienoci w L1 otrzymujemy, e X jest submartyngaem na [0, +] Std i z
oglnego twierdzenia o stopowaniu dla dowolnego czasu zatrzymania T mamy
Z
Z
Z
X dP.
X dP
XT dP
{suptR+ Xt >}

{XT >}

{XT >}

Z twierdzenia 4.8 (1) mamy

P { sup Xt > }
tR+

1
EX 0,

gdy

.
2

Twierdzenie 5.5 Jeli M M2 to M 2 D.

Dowd. Z lematu 5.3 dla dowolnego czasu zatrzymania T mamy nierwno
2
E[M
| FT ] MT2 .
2 | F ]}
Poniewa rodzina {E[M
T T jest jednostajnie cakowalna (zad. na w.), wic z
powyszej nierwnoci rodzina {MT2 }T te jest jednostajnie cakowalna.

2
Lemat 5.6 Jeli M M2 to istnieje jedyny prognozowalny rosncy proces hM, M i A+
taki, e
M 2 hM, M i M.
Dowd. Zastosujemy rozkad Dooba-Meyera do supermartyngau M 2 ; istnieje jedyny
element A A+ taki, e M 2 + A M wic rwnie dostajemy M 2 A M. Okrelamy
hM, M i := A.
2
Lemat 5.7 Jeli X M2loc to istnieje jedyny prognozowalny rosncy proces hX, Xi A+
loc
taki, e
X 2 hX, Xi Mloc .
Dowd. Niech {Tn } bdzie lokalizacyjnym cigiem czasw zatrzymania dla X tj. X Tn
M2 . Z poprzedniego lematu wynika istnienie dla kadego n IN jedynego prognozowalnego
procesu hX Tn , X Tn i A+ tj.
M n := X Tn

2

hX Tn , X Tn i M.

75

Marek Beka, Caka Stochastyczna, wykad 5

T
Niech m n. Wtedy Tm Tn , wic X Tn m = X Tm . Zatem

2
(M n )Tm = X Tm hX Tn , X Tn iTm M.
Z drugiej strony
M m = X Tm

2

hX Tm , X Tm i M.

Z jednoznacznoci rozkadu Dooba-Meyera mamy

hX Tn , X Tn iTm = hX Tm , X Tm i oraz

(5.1)

Mn

Tm

= M m.

Poniewa Tn to moemy okreli procesy hX, Xi i M jak nastpuje: Dla kadego

i t 0 istnieje n IN takie, e t Tn (). Okrelamy
Mt () := Mtn (),

hX, Xit () := hX Tn , X Tn it ().

Zauwamy, e M Mloc oraz hX, Xi Aloc i hX, Xi jest procesem prognozowalnym, bo

hX, Xi =

hX Tn , X Tn iI]]Tn1 ,Tn ]] ,

T0 0.

n=1

M2

M2

2
hM, M i M. Poniewa w definicji M2

Uwaga. Jeli M
to jak wiadomo
zaoylimy, e M0 = 0, wic dla t 0 mamy








0 = E M02 hM, M i0 = E Mt2 hM, M it = E Mt2 E hM, M it ,
zatem




 2


E Mt2 = E hM, M it oraz E M
= E hM, M i

2
Niech X, Y

M2

okrelmy nawias hX, Y i jako


1
hX, Y i :=
hX + Y, X + Y i hX Y, X Y i
4

Zauwamy, e hX, Y i jest prognozowalny, hX, Y i A oraz

XY hX, Y i M
bo z definicji
(X + Y )2 hX + Y, X + Y i M,

(X Y )2 hX Y, X Y i M,

zatem


1
hX + Y, X + Y i hX Y, X Y i M
4
W analogiczny sposb moemy okreli hX, Y i dla X, Y M2loc wtedy
XY

hX, Y i Aloc

oraz XY hX, Y i Mloc .

Podamy teraz pewne wasnoci okrelonych nawiasw

76

Marek Beka, Caka Stochastyczna, wykad 5

Lemat 5.8 Niech M, N, Mi , Ni M2 , i = 1, 2.
(i) Jeli dla kadego t 0 hM, M it = 0 to M = 0.
(ii) Jeli M M2loc i EhM, M i < to M M2 .
(iii) Z jednoznacznoci rozkadu Dooba-Meyera dostajemy
hM1 + N1 , M2 + N2 i = hM1 , M2 i + hM1 , N2 i + hN1 , M2 i + hN1 , N2 i,
hM, N i = hM, N i = hM, N i = hM, N i,
hM, N i = hN, M i
Dowd. (i) Z uwagi po lemacie 5.7 wynika, e
E(Mt2 ) = EhM, M it = 0,

t 0.

Std Mt = 0, P - p.w. Poniewa M jest cadlag, wic M jest nieodrnialny od zera

(twierdzenie 1.19).
(ii) Niech n 1. Poniewa M Tn+1 M, wic
MtTn+1 = E(MTn+1 | Ft ),

(5.2)

t 0.

Z oglnego twierdzenia o stopowaniu (twierdzenie 4.15) dostajemy

MTn = E(MTn+1 | FTn ).
Zatem (MTn , FTn )n1 jest dyskretnym martyngaem. Pokaemy, e jest on martyngaem
calkowalnym z kwadratem. Z uwagi po lemacie 5.7 i z konstrukcji hM, M i (patrz dowd
lematu 5.7) mamy
Tn 2
sup E(MT2n ) = sup E(M
) = sup EhM Tn , M Tn i = sup sup EhM Tn , M Tn it =
n1

n1

n1 t0

n1

sup sup EhM Tn , M Tn it = sup sup EhM, M iTt n = sup EhM, M it = EhM, M i < .
t0 n1

t0 n1

t0

Oznaczmy M = limn MTn . Z lematu 5.1 granica ta istnieje P - pw.w oraz w L2 (, P ).

Przechodzc w (5.2) z n otrzymujemy Mt = E(M | Ft ), t 1. Z lematu Fatou dla
dowolnego t 0 mamy
2
E(Mt2 ) lim inf E(MtT
) = lim inf E((M Tn )2t )
n
n

lim inf E((M Tn )2 ) = lim inf E(MT2n ) EhM, M i < .

n

Std M

M2 .

Dowd (iii) jest oczywisty.

2

77

Marek Beka, Caka Stochastyczna, wykad 5

Lemat 5.9 Niech , , bd cad funkcjami z [0, ) w IR o wasnociach: (0) = (0) =

(0) = 0, ma skoczone wahanie, a i s niemalejce. Niech
 Z
Z
1  Z
1
2
2


d
d
(5.3)
d ,
s < t.

(s, t]

(s, t]

(s, t]

Wtedy dla dowolnych mierzalnych (borelowskich) funkcji mamy

Z
1  Z
1
Z
2
2
2
|f | d
|g|2 d ,
|f g|dV ()
(5.4)
(s, t]

(s, t]

s < t.

(s, t]

Dowd. Z definicji wariancji V , z (5.3) i z nierwnoci Schwarza dla sum dostajemy

Z
1  Z
Z
1
2
2
d
dV ()
d ,
s < t.
(s, t]

(s, t]

(s, t]

Oznaczmy rodzin
Z
n
G = A B(IR) :

Z

IA dV ()

(s, t]

IA d

1  Z
2

IA d

Jeli Ai G, 1 S
i n, n 1 oraz Ai Aj = , i 6= j, to
oznaczmy B = ni=1 Ai . Z nierwnoci Schwarza otrzymujemy
IB dV () =
(s, t]

n Z
X

IAi dV ()

n Z
X

(s, t]

i=1

Z

IB d

(s, t]

o
, s<t

IAi d

IB d

1
2

G. Rzeczywicie,

i=1 Ai

1  Z
2

(s, t]

i=1

1  Z

(s, t]

(s, t]

Sn

1

IAi d

1
2

(s, t]

s < t.

(s, t]

Poniewa przedziay (s, t], (s ) G i G jest zamknita na skoczone rozczne sumy,

to G zawiera algebr generowan przez przedziay (s, t], (s ) (jej elementy to skoczone
rozczne sumy takich przedziaw). atwo sprawdzi, e G jest klas monotoniczn. Zatem G zawiera -algebr generowan przez t algebr. Z drugiej strony wiadomo, e t
- algebr jest - algebra zbiorw borelowskich na prostej. Zatem nierwno (5.4) jest
prawdziwa dla indykatorw zbiorow borelowskich. Zatem nierwno
Pn ta zachodzi rwnie
dla nieujemnych borelowskich funkcji prostych, bo gdy f =
i=1 ai IAi , gdzie ai 0,
i = 1, . . . , n oraz {Ai }1in jest mierzalnym rozbiciem IR i B B(IR), to dla s < t mamy
Z
f IB dV () =
(s, t]

n
X

Z
IAi IB dV ()

ai
(s, t]

i=1

Z

n
X

(s, t] i=1

a2i IAi IB

1  Z
2

n
X

ai

(s, t] i=1

IAi IB d

1
2

IAi IB d

1  Z
2

(s, t]

i=1
n
X

Z

Z

IAi IB d

1
2

(s, t]
n
X

(s, t] i=1

a2i IAi

1  Z
2

(s, t]

IB d

1
2

78

Marek Beka, Caka Stochastyczna, wykad 5

n
X

Z
(s, t]

ai IAi

2

1  Z
2

IB d

1
2

(s, t]

i=1

Z

f 2 d

1  Z
2

(s, t]

IB d

1
2

(s, t]

Jesli teraz f jest funkcja borelowsk to |f | moemy przyblia niemalejcym cigiem nieujemnych funkcji prostych. Korzystajc teraz z twierdzenia Beppo-Levi dostajemy dla
dowolnego B B(IR) i dla s < t
Z
1  Z
Z
1
2
2
|f |2 d
|f |IB dV ()
IB d .
(s, t]

(s, t]

(s, t]

Pm

Jesli teraz f jest ustalon funkcj borelowska oraz g =

j=1 bj IBj , gdzie bj 0, i =
1, . . . , m, {Bj }1jm jest mierzalnym rozbiciem IR, to powtarzajc przeprowadzone powyej rozumowanie otrzymujemy
Z
1  Z
Z
1
2
2
2
2
|f | d
|f | g dV ()
g d ,
s < t.
(s, t]

(s, t]

(s, t]

Std jeli teraz g jest funkcj borelowsk, to przybliajc |g| niemalejcym cigiem nieujemnych funkcji prostych i stosujc znowu twierdzenie Beppo-Levi dostajemy tez.
2
Twierdzenie 5.10 (Nierwno Kunity-Watanabe) Niech H i G bd procesami mierzalnymi i niech M, N M2loc . Zachodz nastpujce nierwnoci



1

1
Vt hM, N i hM, M it 2 hN, N it 2 ,

|Gs ||Hs | dVs hM, N i

Z

G2s dhM, M is

t 0,

 1 Z
2

Hs2 dhN, N is

1

Dowd. Zauwamy, e pierwsza nierwno jest szczeglnym przypadkiem drugiej nierwnoci, ktr udowodnimy korzystajc z lematu 5.9. Mamy dla u IR
Z
0
dhM + uN, M + uN i = hM + uN, M + uN it hM + uN, M + uN is =
(s, t]

u2 (hN, N it hN, N is ) + 2u (hM, N it hM, N is ) + (hM, M it hM, M is ).

Z wasnoci trjmianu kwadratowego
Z
2
dhM, N i = (hM, N it hM, N is )2 (hN, N it hN, N is )(hM, M it hM, M is )
(s, t]

Z
(s, t]

dhN, N i

 Z


dhM, M i .

(s, t]

Zatem zaoenia lematu 5.9 s spenione. Stosujc go dostajemy tez.

2

79

Marek Beka, Caka Stochastyczna, wykad 5

Lemat 5.11 Niech M, N M2 i niech T bdzie czasem zatrzymania to
hM, M iT = hM T , M T i
hM, N iT = hM T , N T i = hM, N T i = hM T , N i.
Dowd. Mamy M 2 hM, M i M i poniewa gdy X M to X T M, wic
M2

T

hM, M iT = M T

2

hM, M iT M

Z drugiej strony z rozkadu Dooba-Meyera dla M T

MT

2

2

dostajemy

hM T , M T i M

Z jednoznacznoci rozkadu dostajemy

hM, M iT = hM T , M T i.
Z tych samych powodw i z definicji hM, N i mamy hM, N iT = hM T , N T i. Pokaemy, e
hM T , N i = hM T , N T i

tzn.

hM T , N N T i = 0,

co jest rwnowane M T (N N T ) M. Dla dowolnego czasu zatrzymania S mamy

i  h
i h
i 12
h
 T

2
T 2
T
<
E MS (N N )S  E sup |Mt | E sup |N N |t
tR

tR

z twierdznie 4.8(3) oraz z tego, e M T , N N T M2 . Z GST mamy

h
i
h

i
E MT S (NS NT S ) = E MT S E NS NT S |FT S = 0.
Zatem teza wynika z wniosku 4.21.
2
Rozwamy odwzorowanie
: M2 L2 (, F, P ),
X 7 (X) = X .
Odwzorowanie jest bijekcj. Dla Y L2 (, F, P ) okrelamy
1 (Y ) = {Yt }t0
tak, e {Yt }t0 jest cadlag wersj E[Y |Ft ]. Tak wic moemy okreli iloczyn skalarny w
M2 wzorem
(M, N ) := E[M N ].

80

Marek Beka, Caka Stochastyczna, wykad 5

Przetrze M2 z tak okrelonym wyej iloczynem skalarnym jest przestrzeni Hilberta.

Ortogonalno w powyszym iloczynie skalarnym nazywamy sab ortogonalnoci. Dla
kadego M M2 okrelamy M jako
Mt = sup |Ms |.
st

Z nierwnoci Dooba dostajemy od razu

h
i
2
2
2
(5.5)
kM
kL2 = E (M
) 4 sup E[Mt2 ] = 4E[M
] = 4kM k2M2
t0

Nierwno ta daje
Lemat 5.12 Niech {M n } M2 i niech M n M w sensie zbienoci w M2 , to istnieje
podcig {nk }, nk % taki, e


0
P p.w. k .
M nk M

Std

Mtnk

Mt jednostajnie po t.
2

Powyszy lemat implikuje nastpujce wasnoci regularnoci

Jeli M n s ciage to granica limn M n = M w M2 te jest ciga.
Jeli M n ma skoki to M nk () M ().

5.2

Przestrze M2,c i jej wasnoci

Okrelamy przestrze M2,c jako przestrze wszystkich cakowalnych z kwadratem cigych

martyngaw M z M0 = 0.
Lemat 5.13 Przestrze M2,c jest domknita w M2 .
Dowd. Dowd wynika od razu 5.13.

2
Niech M2,d bdzie przestrzeni ortogonaln do M2,c w sensie sabej ortogonalnoci. Std
kady element M M2 mona jednoznacznie przedstawi w postaci
M = M c + M d,

M c M2,c ,

M d M2,d .

Mwimy, e dwa cakowalne z kwadratem martyngay N i M s silnie ortogonalne jeli

N M M.
eby (wniosek 4.21) sprawdzi siln ortogonalno wystarczy pokaza, e dla dowolnego
czasu zatrzymania T zachodzi
h
i
h
i
E |M N |T < + oraz E (M N )T = 0

Marek Beka, Caka Stochastyczna, wykad 5

81

Lemat 5.14 Przestrzenie M2,c i M2,d s silnie ortogonalne.

Dowd. Niech M M2,c i N M2,d . Jak ju wiemy (z nierwnoci (5.5)) wtedy
h
i
h
i
2
2
E (M
) < + oraz E (N
) < +.
Std i z nierwnoci Schwarza mamy
i
h
 
N  < +,
E M
h
i
wic dla dowolnego czasu zatrzymania T mamy E |M N |T < +. Poniewa M T M2,c ,
T N ] = 0. Zatem
wic ze sabej ortogonalnoci M2,c i M2,d mamy E[M

T
0 = E[M
N ] = E[MT N ] = E[E[MT N | FT ]] = E[MT NT ].

2
Uwaga. Zauwamy, e jeli dla M M2,c lub M M2 opucimy zaoenie M0 = 0 to
dla M M2,c i N M2,d otrzymamy warunek
M0 N0 = 0 P p.w.
Faktycznie niech A F0 to IA M M2,c . Podobnie jak w dowodzie lamatu 5.14 otrzymujemy
h
i
E (IA MT )NT = 0
dla kadego czasu zatrzymania T . Jeli weniemy T 0 to E[IA M0 N0 ] = 0 dla kadego
A F0 i std M0 N0 = 0 P -p.w.
Lemat 5.15 Jeli M M2 to proces M jest jednoznacznie okrelony przez swoj ciag
cz M c i przez swoje skoki M , gdzie M0 = 0, Mt = Mt Mt dla t > 0.
Dowd. Jeli dwa cakowane z kwadratem martyngay M i M 0 maja t sam cig cz
i te same skoki to
M M d = M c = M 0c = M 0 M 0d

czyli M M 0 = M d M 0d M2,d .

Poniewa (M M 0 ) = 0, zatem M M 0 M2,c . Std M M 0 jest silnie ortogonalne

do M M 0 , bo naley do M2,c i do M2,d . Zatem M = M 0 (patrz wniosek 3.15).
2
Lemat 5.16 Kady ograniczony lokalny martynga jest ograniczonym martyngaem.

82

Marek Beka, Caka Stochastyczna, wykad 5

Dowd. Niech {Tn }n1 bdzie cigiem lokalizacyjnym. Dla 0 s < t i dla n 1 mamy
E[MTn t | Fs ] = MTn s .
Poniewa MTn t Mt punktowo i w L1 (, F, P ) (M ograniczony). Std E[Mt | Fs ] = Ms .
2
Oznaczmy przez Mcloc (M0 = 0) przestrze cigych lokalnych martyngaw.
2,c
c
Lemat 5.17 Zachodzi zawieranie Mcloc M2,c
loc (tzn. Mloc = Mloc ) .

Dowd. Niech M Mcloc . Okrelmy cig czasw zatrzymania

Tn = inf{t > 0 : |Mt | > n},

n IN.

Poniewa M jest cigy wic dla kadego t Tn mamy |Mt | n. Std dla kadego
n IN proces M Tn jest ograniczony. Ponadto M Tn Mcloc , bo jeli {Sk } jest cigiem
lokalizacyjnym dla M to M Sk M dla k 1. Zatem M Tn Sk M, k 1. Std {Sk }k1
jest cigiem lokalizacyjnym dla M Tn tzn. M Tn Mcloc . Poniewa M Tn jest ograniczony,
wic z lematu 5.16 M Tn jest ograniczonym martyngaem, a std cakowalnym z kwadratem,
bo
h
i
sup E (MtTn )2 n2 < +.
t0

Ale Tn % + wic jest cigiem lokalizacynym dla M , wic M M2,c

loc .

2
Powyszy lemat wyjania plan konstrukcji caki stochastycznej wzgldem cigych lokalnych martyngaw. Najpierw konstruuje si cak wzgldem M M2,c , a nastpnie rozszerza si j stosujc technik lokalizacyjn. Zanim jednak podamy definicj caki stochastycznej zbadajmy wasnoci nawiasu hM, M i dla M M2,c lub M Mcloc .
Twierdzenie 5.18 Niech M M2,c i niech bdzie dany skoczony podzia t = {0 = t0 <
t1 < . . . < tn = t} przedziau [0, t]. Oznaczmy
|t | = sup |ti ti1 |
1in
(2)

St (M ) =

n
X

2
Mti Mti1 .

i=1
(2)

(i) St (M ) jest zbieny do hM, M it w L1 (, F, P ), gdy |t | 0.

(ii) M (M 6= 0) nie ma skoczonej wariacji.
(2)

(iii) Jeli M Mcloc (M M2,c

loc ) to St (M ) jest zbieny do hM, M it wedug prawdopodobiestwa.

83

Marek Beka, Caka Stochastyczna, wykad 5

Dowd. (i) Zamy najpierw, e istnieje staa K > 0 taka, e
|Ms | + hM, M is K

(5.6)

dla kadego s t.

Mamy
n
n
hX
n hX
o
 (2)


2 i

2 i 
E St (M ) = E
Mti Mti1
=E E
Mti Mti1
 Fti1
i=1

=E

n
hX

i=1

Mt2i Mt2i1

i

= E(Mt2 ) K 2 .

i=1

Std
 (2)

E St (M ) = E(Mt2 ) = E(hM, M it ),

t 0.

Okrelmy
hM, M ittii1 := hM, M iti hM, M iti1 0.
Poniewa M 2 hM, M i M, wic dla i < j otrzymujemy
E




t
(Mti Mti1 )2 hM, M ittii1 (Mtj Mtj1 )2 hM, M itjj1 =



 

t
(Mti Mti1 )2 hM, M ittii1 E (Mtj Mtj1 )2 hM, M itjj1  Ftj1 =



E (Mti Mti1 )2 hM, M ittii1 E(Mt2j hM, M itj |Ftj1 ) Mt2j1 + hM, M itj1 = 0.
E

Std otrzymujemy
n
nh X
 (2)

2 

i 2 o
E St (M ) hM, M it
=E
=
(Mti Mti1 )2 hM, M ittii1
i=1

n
n
n
nX

2 o X

 X


2 
(Mti Mti1 )2 hM, M ittii1

E (Mti Mti1 )4 +
E hM, M ittii1
i=1

i=1

h

1in

h

i=1

n
X
i
(Mti Mti1 )2 +
sup |Mti Mti1 |2

sup hM, M ittii1

1in

i=1
n
X
i
hM, M ittii1 4K 4 + 2K 2 .
i=1

Z przeprowadzonych powyej oszacowa dostajemy

 (2)
 (2)

2 
2


+ 2E hM, M i2t
E St (M ) 2E St (M ) hM, M it
2(4K 4 + 2K 2 ) + 2K 2 = 8K 4 + 6K 2 < .

84

Marek Beka, Caka Stochastyczna, wykad 5

Std
 (2)
2
sup E St (M ) < .

(5.7)

Pokaemy zbieno
 (2)

2 
E St (M ) hM, M it
0 gdy |t | 0.
Powyej pokazalimy, e
n
h
X
i
 (2)

2 
E St (M ) hM, M it
E
sup |Mti Mti1 |2
(Mti Mti1 )2 +
1in

h

sup hM, M ittii1

1in

i=1
n
X

i
hM, M ittii1 .

i=1

Stosujc do powyszych skadnikw nierwno Schwarza otrzymujemy

s 
q 
2
 (2)

2 
(2)
E St (M ) +
E St (M ) hM, M it
E sup |Mti Mti1 |4
1in

(5.8)

s 
q
ti
2
E sup |hM, M iti1 |
E(hM, M i2t ).
1in

Poniewa M ma cige trajektorie (jednostajnie ciage na przedziale [0, t]), wic

sup |Mti Mti1 |4 0,

gdy |t | 0.

1in

Na mocy (5.6) cig ten jest ograniczony, wic



E sup |Mti Mti1 |4 0,

gdy |t | 0.

1in

Korzystajc teraz z (5.7) dostajemy zbieno do zera pierwszego skadnika po prawej

stronie (5.8). Zbieno drugiego skadnia uzasadnia si analogicznie korzystajc z cigoci
trajektorji wariacji kwadratowej hM, M i oraz jej ograniczonoci (patrz (5.6)). Dowd
(i) przy zaoeniu (5.6) zosta zakoczony. Przejdmy teraz do dowodu (i) w oglnym
przypadku. Okrelmy cig {Tm }m1 czasw zatrzymania
Tm = inf{t > 0 : |Mt | + hM, M it > m},
Poniewa M i hM, M i maj cige trajektorie, wic
(5.9)

|Mt | + hM, M it m dla t Tm .

m 1.

85

Marek Beka, Caka Stochastyczna, wykad 5

Oznaczmy:
M m = M Tm ,

fm = M M m .
M

Zauwamy, e z lematu 5.11 i wasnoci wariacji kwadratowej mamy

fm , M
fm i = hM M m , M M m i = hM M Tm , M M Tm i =
hM
hM, M i 2 hM, M Tm i + hM Tm , M Tm i = hM, M i hM m , M m i.
Moemy napisa nierwno


 (2)


(2)
(2)
E |St (M ) hM, M it | E St (M ) St (M m ) +
 (2)




E St (M m ) hM m , M m it  + E |hM m , M m it hM, M it |

(5.10)

Pokaemy, e wszystkie skadniki prawej strony (5.10) zmierzaj do zera, gdy m i

|t | 0. Poniewa hM m , M m it = hM, M iTm t % hM, M it , wic z twierdzenia Beppo-Levi
mamy


(5.11) E |hM m , M m it hM, M it | = EhM, M it EhM m , M m it 0, gdy m .
Zbieno



(2)
E hM m , M m it St (M m ) 0 gdy |t | 0

(5.12)

wynika z tego, e |Mtm | + hM m , M m it m na mocy (5.9) oraz z pierwszej czci dowodu.

fm ,
W celu wykazania zbienoci pierwszego skadnika w (5.10) zauwamy, e M = M m + M
wic
(2)

(2)

(2)

fm ) + 2
St (M ) = St (M m ) + St (M

n
X

Mtm
Mtm
i
i1

fm M
fm .
M
ti
ti1

i=1

Std i nierownoci Schwarza dla sum i dla caek mamy

(5.13)

q
hq
i

 (2)
 (2)

(2)
(2)
(2) fm
fm ) + 2E
E St (M m ) St (M ) E St (M
St (M m ) St (M
)
q 
 (2)

q  (2)

(2)
m
m
f
fm ) .
E St (M ) + 2 E St (M ) E St (M

 (2)

Z (5.11) i (5.12) wyraenie E St (M m ) jest ograniczone oraz
 (2)




 m



fm ) = E M
fm 2 = E hM
f ,M
fm it = E hM, M it hM m , M m it 0,
E St (M
t

m .

Zatem wyraenie po lewej stronie (5.13) dy do zera. Pokazalimy wic, e pierwszy

skadnik (5.10) dy do zera co koczy dowd (i). Przejdziemy teraz do dowodu (ii).
Niech M M2,c . Przypomnijmy oznaczenia
St (M ) =

n
X
i=1

|Mti Mti1 |

oraz

(2)
St (M )

n
X
i=1

2
Mti Mti1 ,

86

Marek Beka, Caka Stochastyczna, wykad 5

gdzie t = {0 = t0 < t1 < . . . < tn = t} jest skoczonym podziaem przedziau [0, t].
Mamy
(2)

St (M )

n
 X

sup |Mti Mti1 |
|Mti Mti1 | = sup |Mti Mti1 | St (M )

1in

1in

i=1

Z cigoci trajektorji M mamy

sup |Mti Mti1 | 0,

gdy |t | 0.

1in
(2)

Z punktu (i) wiemy, e St (M ) hM, M it w L1 (, F, P ). Zatem istnieje ciag podziaw

(2)

{k } przedziau [0, t] taki, e |k | 0 oraz Sk (M ) hM, M it , P - p.w., gdy k .

Zatem Sk (M ) , P -p.w., gdy k , czyli M nie ma skoczonego wahania (wariacji).
Dowd (ii) zosta zakoczony. Do udowodnienia zosta punkt (iii). Niech M Mcloc .
Okrelmy
Tm = inf{t > 0 : |Mt | + hM, M it > m},
m 1.
Z lematu 5.17 mamy M M2,c
loc . Niech {Sm }m1 bdzie ciagiem lokalizacyjnym dla M .
Oznaczmy Rm = Tm Sm , m 1. Wtedy M Rm M2 oraz jest ograniczony dla kadego
m 1. Zastosujemy do M Rm , m 1 udowodnion juz cz (i) twierdzenia. Mamy
(2)
St (M Rm )

n
X

m 2
,
MtRi m MtRi1

i=1

gdzie t = {0 = t0 < t1 < . . . < tn = t} jest skoczonym podziaem przedziau [0, t].
Poniewa Rm , gdy m , wic dla kadego > 0 istnieje m 1 takie, e
P {Rm < t} < (zauwamy, e {Rm+1 < t} {Rm < t}) i dla > 0 mamy


 (2)
P St (M ) hM, M it  >


 (2)

P {Rm < t} St (M ) hM, M it  > +



 (2)
P {Rm t} St (M ) hM , M it  >

 (2)

P {Rm < t} + P St (M Rm ) hM Rm , M Rm it  > .
Ale


 (2)
1  (2)
P St (M Rm ) hM Rm , M Rm it  > E St (M Rm ) hM Rm , M Rm it .

Moemy tak dobra podzia t , aby prawa strona powyszej nierwnoci bya dowolnie
maa. Dowd twierdzenia zosta zakoczony.
2

87

Marek Beka, Caka Stochastyczna, wykad 5

5.3

Caka stochastyczna

Zaczniem od przykadu pokazujcego, e definicja caki stochastycznej po trajektoriach

wymaga od procesu wzgldem ktrego cakujemy posiadania skoczonego wahania na skoczonych przedziaach. Tymczasem jak ju wiemy, znane nam procesy jak ruch Browna,
czy martyngay cakowalne z kwadratem nie maj tej wasnoci.
Przykad. Niech g bdzie funkcj cadlag na [0, 1]. Dla skoczonego podziau = {0 =
t0 < t1 < . . . < tn = 1} przedziau [0, 1] i funkcji h C[0, 1] okrelmy sum cakow
S (h) =

n
X

h(tk ) g(tk ) g(tk1 ) .

i=1

Zachodzi
Twierdzenie 5.19 Jeli dla dowolnego cigu podziaw {n }n1 takiego, e |n | 0, gdy
n oraz dla dowolnej funkcji h C[0, 1] ciag sum cakowych
{Sn (h)}n1
jest zbieny, to g ma skoczone wahanie na przedziale [0, 1].
Dowd. W dowodzie tego twierdzenia skorzystamy ze znanego z analizy funkcjonalnej
twierdzenia Banacha-Steinhausa.
Twierdzenie 5.20 Niech X bdzie przestrzeni Banacha, a Y przestrzeni unormowan.
Rozwamy rodzin {T }A liniowych ograniczonych operatorw T : X Y . Wtedy
^
cig {T (x)} jest ograniczony cig {kT k} jest ograniczony
xX

2
Niech X = C[0, 1] z norm khk = supt[0, 1] |h(t)| oraz niech Y = IR. Niech {n }n1 ,
gdzie n = {0 = tn,0 < tn,1 < . . . < tn,mn = 1} bdzie cigiem podziaw przedziau [0, 1]
takim, e
(i) |n | 0, gdy n ;
Pmn
1
(ii)
i=1 |g(tn,i ) g(tn,i1 )| V0 (g).
n

Okrelmy operatory (funkcjonay)

Tn : C[0, 1] IR

wzorem

Tn (h) = Sn (h),

h C[0, 1].

Zauwamy, e Tn , n 1 s cige, bo
mn
X



kTn k = sup |Tn (h)| sup 
h(tn,i1 )[g(tn,i ) g(tn,i1 )]
khk 1

khk 1

i=1

88

Marek Beka, Caka Stochastyczna, wykad 5

sup khk
khk 1

mn
X

|g(tn,i ) g(tn,i1 )|

i=1

mn
X

|g(tn,i ) g(tn,i1 )|.

i=1

Niech hn,0 C[0, 1] bdzie taka, e

hn,0 (tn,i1 ) = sign(g(tn,i ) g(tn,i1 )),
Wtedy
Tn (hn,0 ) =

i = 1, 2, . . . , n oraz khn,0 k = 1.

mn
X


g(tn,i ) g(tn,i1 ).
i=1

Mamy wic
kTn k =

(5.14)

mn
X


g(tn,i ) g(tn,i1 ).
i=1

Z zaoenia supn1 |Tn (h)| = supn1 |Sn (h)| < dla kadego h C[0, 1] (bo Sn (h) jest
zbieny, gdy n ). Teraz z twierdzenia Banacha-Steinhausa wynika, e supn1 kTn k <
. Std i z (5.14) mamy
mn
X


g(tn,i ) g(tn,i1 ) dla kadego n 1.
> sup kTn k
n1

i=1

Przechodzc z n otrzymujemy
> sup kTn k V01 (g).
n1

Widzimy wiec, e g musi by funkcj o skoczonym wahaniu na przedziale [0, 1].

2
Przejdziemy teraz do definicji caki wzgldem martyngau cakowalnego z kwadratem o
cigych trajektoriach. Oznaczmy przez H zbir wszystkich procesw, ktre dadz si
przedstawi w postaci
m
X
Xt () =
Xi1 ()I[[Ti1 ,Ti [[ (t, ),
i=1

gdzie

{Ti }m
i=0

jest skoczonym cigiem czasw zatrzymania takim, e

0 T0 T1 T2 Tm

oraz zmienne losowe Xi s FTi -mierzalne i ograniczone dla i = 0, 1, . . . , m 1.

Niech M M2,c . Okrelmy przestrze 2 (M ) jako zbir wszystkich mierzalnych
adaptowanych procesw X dla ktrych istnieje cig {X n }nN elementw w H taki, e
hZ
i

2
E
Xsn Xs dhM, M is 0, kiedy n +.
0

89

Marek Beka, Caka Stochastyczna, wykad 5

Twierdzenie 5.21 Przestrze 2 (M ) zawiera wszystkie opcjonalne procesy X = {Xt }t0

takie, e
i
hZ
Xs2 dhM, M is < +.
E
0

Dowd. Okrelmy na przestrzeni mierzalnej ([0, ), B([0, ))F) miar Q wzorem

Z hZ
i
Q(B) =
IB (t, ) dhM, M it () dP (),
B B([0, )) F.

Oznaczmy
C = { ([0, ) A) [[S, T [[ : S T, gdzie S, T czasy zatrzymania, A FS }.
Wykaemy, e indykatory zbiorw z C s liniopwo gste w L2 (Q) = L2 ([0, ) , O, Q).
Niech wic Y L2 (Q) bdzie taki, e
Z
Z hZ
i
Y IB dQ =
Y IB (t, ) dhM, M it () dP () = 0,
BC
[0, )

Rozwamy klas
Z
n
D = X L2 (Q) :

o
Y X dQ = 0 .

[0, )

Zauwamy, e C jest - ukadem oraz z zaoenia IC D, gdy C C. atwo sprawdzi, e

D spenia zaoenia twierdzenia o klasach monotonicznych (twierdzenie 3.8). Rzeczywicie,
pierwsze zaoenie jest spelnione automatycznie, drugie wynika z
sZ
sZ
Z
12 dQ

|Y | dQ
[0, )

[0, )

p
EhM, M i

sZ

Y 2 dQ =

[0, )

Y 2 dQ <

[0, )

i z twierdzenia Lebesguea o zbienosci majoryzowanej (ograniczonej). Zatem z tego twierdzenia przestrze wektorowa D zawiera wszystkie opcjonalne procesy cakowalne z kwadratem. W szczeglnoci
Z
Y 2 dQ = 0.

[0, )

Zatem Y = 0, Q - p.w. tzn. wykazalimy, e indykatory zbiorw z C s gste w L2 (Q). Teraz dowolny opcjonalny proces moe by aproksymowany w L2 (Q) przez skoczone liniowe
kombinacje indykatorw zbiorw z C tj. przez elementy rodziny H.
2
Lemat 5.22 Niech Q bdzie miar okrelon tak jak powyej

90

Marek Beka, Caka Stochastyczna, wykad 5

(i) Jeli Q << P (gdzie oznacza miar Lebesguea) to 2 (M ) zawiera wszystkie

progresywnie mierzalne procesy X takie, e
i
hZ
Xs2 dhM, M is < +.
E
0

(ii) Jeli Q = P to 2 (M ) zawiera wszystkie mierzalne, adaptowane procesy takie, e

i
hZ
Xs2 ds < +.
E
0

2
Niech M M2,c i X H jest postaci
Xt () =

m
X

Xi ()I[[Ti ,Ti+1 [[ (t, ),

t 0,

i=0

Okrelmy cak stochastyczn z procesu X (wzg. M ) jako proces

Z

Z t
m


X
(5.15)
Xs dMs =
Xs dMs :=
Xi MTi+1 t MTi t ,
t

t 0.

i=0

Twierdzenie 5.23 Niech M M2,c , X H.

(i) Proces
t

Z
Yt =
jest martyngaem nalecym do

Xs dMs ,

0
2,c
M

t0

( Y0 = 0).

(ii) Dla kadego N M2,c zachodzi rwno

Z t
hN, Y it =
Xs dhN, M is ,

t 0,

w szczeglnoci
Z
hY, Y it =

Xs2 dhM, M is ,

t 0.

Dowd. (i) Rozwamy proces X = X0 I[[S, T [[ , gdzie S T s czasami zatrzymania oraz

X0 jest ograniczon zmienn losow FS - mierzaln. Z (5.15) caka z X wzgldem M dana
jest wzorem
Yt = X0 (MT t MSt ),
t 0.
Poniewa M ma ciage trajektorie, wic rwnie proces Y = {Yt }t0 . Jest on rwnie
adaptowany, bo
Yt = X0 I{St} (MT t MSt ),
t 0.

Marek Beka, Caka Stochastyczna, wykad 5

91

Pokaemy teraz, e Y jest martyngaem (korzystajc z wniosku 4.21). Niech R bdzie

dowolnym czasem zatrzymania. Mamy

2


E(|YR |) E(YR2 ) = E X02 (MRT MRS )2


(5.16)
2
2
2 sup X02 () E(MT2 R ) + E(MSR
) 4 sup X02 ()E(M
) < .

Ponadto




E(YR ) = E X0 I{SR} (MT R MSR ) + E X0 I{S>R} (MT R MSR ) = 0,
bo
X0 I{S>R} (MT R MSR ) = X0 I{S>R} (MR MR ) = 0
oraz X0 I{SR} jest FSR - mierzalna, wic


 

E X0 I{SR} (MT R MSR ) = E E X0 I{SR} (MT R MSR ) | FSR =



E X0 I{SR} E(MT R | FSR ) MSR = 0.
Na mocy wniosku 4.21 Y jest jednostajnie cakowalnym martyngaem. Z (5.16) ponadto
wynika, e Y jest martyngaem cakowalnym z kwadratem. Korzystajc teraz z liniowaoci
definicji caki (patrz (5.15)) otrzymujemy tez (i). Przejdziemy teraz do dowodu (ii). Tak
jak poprzednio niech X = X0 I[[S, T [[ . Wtedy z (5.15) mamy Y = X0 (M T M S ). Mamy
Z

Z
Xs dhM, N is =

X0 I[[S, T [[ dhM, N is = X0 (hM, N iT t hM, N iSt ),

0

bo hM, N i ma cige trajektorie. Z drugiej strony zauwamy najpierw, e

(5.17)

hN, Y i = hN, X0 (M T M S )i = X0 hN, (M T M S )i.

Rzeczywicie, X0 (M T M S ) M2,c (z punktu (i)), zatem

N X0 (M T M S ) hN, X0 (M T M S )i M.
Ponadto (M T M S M2,c )
(5.18)

N (M T M S ) hN, M T M S i M.

Rozwamy proces
Z = N X0 (M T M S )X0 hN, M T M S i = N X0 (M T M S )X0 (hN, M T ihN, M S i).
Korzystajc z wniosku 4.21 pokaemy, e jest on jednostajnie cakowalnym martyngaem.
Ma cige trajektorie, a z przedstawienia
N X0 (M T M S ) X0 hN, M T M S i =

92

Marek Beka, Caka Stochastyczna, wykad 5

N X0 I{St} (M T M S ) X0 I{St} (hN, M T i hN, M S i)

i z tego, e X0 I{St} jest FSt mierzalny wynika, e jest adaptowany. atwo zauway, e
dla dowolnego czasu zatrzymania R mamy E|ZR | < . Ponadto


E(ZR ) = E NR X0 I{SR} (MT R MSR ) X0 I{SR} (hN, M iT R hN, M i)SR =
 

E E NR X0 I{SR} (MT R MSR ) X0 I{SR} (hN, M iT R hN, M i)SR | FSR =



E X0 I{SR} E NR (MT R MSR ) (hN, M iT R hN, M i)SR | FSR = 0.
na mocy (5.18). Tak wic Z M. Zauwamy rwnie, e X0 hN, M T M S i jest prognozowalny (bo jest adaptowany i ma cige trajektorie) oraz naley do A. Z jednoznacznoci
rozkadu Dooba-Meyera dostajemy (5.17). Stosujc ten udowodniony wzr dostajemy
hN, Y it = hN, X0 (M T M S )it = X0 (hN, M T it hN, M S it ) =
X0 (hN, M iTt hN, M iSt ) = X0 (hN, M itT hN, M itS ).
Zatem

Z
hN, Y it = X0 (hN, M itT hN, M itS ) =

Xs dhM, N is .
0

Korzystajc z liniowoci definicji caki stochastycznej dostajemy powysz rwno dla

X H. W szczeglnoci
Z
Z t
Z
Z t
DZ
E
D
E
hY, Y it =
Xs dMs , Xs dMs =
Xs d M, Xs dMs =
Xs2 dhM, M is .
t

2
Przejdziemy teraz do okrelenia caki stochastycznej dla dowolnego elementu z 2 (M ).
Twierdzenie 5.24 Niech M M2,c . Dla kadego X 2 (M ) istnieje jedyny element
Y M2,c taki, e
Z t
hN, Y it =
Xs dhN, M is , t 0
dla N M2,c .
0

Ten jedyny proces bdziemy oznacza przez

Z t
Yt =
Xs dMs ,
t0

Z
lub

Y =

Xs dMs .

Dowd. Jednoznaczno. Jeli istniej dwa takie procesy Y, Y 0 M2,c , e

Z t
Z t
0
hN, Y it =
Xs dhN, M is ,
hN, Y it =
Xs dhN, M is
0

93

Marek Beka, Caka Stochastyczna, wykad 5

dla dowolnego N M2,c to
hN, Y it hN, Y 0 it = hN, Y Y 0 it = 0.
W szczeglnoci (dla N = Y Y 0 ) mamy hY Y 0 , Y Y 0 it = 0, ale
h
i
h
i
E hY Y 0 , Y Y 0 it = E (Y Y 0 )2t = 0.
Std Y = Y 0 .
Istnienie. Rozwamy odwzorowanie
: H M2,c
Z t
(X)t =
Xs dMs = Yt ,

t 0.

Przestrze 2 (M ) jest przestrzeni Hilberta z iloczynem skalarnym

hZ
i


X, Y 2 (M ) = E
Xs Ys dhM, M is
0

2
oraz z definicji H jest gsta
R w (M ). Odwzorowanie jest izometri, bo z twierdzenia
5.23 dla X H i dla Y = X dM mamy
hZ
i
kXk22 (M ) = E
Xs2 dhM, M is
0
Z
hD Z
E i


= E
Xs dMs , Xs dMs
= E (Y )2 = kY k2M2,c

Tak wic odwzorowanie moe by jednoznacznie rozszerzone do odwzorowania


: 2 (M ) M2,c ,
H = .
Zatem mamy okrelony proces
Z
Yt =

Xs dMs M2,c ,

t0

taki, e


E hY, Y i = E

hZ

Xs2 dhM, M is

M2,c

Wykaemy teraz, e dla dowolnego N

mamy
Z t
hN, Y it =
Xs dhN, M is ,
0

t 0.

94

Marek Beka, Caka Stochastyczna, wykad 5

Rozwamy cig {X n } H zbieny do X (M ) w (M ). Dla kadego n IN mamy

Z t
Z t
n
n
n
Xsn dMs ,
t 0.
Xs dhN, M is , gdzie Yt =
hN, Y it =
0

Z nierwnoci Kunity-Watanabe i z nierwnoci Schwarza otrzymujemy

h Z
hZ 
i
i

n


Xs Xsn  dV (hM, N i)|
E
(Xs Xs ) dhM, N is E
0
0
1
h Z

1 i
2
(Xs Xsn )2 dhM, M is
E
hN, N i 2
0
i 1 
 hZ

1
2
(Xs Xsn )2 dhM, M is
E
E hN, N i 2 .
0

Xn

(M )

Poniewa
X w
std prawa strona powyszych nierwnoci zmierza do zera
gdy n . Zatem dla kadego t 0
Z t
Z t
n
n
hY , N it =
Xs dhM, N is
Xs dhM, N is ,
0

L1

kiedy n w
i wedug prawdopodobiestwa. Z drugiej strony stosujc nierwnoci
Kunity-Watanabe i Schwarza otrzymujemy
h
h
i
i
E hN, Y n i hN, Y i  = E hN, Y Y n i 
h

1

1 i
E hN, N i 2 hY Y n , Y Y n i 2
 
 21
 12  
n
n
E hY Y , Y Y i
E hN, N i
.
Prawa strona zmierza do zera gdy n , tak wic dla kadego t 0 mamy
hN, Y n it hN, Y it
w L1 oraz wedug prawdopodobiestwa. Zatem
Z t
hN, Y it =
Xs dhN, M is
0

2
Lemat 5.25 Niech T bdzie czasem zatrzymania, M M2,c , X 2 (M ),
Z t
Yt =
Xs dMs ,
t0
0

to proces I[[0,T ]] X 2 (M ) oraz

Z t
Z t
T
Yt =
I[[0,T ]] Xs dMs =
Xs dMsT ,
0

t 0.

95

Marek Beka, Caka Stochastyczna, wykad 5

Dowd. Bezporednio z definicji 2 (M ) wynika, e I[[0,T ]] X 2 (M ), bo niech {X m }m1

H bdzie taki, e X m X w 2 (M ). Jeli
Xtm ()

nm
X

m
m ,
Xi1
()I[[Ti1

t 0,

Tim [[ (t, )

i=1

to
X m I[[0,T ]] =

nm
X

m
m T,
Xi1
I[[Ti1

Tim T [[

i=1

nm
X

m
m <T } I[[T m T,
Xi1
I{Ti1
i1

Tim T [[

H,

i=1

bo Xi1 I{Ti1 <T } jest FTi1 T - mierzalna. atwo zauway, e X m I[[0,T ]] XI[[0,T ]] w
2 (M ). Niech teraz N M2,c . Mamy dla t 0
Z t
Z t
Xs dhM T , N T i.
Xs dhM, N T i =
(5.19)
hY T , N it = hY, N T it =
0

Z drugiej strony
DZ
(5.20)

I[[0,T ]] Xs dMs , N =
I[[0,T ]] Xs dhM, N is =
t
0
Z t
Z t
Xs dhM, N iT s =
Xs dhM T , N T is .
0

Ponadto
(5.21)

DZ

Xs dMsT , N

E
t

t
T

Xs dhM , N is =

=
0

Xs dhM T , N T is .

Korzystajc teraz z jednoznacznoci caki stochastycznej (twierdzenie 5.24) oraz porwnujc (5.19), (5.20) i (5.21) dostajemy tez.
2
Uwaga. Z powyszego lematu wynika, e dla dowolnego czasu zatrzymania T mamy
Z T t
Z t
Xs dMs =
I[[0,T ]] Xs dMs ,
t 0.
0

2
Lemat 5.26 Niech M M2,c , X 2 (M ) i Y bdzie cak stochastyczn
Z t
Yt =
Xs dMs ,
t 0.
0

Jeli H 2 (Y ) to HX 2 (M ) oraz
Z t
Z t
(5.22)
Hs dYs =
Hs Xs dMs ,
0

t 0.

96

Marek Beka, Caka Stochastyczna, wykad 5

Dowd. Zamy, e H jest ograniczony. Poniewa X 2 (M ), wic istnieje cig

{X n }n1 H taki, e
hZ
i

2
E
Xsn Xs dhM, M is 0, kiedy n +.
0

Podobnie; poniewa H 2 (Y ), wic istnieje cig {H n }n1 H taki, e

i
hZ

2
Hsn Hs dhY, Y is 0, kiedy n +.
E
0

Ponadto
E

(5.23)

hZ

i
h

2
Hsn Hs dhY, Y is = E

i

2
Hsn Hs Xs2 dhM, M is

Poniewa H jest ograniczony, wic istnieje staa C > 0 taka, e |H| C. Zauwamy, e
cig {H n }n1 H moemy tak wybra, aby |H n | C dla n 1. Rzeczywicie, okrelmy
funkcj rzeczywist

x, gdy |x| C,
C, gdy x > C,
, x IR.
gC (x) =

C, gdy x < C,
Zauwamy, e
|gC (x) gC (y)| |x y|,

x, y IR

oraz jeli H n H ma posta

Hn =

mn
X

n
n ,
Xi1
I[[Ti1

Tin [[ ,

to

gC (H n ) =

i=1

mn
X

n
n ,
gC Xi1
I[[Ti1

Tin [[

H.

i=1

Jest oczywiste, e |gC (H n )| C, n 1 oraz

hZ
i
hZ

2
n
E
gC (Hs ) Hs dhY, Y is = E
0

i

2
gC (Hsn ) gC (Hs ) dhY, Y is

E
Moemy, wic zaoy, e
warunek
hZ
E

hZ

0
n
|H |

i

2
Hsn Hs dhY, Y is 0.
n

C dla n 1. Wykaamy, e {H n X n }n1 H spenia

Hsn Xsn Hs Xs

2

i
dhM, M is 0.
n

Stosujc nierwno
Hsn Xsn Hs Xs

2

2(Hsn )2 (Xsn Xs )2 + 2(Xs )2 (Hsn Hs )2

97

Marek Beka, Caka Stochastyczna, wykad 5

dostajemy

i
dhM, M is
0
i
hZ
i
hZ

2

2
n 2
n
(Hs ) Xs Xs dhM, M is + 2E
(Xs )2 Hsn Hs dhM, M is .
2E
E

(5.24)

hZ

Hsn Xsn Hs Xs

2

Zbieno drugiego skadnika w (5.24) wynika z (5.23) i z definicji {H n }n1 H. Natomiast zbieno pierwszego skadnika wynika z oszacowania
i
hZ
i
hZ

2

2
n 2
n
2
(Hs ) Xs Xs dhM, M is C E
Xsn Xs dhM, M is 0.
E
0

Niech teraz N M2,c . Wtedy z wasnoci caki stochastycznej otrzymujemy

Z t
Z t
DZ
E
Hs dYs , N =
Hs dhY, N it =
Hs Xs dhM, N it ,
t 0.
t

Z drugiej strony
DZ

Hs Xs dMs , N

E
t

Hs Xs dhM, N it ,

t 0.

Zatem z jednoznacznoci caki stochastycznej dostajemy wzr (5.22). Dowd w przypadku

H ograniczonego zosta zakoczony. W przypadku H nieograniczonego zauwamy, e dla
kadego C > 0 mamy gC (Hs ) 2 (Y ). Rzeczywicie, jeli H n H, gdy n w
przestrzeni 2 (Y ) to mamy H 3 gC (H n ) gC (H), gdy n w 2 (Y ), co wynika z
nierwnoci
|gC (Htn ) gC (Ht )| |Htn Ht |,
t 0.
Teraz gC (H) H punktowo, gdy C oraz |gC (H)| |H| (H 2 (Y )). Zatem z
twierdzenia Lebesguea o zbienoci majoryzowanej gC (H) H, gdy C w 2 (Y ). Z
definicji caki stochastycznej mamy
Z
Z
(5.25)
gC (H) dYs Hs dYs
C

w przestrzeni M2,c . Z drugiej strony z pierwszej czci dowodu dla dowolnego C > 0 mamy
gC (H) X 2 (M ) oraz
Z t
Z t
(5.26)
gC (H) dYs =
gC (H) Xs dMs ,
t 0.
0

Ponadto
Z
E
0

(gC (H) Hs )

Xs2 dhM,

Z
M is = E
0

(gC (H) Hs )2 dhY, Y is 0

C

Marek Beka, Caka Stochastyczna, wykad 5

98

tzn. gC (H) X HX, gdy C w 2 (M ). Std i z definicji caki stochastycznej

Z
Z
(5.27)
gC (H) Xs dMs Hs Xs dMs
C

w przestrzeni M2,c . W kocu z (5.25), (5.26) i (5.27) dostajemy tez.

2
Lemat 5.27 Niech M, N M2,c . Istnieje proces H 2 (N ) taki, e
Z t
Hs dNs , t 0,
M = Y + L,
Yt =
0

gdzie L M2,c oraz L i Y s silnie ortogonalne. Ponadto zachodzi rwno

Z t
t 0.
Hs2 dhN, N is + hL, Lit ,
(5.28)
hM, M it =
0

Dowd. Niech N M2,c . Oznaczmy I(N ) = (2 (N )) M2,c , gdzie okrelone jest

w dowodzie twierdzenia 5.24. Poniewa jest izometri z 2 (N ) w M2,c . Zatem I(N )
jest zbiorem domknitym. Z twierdzenia o rozkadzie ortogonalnym w przestrzeni Hilberta
mamy rozkad
M2,c = I(N ) I(N ) ,
gdzie I(N ) jest dopenieniem ortogonalnym I(N ). Jeli teraz M M2,c to
Z
M = Hs dNs + L,
R
gdzie H 2 (N ), L M2,c oraz Y = Hs dNs i L s sabo ortogonalne tj. E(Y L ) = 0.
Aby wykaza mocn ortogonalno wystarczy pokaza, e
h Z T
 i
E(YT LT ) = E
Hs dNs LT = 0
0

dla dowolnego czasu zatrzymania T . Zauwamy, e

E|YT LT | <
co wynika z nierwnoci Schwarza oraz z tego, e
2
E(YT2 ) E(Y
)

E(L2T ) E(L2 ).

Ponadto Y T I(N ), bo
YtT

Z
=

T t

Z
Hs dNs =

I[[0,T ]] Hs dNs
0

99

Marek Beka, Caka Stochastyczna, wykad 5

na mocy lematu 5.25. Zatem ze sabej ortogonalnoci Y T i L mamy


T
0 = E(Y
L ) = E(YT L ) = E YT E(L | FT ) = E(YT LT ).

Co koczy dowd silnej ortogonalnoci. Wzr (5.28) wynika z wasnoci kowariacji, twierdzenia 5.24 oraz z tego, e silna ortogonalno Y i L implikuje (z rozkadu Dooba-Meyera)
hY, Li = 0.
2

5.4

Caka stochastyczna wzgldem martyngau lokalnego o cigych trajektoriach

Dla kadego M Mcloc rozwamy przestrze

Z

(M ) = {X : X jest opcjonalny i

Xs2 dhM, M is < +, t 0}

Twierdzenie 5.28 Niech M Mcloc . Dla kadego X 0 (M ) istnieje jedyny proces

Y Mcloc taki, e dla kadego N Mcloc
t

Z
hY, N it =

Xs dhM, N is

t 0.

Dowd. Jedyno. Jeli Y 0 Mcloc jest taki, e

Z

hY , N it =

Xs dhM, N is

t 0.

to
hY, N i = hY 0 , N i
dla kadego N Mcloc . Zatem hY Y 0 , Y Y 0 i, a std Y = Y 0 .
Istnienie. Niech {Rn }nN bdzie danym cigiem lokalizacyjnym takim, e M Rn M2,c
dla kadego n 1 i niech dla ustalonego X 0 (M ). Niech {Sn }n1 bdzie cigiem
czasw zatrzymania okrelonym wzorem
Z t
Sn := inf{t :
Xs2 dhM, M is > n}
0

Cig {Sn }nN jest rosncy do nieskoczonoci gdy n +. Dla czasu zatrzymania
Tn := Rn Sn dla kadego n 1 i t 0 mamy
Z
0

Xs2 dhM Tn , M Tn is

Z
=
0

Xs2 dhM, M iTs n

Z
=
0

tTn

Xs2 dhM, M is n,

100

Marek Beka, Caka Stochastyczna, wykad 5

wic X 2 (M Tn ). Niech
Y

Xs dMsTn ,

t 0,

n 1,

wtedy Y n M2,c oraz

t

Xs dhM Tn , N is ,

hY , N it =

t 0,

n 1.

dla kadego N M2,c . Ponadto dla m n mamy

Z t
Z t
Xs dhM Tm , N is = hY m , N it ,
Xs dhM Tn , N iTs m =
h(Y n )Tm , N it = hY n , N iTt m =
0

wic
Y m = (Y n )Tm
z jednoznacznoci okrelenia caki stochastycznej. Okrelmy teraz Y jak nastpuje: Poniewa Tn gdy n , wic dla kadego i t 0 istnieje n 1 takie, e
Tn () t. Okrelamy wic
Yt () := Ytn ().
Proces Y jest jednoznacznie okrelony (wasno Y m = (Y n )Tm ), jest cigy i naley do
Tn = Y n M2,c .
c
M2,c
loc a wic do Mloc , bo Y
c
Niech teraz N Mloc i niech {Un }n1 bdzie danym cigiem lokalizacyjnym takim, e
N Un M2,c dla kadego n 1. Okrelmy Vn = Un Tn . Otrzymujemy dla t 0
Vn
Z t
Vn
Un Vn
Tn
Vn
Vn
Xs dhN Un , M Tn is
hY, N it = hY , N it = hY , N it =
0
Z Vn t
Z t
Z t
Z
Vn
Vn
Vn
Vn
Xs dhN, M is =
Xs dhN, M is =
Xs dhN, M is
,
=
Xs dhN , M is =
0

co koczy dowd twierdzenia.

2
Lematy 5.25 - 5.27 mog by teraz uoglnione dla M Mcloc M2,c (zad. dom.)