101

M. Beka, Caka Stochastyczna, wykad 6

Wzr Ito i jego zastosowania

6.1

Wzr Ito

Zaczniemy od przedstawienia wzoru Ito.

Twierdzenie 6.1 Niech X bdzie procesem postaci
X = M + A,
gdzie M Mcloc oraz A Acloc . Rozwamy funkcj rzeczywist zmiennej rzeczywistej
F C 2 (IR). Dla s t takich, e s, t 0 zachodzi wzr
Z t
Z t
Z
1 t 00
F 0 (Xu ) dAu +
F 0 (Xu ) dMu +
(6.1) F (Xt ) = F (Xs ) +
F (Xu ) dhM, M iu .
2 s
s
s
Dowd. Zauwamy, e wystarczy zaoy, e istnieje staa K > 0 taka, e
(6.2)

|Mt | + |V (A)t | + hM, M it K,

t 0.

Rezczywicie, dla kadego n 1 okrelmy

Tn = inf{t > 0 : |Mt | + |V (A)t | + hM, M it > n}
Wtedy {Tn }n1 jest cigiem lokalizacyjnym. Jeli przez {Rn }n1 , {Sn }n1 , {Vn }n1 ,
{Un }n1 oznaczymy cigi lokalizacyjne dla M , A, V (A), hM, M i odpowiednio. Wtedy dla
czasw zatrzymania
Zn = Tn Rn Sn Vn Un ,
n1
procesy
AZn ,

M Zn ,

hM, M iZn ,

X Zn

s ograniczone przez n i wzr Ito przyjmie posta

Z t
Z t
Z t
Zn
Zn
0
Zn
Zn
0
Zn
Zn 1
F (Xt ) = F (Xs ) + F (Xu ) dMu + F (Xu ) dAu +
F 00 (XuZn ) dhM Zn , M Zn iu .
2 s
s
s
Ale
F (XtZn ) = F (Xt )Zn F (Xt );
n
Z t
Z t
Z t
Zn
0
Zn
Zn
0
F (Xu ) dMu =
F (Xu ) dMu

F 0 (Xu ) dMu ;
n
s
s
s
Z t
Z t
Z t
Z n
0
Zn
Zn
0
F (Xu ) dAu =
F (Xu ) dAu

F 0 (Xu ) dAu ;
n
s
s
s
Z t
Z t
Z t
Zn
00
Zn
Zn
Zn
00
F (Xu ) dhM , M iu =
F (Xu ) dhM, M iu

F 00 (Xu ) dhM, M iu
s

102

M. Beka, Caka Stochastyczna, wykad 6

co daje wzr (6.1). Tak, wic wystarczy wykaza wzr Ito przy zaoeniu (6.2). Niech st
bdzie podziaem przedziau [s, t] tj. st = {t0 , . . . tn }, gdzie s = t0 < t1 < . . . tn = t.
Stosujc wzr Taylora otrzymujemy
F (Xt ) F (Xs ) =

n
X


F (Xti ) F (Xti1 ) =

i=1

n
X

F 0 (Xti1 )(Xti Xti1 )+

i=1

i=1

i=1

X
1 X 00
F (Xti1 )(Xti Xti1 )2 +
r(Xti Xti1 )(Xti Xti1 )2 ,
2
gdzie reszta r(Xti Xti1 ) 0, gdy Xti Xti1 0. Poniewa X = M + A, wic
powyszy wzr przyjmie posta
F (Xt ) F (Xs ) =

n
X

F 0 (Xti1 )(Mti Mti1 ) +

i=1

(6.3)

n
1X

n
X

F 0 (Xti1 )(Ati Ati1 )+

i=1

F 00 (Xti1 )(Mti Mti1 )2 +

i=1

n
X

F 00 (Xti1 )(Mti Mti1 )(Ati Ati1 )+

i=1
n
1X

00

F (Xti1 )(Ati Ati1 ) +

i=1

n
X

r(Xti Xti1 )(Xti Xti1 )2 .

i=1

Bdziemy teraz szacowa sze skadnikw prawej strony wzoru (6.3). Poniewa
|r(Xti Xti1 )| = o(|st |) jednostajnie po i,
wic
n
X

(6.4)

r(Xti Xti1 )(Xti Xti1 )2 o(|st |)

i=1
n
n
n
hX
i
X
X
2
(Mti Mti1 ) + 2
(Mti Mti1 )(Ati Ati1 ) +
(Ati Ati1 )2 .
i=1

i=1

i=1

Ale z twierdzenia 5.18

n
X

(Mti Mti1 )2 hM, M its

i=1

|st |0

wedug prawdopodobiestwa.

Ponadto
n
n

X
X


(Mti Mti1 )(Ati Ati1 ) sup |Mti Mti1 |
|Ati Ati1 |

i=1

1in

i=1

103

M. Beka, Caka Stochastyczna, wykad 6

oraz z cigoci trajektorji M mamy
sup |Mti Mti1 | 0 i
|st |0

1in

n
X

|Ati Ati1 | Vst (A) := Vt (A) Vs (A).

|st |0

i=1

I ostatni skadnik w (6.4)

n
X

(Ati Ati1 )2 sup |Ati Ati1 |

1in

i=1

n
X

|Ati Ati1 | 0,
|st |0

i=1

bo
sup |Ati Ati1 | 0 i
|st |0

1in

n
X

|Ati Ati1 | Vst (A) := Vt (A) Vs (A).

|st |0

i=1

Ostatecznie wic
n
X


2
r(Xti Xti1 )(Xti Xti1 )  0


wedug prawdopodobiestwa.

|st |0

i=1

Ostatni skadnik w (6.3) mamy wic oszacowany. Dalej

n
n
 1
1 X
X

00
2
00
F (Xti1 )(Ati Ati1 ) 
sup |F (x)| sup |Ati Ati1 |
|Ati Ati1 |

2
2 x[K,K]
1in
i=1

i=1

co zmierza do zera, gdy |st | 0. Ponadto

n
X



F 00 (Xti1 )(Mti Mti1 )(Ati Ati1 )

i=1

|F 00 (x)| sup |Mti Mti1 |

sup

1in

x[K,K]

n
X
i=1

|Ati Ati1 | 0.
|st |0

Mamy wic wykazan zbieno szstego, pitego i czwartego skadnika (6.3). Rozwamy
teraz trzeci skadnik w (6.3). Mamy
Z t
n

X


00
2
F (Xti1 )(Mti Mti1 )
F 00 (Xu ) dhM, M iu 

s

i=1

n
X



F 00 (Xti1 ) (Mti Mti1 )2 hM, M ittii1 +

i=1

Z t
n
X



ti
00
00
F (Xti1 )hM, M iti1
F (Xu ) dhM, M iu 

i=1

104

M. Beka, Caka Stochastyczna, wykad 6

Zbieno (wg p-stwa) pierwszego skadnia wynika z analogicznego rozumowania jak w

dowodzie twierdzenia 5.18(i). Moment drugiego rzdu tego wyraenia moemy oszacowa
przez
n
X

2
00
2
sup |F (x)|
E (Mti Mti1 )2 hM, M ittii1 0.
x[K,K]

|st |0

i=1

Drugi skadnik zmierza do zera z cigoci F 00 . Zatem wykazalimy, e

n

1
1 X 00
F (Xti1 )(Mti Mti1 )2
2
|st |0 2
i=1

F 00 (Xu ) dhM, M iu

wedug prawdopodobiestwa. Z cigoci F 0 dostajemy zbieno drugiego skadnika (6.3),

mianowicie
Z t
n
X
0
F (Xti1 )(Ati Ati1 )
F 0 (Xu ) dAu
|st |0

i=1

Zosta nam ju do oszacowania tylko pierwszy skadnik w (6.3). Zauwamy, e

n
X

F (Xti1 )(Mti Mti1 ) =

n (u) dMu ,

gdzie n (u) =

i=1

n
X

F 0 (Xti1 ) I[ti1 , ti ) (u).

i=1

Pokaemy, e
E

hZ t

n (u) F 0 (Xu )

2

i
dhM, M iu 0.

|st |0

Zauwamy nastpujc zbieno

Z t

2
n (u) F 0 (Xu ) dhM, M iu 0,
|st |0

bo F 0 jest jednostajnie ciga na [K, K]. Poniewa powyszy cig jest ograniczony, wic
z twierdzenia Lebesguea o zbienoci majoryzowanej dostajemy dan zbieno. Dowd
twierdzenia zosta zakoczony.
2
Mona rwnie poda wersj wzoru Ito dla funkcji wielu zmiennych
Twierdzenie 6.2 Niech Xt = (Xt1 , . . . , Xtd ), t 0 bdzie procesem wielowymiarowym
takim, e dla kadego k = 1, 2, . . . , d proces X k jest postaci
X k = M k + Ak ,

105

M. Beka, Caka Stochastyczna, wykad 6

gdzie M k Mcloc oraz Ak Acloc . Rozwamy funkcj rzeczywist F : IRd IR tak, e

F C 2 (IRd ). Dla s t takich, e s, t 0 zachodzi wzr
F (Xt ) = F (Xs ) +

d Z
X
k=1

1
2

d
X

k,l=1 s

X
F (Xu )
dMuk +
xk

k=1

F (Xu )
dAku
xk

2 F (Xu )
dhM k , M l iu .
xk xl
2

6.2

Zastosowania wzoru Ito

Zaczniemy od elementernego lematu

Lemat 6.3 Niech M, N Mcloc oraz niech A Acloc to zachodz trzy rwnoci
Z t
2
2
(i) Mt = Ms + 2
Mu dMu + hM, M its ,
s
Z t
Z t
Nu dMu +
Mu dNu + hM, N its ,
(ii) Mt Nt = Ms Ns +
s
s
Z t
Z t
(iii) Mt At = Ms As +
Au dMu +
Mu dAu .
s

Dowd. Aby udowodni (i) wystarczy zastosowa wzr Ito dla funkcji F (x) = x2 , a dla
dowodu (ii) oraz (iii) wystarczy przyj F (x1 , x2 ) = x1 x2 i zastosowa wielowymiarowy
wzr Ito.
2
Lemat 6.4 Niech X Mcloc takim, e hX, Xit = t, t 0 oraz niech T bdzie skoczonym
czasem zatrzymania. Wtedy proces Y = {Yt }t0 okrelony na (, {Gt }, F, P ), gdzie Gt =
FT +t , t 0 wzorem
Yt = XT +t XT ,
t0
jest lokalnym martyngaem tzn. Y Mcloc i hY, Y it = t, t 0.
Dowd. Niech {Tn } bdzie cigiem lokalizacyjnym dla X. Zauwamy, e
hX Tn , X Tn it = hX, XiTt n = Tn t.
Okrelmy: Sn = 0, gdy Tn T oraz Sn = Tn T , gdy Tn > T . atwo sprawdzi, e
{Sn }n1 jest cigiem lokalizacyjnym wzgledem filtracji G = {Gt }t0 i YtSn = XTTn+t XTTn .
Poniewa X Tn M2,c , wic XTTn+t = E(XTn | FT +t ). Ponadto

2
E XTTn = EhX, XiTn T EhX, XiTn < .

M. Beka, Caka Stochastyczna, wykad 6

106

Zatem
YtSn = E(XTn | FT +t ) XTTn = E(XTn XTn T | FT +t ).
Std Y Sn M2,c , bo EXT2n < i ET2n T < . Okrelmy At = Tn (T + t) Tn T ,
t 0. Zauwamy, e dla kadego t 0 zmienna losowa At jest mierzalna wzgledem Gt oraz
proces A = {At }t0 jest prognozowalny. Ponadto EV (A ) = E(Tn ) = EhX, XiTn < .
Zatem dla dowodu wystarczy wykaza, e

2
{ YtSn [Tn (T + t) Tn T ] }t0 M.
Korzystajc z wniosku 4.21 wystarczy wykaza, e dla dowolnego czasu zatrzymania S
mamy
E|YSSn [Tn (T + S) Tn T ]| < oraz E[YSSn (Tn (T + S) Tn T )] = 0.
Pierwszy warunek sprawdzamy natychmiast
E|YSSn | = E|XTTn+S XTTn (Tn (T + S) Tn T )| =
E|E(XTn | FT +S ) E(XTn | FT ) (Tn (T + S) Tn T )|
2E|XTn | + E[Tn (T + S)] + E(Tn T )
q
p
2 EXT2n + EhX, XiTTn+S + EhX, XiTTn 2 EhX, XiTn + 2EhX, XiTn < .
Drugi warunek dostajemy korzystajc z zaoenia i stosujc oglne twierdzenie o stopowaniu
E[(YSSn )2 (Tn (T + S) Tn T )] =
E[(XTTn+S XTTn )2 (Tn (T + S) Tn T )] =
E[(XTTn+S )2 ] 2E[XTTn XTTn+S ] + E(XTTn )2 E(Tn (T + S)) + E(Tn T ) =


EhX, XiTTn+S 2E XTTn E(XTTn+S | G0 ) + EhX, XiTTn EhX, XiTTn+S + EhX, XiTTn =
2E(XTTn )2 2EhX, XiTTn = 0.
Z jednoznacznoci wyznaczenia kompensatora dostajemy tez.
2
Lemat 6.5 Niech bdzie regularn wersj rozkadu zmiennej losowej X wzgldem algebry B F oraz niech Y bdzie zmienn losow B - mierzaln. Zamy ponadto, e
dana jest funkcja borelowska taka, e E|(X, Y )| < . Wtedy
Z
 


E (X, Y ) B () =
(x, Y ()) d(x, ),
P p.w.
R

W szczeglnoci dla funkcji borelowskiej takiej, e E|(X)| < mamy

Z
 

E (X)  B () =
(x) d(x, ),
P p.w.
R

107

M. Beka, Caka Stochastyczna, wykad 6

2
Z lematu 6.5 dostajemy
Lemat 6.6 Zmienna losowa X jest niezalena od - algebry B F wtedy i tylko wtedy,
gdy
Z
^
 


exp(itx) X (x),
P p.w.
E exp(itX) B = E exp(itX) =
R

tR

Dowd. Konieczno jest oczywista. Dostateczno. Z lematu 6.5 mamy

Z
^ Z
exp(itx) (x, ) =
exp(itx) X (x),
P p.w.
tR

Poniewa funkcja charakterystyczna wyznacza jednoznacznie rozkad, wic

= X ,

P p.w.

Niech F B i A B(IR). Wtedy

Z
Z
Z


P {X A} F =
IA (X) dP =
(A, ) dP =
X (A) dP = P {X A}P (F )
F

co daje dan niezaleno.

2
Moemy teraz przystpi do dowodu twierdzenia Lvyego charakteryzujcego w terminach
martyngaw ruch Browna
Twierdzenie 6.7 (Lvy) Niech X Mcloc (X0 = 0) bdzie taki, e hX, Xit = t dla t 0.
Wtedy X jest standardowym ruchem Browna.
Dowd. Na mocy lematu 6.6 wystarczy wykaza
h u2 (t s) i


E exp(iu(Xt Xs )) | Fs = exp
,
2
dla 0 s < t oraz u IR. Zastosujemy teraz wzr Ito do funkcji F (y) = exp(iuy)
z podstawieniem y := Y Tn , gdzie Yv = Xs+v Xs dla v [0, t s] , {Tn }n1 cig
lokalizacyjny dla Y (z lematu 6.4 wynika Y Mcloc wzgldem filtracji Gv = Fs+v )
Z v
Z
u2 v iuYzTn
iuYvTn
iuY0Tn
iuYzTn
Tn
e
=e
+ iu
e
dYz
e
dz.
2 0
0
Pierwsza caka jest martyngaem cakowalnym z kwadratem Std po dziaaniu warunkow
wartoci oczekiwan wzgldem G0 otrzymujemy
Z
 iuY Tn  
u2 v  iuYzTn  
v

E e
G0 = 1
E e
G0 dz.
2 0

108

M. Beka, Caka Stochastyczna, wykad 6

Przechodzc z n dostajemy
 

u2
E eiuYv  G0 = 1
2

(6.5)

 

E eiuYz  G0 dz.

Jeli oznaczymy
 

E eiuYv  G0 = g(v)
to rwnanie (6.5) moe by zapisane w postaci
Z
u2 v
g(v) = 1
g(z) dz.
2 0
Po rozwizaniu ktrego otrzymujemy
 u2 
g(v) = exp
v ,
2
Podstawiajc v := t s mamy

 u2
(t s) ,
g(t s) = exp
2
a std
 
 




u2
E eiu(Xt Xs )  Fs = E eiuYts  G0 = g(t s) = exp
(t s) .
2
2
Wniosek 6.8 Niech X Mcloc (X0 = 0) oraz niech hX, Xit = t, t 0. Zamy,
e T jest skoczonym czasem zatrzymania. Wtedy proces Yt = XT +t XT , t 0 na
(, {Gt }t0 , F, P ), gdzie Gt = FT +t , t 0 jest standardowym ruchem Browna.
2
Twierdzenie 6.9 Niech X (X0 = 0) bdzie martyngaem o ciagych trajektoriach i o
stacjonarnych i niezalenych przyrostach. Wtedy X jest ruchem Browna.
Dowd. Rozwamy funkcj



g(t) = E eiuXt ,

gdzie u IR jest ustalone. Mamy rwno





g(t) = g(s) E eiu(Xt Xs ) = g(s) E eiuXts
t.j.
g(t) = g(s)g(t s) dla s, t IR+ ,

t s.

109

M. Beka, Caka Stochastyczna, wykad 6

Std mamy nastpujc wasno:

n
g(nt) = g(t) , n 1,

r
czyli g(rt) = g(t)

dla r Q

Std g(r) = (g(1))r , r Q i g(0) = 1. Poniewa g jest ciga, wic

g(t) = eh(u)t ,

t 0.

Udowodnilimy wczaniej (patrz przykady martyngaw), e

Zt (u) =

eiuXt
g(t)

jest martyngaem. Zastosujmy teraz wzr Ito do funkcji

F (x, y) = eiuxh(u)y ,
gdzie x = Xt i y = t. Otrzymujemy
Z
Z t iuXs
Z t iuXs
e
eiuXt
1 2 t eiuXs
e
1 = iu
dXs h(u)
ds u
dhX, Xis .
h(u)s
h(u)s
h(u)s
2
eh(u)t
0 e
0 e
0 e
Lewa strona powyszego rwnania jest rwna Zt (u) Mcloc . Rwnie
Z t iuXs
e
iu
dXs Mcloc .
h(u)s
0 e
Proces
Z
h(u)
0

eiuXs
1
ds + u2
2
eh(u)s

Z
0

eiuXs
dhX, Xis
eh(u)s

jest cigy o skoczonym wahaniu, wic (np. z wniosku 4.34, czy rozkadu Dooba-Meyera)
mamy
Z t iuXs
Z
e
1 2 t eiuXs
h(u)
ds u
dhX, Xis = 0.
h(u)s
h(u)s
2
0 e
0 e
Co moemy zapisa w postaci

 2
Z t
Z t


u
hX, Xis
Zs (u) d h(u)s =
Zs (u) d
2
0
0
dla kadego t 0. Std cakujc Zs (u) wzgldem powyszych miar mamy
 2

Z t
Z t


u
Z s (u)Zs (u) d h(u)s =
Z s (u)Zs (u) d
hX, Xis
2
0
0
to jest
Z
0

1
d

h(u)s
=
|g(s)|2

Z
0

 2

1
u
d
hX,
Xi
s .
|g(s)|2
2

110

M. Beka, Caka Stochastyczna, wykad 6

Poniewa |g(s)| > 0 dla kadego s, std obie miary w powyszej rwnoci musz by rwne,
wic
u2
h(u)t =
hX, Xit .
2
std podstawiajac t = 1 otrzymujemy
h(u) = 2

u2
,
2

gdzie 2 = hX, Xi1 .

Zatem

hX, Xit = 2 t,

t 1.
2

Twierdzenie 6.10 Niech M M2,c

loc (M0 = 0). Okrelmy dla IR proces


1 2
(M )t = exp Mt hM, M it .
2
(i) Dla kadego IR proces (M ) jest dodatnim lokalnym martyngaem i dodatnim
supermartyngaem.
(ii) Proces (M ) jest jedynym rozwizaniem rwnania
t

Z
Zt = 1 +

Zs dMs .
0

Dowd. Zastosujemy wzr Ito do funkcji

F (x) = ex

X = M

z procesem

2
hM, M i
2

 2


(M )s d
hM, M is
2

(M )t = 1 +
(M )s d(Ms )
0
0
Z t
1
+
(M )s dhM, M is
2 0
Z t
Z
2 t
= 1+
(M )s dMs
(M )s dhM, M is
2 0
0
Z
Z t
2 t
+
(M )s dhM, M is = 1 +
(M )s dMs .
2 0
0

Wykazalimy, e (M ) jest lokalnym martyngaem i rozwizaniem podanego powyej rwnania. Pokaemy teraz, e jest to jedyne rwnanie. Zamy, e istnieje inne rozwizanie
Z0
Z t




0
Z Z t =
Z Z 0 s dMs
0

111

M. Beka, Caka Stochastyczna, wykad 6

Oznaczmy Y = Z Z 0 . mamy Y0 = 0. Zastosujemy wzr Ito do
F (x) = ex y

X = M +

i procesw

2
hM, M i,
2

i Y.

Mamy dla t > 0

Z

Mt + 2 hM,M it

Yt =

eMs +

2
hM,M is
2

dYs


Z t
2
2
Ms + 2 hM,M is
Ys d Ms + hM, M is
+
e
2
0
Z t
2

eMs + 2 hM,M is dhM, Y is

+
0
Z
1 t Ms + 2 hM,M is
2
e
+
Ys dhM, M is
2 0
0

Poniewa Yt =

Rt

Ys dMs , wic z twierdzenia 5.26 mamy

Z t
Z t
2
2
Ms + 2 hM,M is
e
dYs =
eMs + 2 hM,M is Ys dMs .
0

Mamy, zatem (twierdznie 5.24)

Z

Mt + 2 hM,M it

Yt =

eMs +

2
hM,M is
2

0


2
2
2
Ys dhM, M is Ys dhM, M is + Ys dhM, M is = 0
2
2

Std Yt = 0. Dla zakoczenia dowodu skorzystamy z lematu.

Lemat 6.11 Kady dodatni cigy lokalny martynga X jest dodatnim supermartyngaem.
Dowd. Niech {Tn } bdzie cigiem lokalizacyjnym dla X. Dla s t mamy


E XtTn | Fs = XsTn
Ale XTn s Xs gdy n i z lematu Fatou mamy






lim inf E XTn t | Fs E lim inf XTn t | Fs = E Xt | Fs .
n



Std E Xt | Fs Xs .
2
Lemat 6.12 Niech X = {Xt }t0 bdzie dodatnim supermartyngaem. Wtedy X jest jednostajnie cakowalnym martyngaem wtedy i tylko wtedy, gdy E[X0 ] = E[X ],

112

M. Beka, Caka Stochastyczna, wykad 6

Dowd. Konieczno jest oczywista. Dostateczno. Wystarczy wykaza, e
Xt = E(X | Ft ),

t 0.

Z twierdzenia 4.13 wynika, e X jest zbieny P - p.w. do skoczenie cakowalnej zmiennej

losowej X oraz
Xt E(X | Ft ),
t 0.
Std E(X0 ) E(Xt ) E(X ), t 0, wic z zaoenia mamy E(Xt ) = E(X ), t 0.
Ustalmy t > 0 i oznaczmy
F = {E(X | Ft ) < Xt }.
Jest oczywiste, e F Ft , wic F 0 Ft . Zamy, e P (F ) > 0. Wtedy
Z
Z
Z
X dP =
E(X | Ft ) dP <
Xt dP
F

oraz z drugiej strony

Z
F0

Z
X dP =

F0

Z
E(X | Ft ) dP

F0

Xt dP.

Te dwie powysze nierwnoci (po dodaniu stronami) daj

E(X ) = E[E(X | Ft )] < E(Xt )
co daje sprzeczno.
2
Z twierdzenia 6.10 i lematu 6.12 dostajemy


Wniosek 6.13 Proces (M ) M wtedy i tylko wtedy, gdy E (M ) = 1.
2
Proces (M ) := 1 (M ) z twierdzenia 6.10 wykorzystamy w twierdzeniu.
Twierdzenie 6.14 (Girsanov) Niech X, M Mcloc (M0 = 0),


E (M ) = 1.
Jeli Q jest miar probabilistyczn na przestrzeni (, F) okrelon przez pochodn RadonaNikodyma
dQ
= (M )
dP
to proces Y okrelony wzorem
Yt = Xt hX, M it

113

M. Beka, Caka Stochastyczna, wykad 6

jest Q-lokalnym martyngaem i
P
hY, Y iQ
t = hX, Xit ,

gdzie hX, XiP jest wariacj kwadratow stowarzyszon z lokalnym P -martyngaem X, a

hY, Y iQ z lokalnym Q-martyngaem Y .
Dowd. Dowd twierdzenia zaczniemy od lematu
Lemat 6.15 Niech P i Q bd probabilistycznymi miarami na (, F) i Q P . Niech
Z =

dQ
dP

bdzie pochodn Radona-Nikodyma. Okrelmy Zt = E(Z | Ft ), t 0. Niech N = {Nt }t0

(N0 = 0) bdzie cadlag procesem. Wtedy
N Mloc (Q) ZN Mloc (P ).
Dowd. Niech N Mloc (Q) i niech {Tn } bdzie cigiem lokalizacyjnym dla N . Mamy
dla kadego t > 0 i A Ft
Z
Z
Z
Tn
Tn
Zt Nt dP =
E(Z | Ft )Nt dP =
Z NtTn dP =
A

Z
A

NtTn dQ =

Z
A

Tn
N
dQ =

Tn
dP.
Z N

Tn | F ), t 0. Zatem ZN Tn M(P ), a std otrzymujemy rwnie

Std Zt NtTn = E(Z N
t
T
T
T
n
n
n
(ZN ) = (ZN ) M(P ) z oglnego twierdzenia o stopowaniu.
W drug stron, niech ZN Mloc (P ) i niech {Tn } bdzie cigiem lokalizacyjnym czasw
zatrzymania dla ZN . Z zaoenia (ZN )Tn M(P ) dla n 1. Wykaemy, najpierw e
ZN Tn M(P ) dla n 1. W tym celu na mocy wniosku 4.21 wystarczy wykaza, e dla
dowolnego czasu zatrzymania S mamy

1) E(ZS |NTn S |) < ,

2) E(ZS NTn S ) = 0
Ad. 1)




E(ZS |NTn S |) = E E(ZS |NTn S | | FTn S ) = E |NTn S |E(ZS | FTn S ) =




E |NTn S |ZTn S = E |ZS NS |Tn < , bo (ZN )Tn M(P ).
Ad. 2) Rozumujc analogicznie jak w ad. 1) otrzymujemy




E(ZS NTn S ) = E (ZS NS )Tn = 0, bo E (ZS NS )Tn = E(Z0 N0 ) = 0.

114

M. Beka, Caka Stochastyczna, wykad 6

Zatem ZN Tn M(P ) dla n 1. Wykaemy teraz, e N Tn M(Q) dla n 1. Dla t 0

i dla A Ft mamy
Z
Z
Z
Z
Zt NtTn dP =
E(Z | Ft )NTn t dP =
Z NTn t dP =
NTn t dQ =
A

Tn
Z N
dP =

Std

Tn
EQ (N

Tn
N
dQ.

NtTn

| Ft ), t 0 tzn.

N Tn

M(Q).

2
Aby wykaza, e Y Mloc (Q) na mocy lematu 6.15 wystarczy wykaza (M )Y Mloc (P ).
W tym celu zastosujemy wzr Ito do
F (x, y) = xy,

x := (M ),

z podstawieniem

y := Y.

Mamy
Z t
((M )s 1) dYs +
Ys d((M )s 1) + h(M ) 1, Xit
0
0
Z t
Z t
=
(M )s dXs
(M )s dhX, M is Yt
0
0
Z t
+
Ys d(M )s + h(M ) 1, Xit
Z

((M )t 1)Yt =

i poniewa
Z

h(M ) 1, Xit =

(M )s dhM, Xis
0

wic
Z
(M )t Yt =

Z
(M )s dXs +

Ys d(M )s
0

oraz (M )Y Mcloc (P ). Zakoczymy dowd z pomoc nastpujcego lematu

Lemat 6.16 Niech N Mcloc oraz A Acloc to kwadratowa wariacja procesu N jest rwna
kwadratowej wariacji N + A.
Dowd. Wystarczy wykaza (stosujc technik lokalizacyjn) powysz

wasnoc dla N
i V (A) ograniczonych. Niech [0, t] bdzie przedziaem i t podziaem tego przedziau tj.
t = {0 = t0 , t1 , . . . , tn , tn+1 = t}, ti < ti+1 . Oznaczmy przez L = N + A. Mamy
SL () =

n
X
i=0

Lti+1 Lti

2

n
X

Nti+1 Nti

i=0
n
X

+ 2

i=0

2

n
X

Ati+1 Ati

i=0

Ati+1 Ati

Nti+1 Nti ,

2

115

M. Beka, Caka Stochastyczna, wykad 6

ale kiedy || 0 to

2
Pn
zmierza do kwadratowej wariacji N (wg p-stwa);
i=0 Nti+1 Nti

2
Pn
zmierza do zera bo A jest cige i ma skoczone wahanie;
i=0 Ati+1 Ati




Pn
i=0 Ati+1 Ati Nti+1 Nti zmierza do zera bo
n
n
X
X





 

At At 
Ati+1 Ati Nti+1 Nti  sup |Nti+1 Nti |

i+1
i
i

i=0

i=0

oraz supi |Nti+1 Nti | 0, bo N jest jednostajnie cigy.

2
Wracamy do dowodu twierdzenia. Oznaczmy dla t 0
(2)

(2)

wedug prawdopodobiestwa P .

(2)

wedug prawdopodobiestwa Q.

SP (X)t = lim St (X),

|t |0

Analogicznie
(2)

SQ (Y )t = lim St (Y ),
|t |0

(2)

Poniewa Y Mloc (Q), wic z twierdzenia 5.18 SQ (Y )t = hY, Y iQ

t . Z drugiej strony z
rwnowanosci miar P i Q i lematu 6.16 mamy
(2)

(2)

(2)

SQ (Y )t = SP (Y )t = SP (X)t = hX, XiPt ,

t 0.

Ostatecznie wic
hX, XiPt = hY, Y iQ
t ,

t 0.
2

Wniosek 6.17 Niech B = {Bt }t0 bdzie ruchem Browna oraz niech
Z t
Mt =
Hs dBs ,
t 0,
0

gdzie np. H 0 (B). Jeli


Z
E exp
0

1
Hs dBs
2



Hs2 ds

= 1,

to proces
Z

Yt = B t

Hs ds,

t0

dQ
dP

jest ruchem Browna na (, F, F, Q), gdzie

= exp

Hs dBs

1
2

R
0

Hs2 ds .

116

M. Beka, Caka Stochastyczna, wykad 6

Dowd. Zastosujemy twierdzenie Girsanova do danego ruchu Browna B i do P -lokalnego

martyngau
Z t
Hs dBs ,
t 0.
Mt =
0

Mamy
Z
hB, M it =

Hs ds,

Hs dhB, Bis =

t0

i z twierdzenia Girsanova proces

Z
Yt = Bt

Hs ds,

t0

jest Q-lokalnym martyngaem. Ponadto

P
hY, Y iQ
t = hB, Bit = t,

t 0.

Poniewa Y jest cigym lokalnym Q - martyngaem, wic z twierdzenia Levyego dostajemy, e jest ruchem Browna wzgldem miary Q.
2