Persamaan Diferensial Stokastik (PDS)
- Diperkenalkan oleh
- Kiyosi Itô (Itô calculus, 1944); Peter Kloeden & Eckhard Platen (numerical methods, 1992)
- Tahun
- 1944 (theory); 1992 (numerical framework)
- Jenis
- Continuous-time stochastic process model
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Persamaan diferensial stokastik (PDS) adalah model persamaan diferensial yang menggabungkan suku hanyutan (drift) deterministik — yang mengatur kecenderungan rata-rata suatu sistem — dengan suku difusi stokastik yang digerakkan oleh proses Wiener (gerak Brown).
Dipelopori melalui kalkulus Itô oleh Kiyosi Itô pada tahun 1944 dan diberi perlakuan numerik yang komprehensif oleh Kloeden dan Platen pada tahun 1992, PDS adalah bahasa pemodelan standar untuk sistem waktu kontinu yang mengalami derau acak, termasuk harga aset keuangan, dinamika populasi, dan proses fisika.
Intuisi di balik metode
Bayangkan melacak harga saham jam demi jam. Sebagian besar waktu bergerak ke arah yang dipengaruhi oleh tren pasar yang luas — itulah hanyutan. Tetapi setiap saat juga terombang-ambing oleh berita, perdagangan, dan sentimen yang tidak dapat diprediksi — itulah derau. Persamaan diferensial biasa hanya akan menangkap tren; PDS menambahkan suku acak yang tepat secara matematis sehingga model juga menangkap fluktuasi yang tidak dapat diprediksi. Wawasan kuncinya adalah bahwa derau ini bukanlah sekadar kesalahan yang harus diabaikan — ini adalah fitur struktural dari sistem, dan PDS mengkodekan perilaku rata-rata dan variabilitasnya dalam satu persamaan.
Sejarah
Dasar matematis PDS bertumpu pada pengembangan kalkulus stokastik oleh Kiyosi Itô pada tahun 1940-an, yang menyediakan definisi ketat dari integral stokastik dan rumus perubahan variabel terkait yang sekarang disebut lemma Itô. Interpretasi Stratonovich paralel dikembangkan oleh Ruslan Stratonovich dan sering disukai dalam fisika karena memenuhi aturan rantai biasa. Perlakuan numerik PDS matang secara signifikan dengan monograf komprehensif Kloeden dan Platen (1992), yang mensistematisasikan teori konvergensi kuat dan lemah serta mengkatalogkan hierarki pemecah skema Taylor. Model penentuan harga opsi Black-Scholes (1973), berdasarkan gerak Brown geometris, membawa metode PDS ke arus utama keuangan dan mempercepat adopsi di berbagai disiplin ilmu. Saat ini PDS mendasari model dalam keuangan kuantitatif, biologi matematika, ilmu iklim, dan teori kontrol teknik.
Kapan digunakan
PDS sesuai ketika suatu sistem berevolusi secara kontinu dalam waktu dan dinamikanya tidak dapat dijelaskan oleh model yang sepenuhnya deterministik — karena keacakan intrinsik adalah fitur struktural, bukan gangguan. Input tipikal adalah variabel waktu kontinu dan satu atau lebih variabel keadaan kontinu. Metode ini sangat cocok untuk pemodelan keuangan (penentuan harga opsi, model suku bunga), biologi populasi (jumlah spesies yang mengalami stokastisitas lingkungan), epidemiologi (penularan dengan derau demografis), dan sistem fisika yang diatur oleh dinamika tipe Langevin. Tidak ada ukuran sampel minimum yang diperlukan dalam arti simulasi klasik, tetapi estimasi parameter yang andal dari data memang memerlukan observasi yang cukup. Analis harus memilih antara kerangka kerja Itô dan Stratonovich sebelum melanjutkan, dan langkah waktu harus divalidasi untuk stabilitas numerik.
Batasan dan pertimbangan
- Memilih antara interpretasi Itô dan Stratonovich memerlukan pemahaman matematis tentang kalkulus stokastik; pilihan yang salah mengarah pada rumus transformasi yang salah.
- Stabilitas numerik membatasi langkah waktu menjadi sangat kecil, yang meningkatkan biaya komputasi untuk horizon waktu yang panjang atau sistem yang kaku.
- Estimasi parameter dari data yang diamati (kalibrasi) menuntut secara statistik dan biasanya memerlukan metode kemungkinan maksimum atau Bayesian yang diadaptasi untuk pengaturan waktu kontinu.
- Hasil secara inheren bersifat probabilistik — realisasi lintasan individu bukanlah prediksi deterministik, dan interpretasi pita kepercayaan memerlukan kehati-hatian.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menyediakan kerangka kerja matematis yang ketat untuk sistem waktu kontinu di mana keacakan bersifat intrinsik daripada artefak aproksimasi.
- Memisahkan tren deterministik (hanyutan) dari fluktuasi acak (difusi), membuat kedua komponen dapat diinterpretasikan dan diperkirakan.
- Aplikasi yang sangat luas: rekayasa keuangan, fisika, biologi, epidemiologi, dan teknik semuanya menggunakan model berbasis PDS.
- Teori numerik yang berkembang pesat: orde konvergensi pemecah standar (Euler-Maruyama, Milstein) dikarakterisasi secara tepat, mendukung pemilihan langkah waktu yang berprinsip.
Penerapan
- Penetapan harga aset keuangan dan penilaian opsi — model gerak Brown geometris untuk harga saham; model Cox-Ingersoll-Ross dan Vasicek mengatur suku bunga.
- Dinamika populasi dalam ekologi dan epidemiologi — stokastisitas demografis dan lingkungan dimodelkan sebagai suku difusi pada proses kelahiran-kematian.
- Fisika dan teknik — persamaan Langevin menggambarkan gerakan partikel dalam bak termal; proses Ornstein-Uhlenbeck memodelkan fluktuasi kecepatan.
- Ilmu iklim dan lingkungan — PDS mewakili pemaksaan stokastik dalam model iklim yang disederhanakan dan persamaan transportasi kimia.
Cara kerjanya
Cara kerjanya
Analis merumuskan PDS dengan menulis fungsi hanyutan eksplisit — yang menentukan laju perubahan rata-rata — dan fungsi difusi — yang menskalakan intensitas fluktuasi acak. Pilihan pemodelan mendasar adalah apakah akan menggunakan interpretasi Itô atau Stratonovich dari integral stokastik; pilihan ini memengaruhi cara persamaan diturunkan dan ditransformasi, dan konvensi harus sesuai dengan aplikasi yang dimaksud dan rumus perubahan variabel apa pun yang digunakan.
Karena sebagian besar PDS tidak memiliki solusi bentuk tertutup, persamaan kontinu diganti dengan aproksimasi waktu diskrit. Skema Euler-Maruyama memberikan aproksimasi paling sederhana dan memiliki orde kuat 0,5; skema Milstein menambahkan suku koreksi yang meningkatkan orde konvergensi kuat menjadi 1,0. Langkah waktu harus dipilih cukup kecil untuk memastikan stabilitas numerik — ini adalah kendala utama dari tahap diskretisasi. Untuk PDS multidimensi, struktur korelasi antara sumber derau diperkenalkan melalui dekomposisi Cholesky dari matriks kovariansi.
Dengan skema diskretisasi yang ada, sejumlah besar lintasan sampel independen dihasilkan dengan menarik kenaikan normal standar baru pada setiap langkah waktu. Setiap lintasan mewakili satu kemungkinan lintasan sistem. Mengumpulkan banyak lintasan menghasilkan ansambel Monte Carlo dari mana kuantitas distribusi — lintasan rata-rata, varians, pita kuantil, dan probabilitas pencapaian — dapat diperkirakan.
Output simulasi dievaluasi untuk konvergensi kuat (seberapa dekat lintasan individu dengan solusi sebenarnya) dan konvergensi lemah (seberapa akurat distribusi hasil direproduksi). Diagnosis lintasan memeriksa bahwa langkah waktu yang dipilih cukup kecil; diagnosis distribusi membandingkan statistik ringkasan atau densitas terhadap tolok ukur analitis jika tersedia. Output akhir mencakup plot lintasan sampel, pita kepercayaan, dan karakteristik distribusi yang diperkirakan yang relevan dengan aplikasi.
Kesalahan umum
- Mencampuradukkan konvensi Itô dan Stratonovich saat menerapkan lemma Itô: aturan rantai berbeda antara kedua kerangka kerja, dan mencampur konvensi membatalkan aljabar.
- Memilih langkah waktu yang terlalu besar untuk skema numerik yang dipilih: Euler-Maruyama dapat menyimpang atau menghasilkan lintasan yang bias jika langkahnya tidak cukup kecil relatif terhadap koefisien difusi dan kelengkungan hanyutan.
- Menggabungkan konvergensi kuat dan konvergensi lemah: suatu skema dapat mereproduksi distribusi hasil secara akurat (konvergensi lemah yang baik) sementara lintasan individu menyimpang secara substansial dari lintasan sebenarnya (konvergensi kuat yang buruk), dan kriteria yang tepat bergantung pada aplikasi.
- Mengabaikan struktur korelasi dalam PDS multidimensi: jika beberapa sumber derau berkorelasi, kegagalan menerapkan dekomposisi Cholesky ke matriks difusi menghasilkan lintasan yang tidak menghormati dinamika gabungan yang sebenarnya.
Pertanyaan yang sering diajukan
Apa perbedaan antara PDS Itô dan Stratonovich?
Kedua interpretasi mendefinisikan bagaimana integral stokastik dievaluasi, tetapi berbeda dalam konvensi titik tengah yang digunakan dalam aproksimasi jumlah Riemann mereka. Konsekuensi praktisnya adalah bahwa lemma Itô (aturan rantai untuk PDS Itô) berisi suku variasi kuadratik tambahan yang tidak ada dalam kalkulus biasa, sementara PDS Stratonovich memenuhi aturan rantai standar. Konvensi fisika sering kali mendukung Stratonovich karena penurunan fisika yang menggunakan batas derau putih secara alami menghasilkan hal itu; keuangan dan teori probabilitas sebagian besar menggunakan Itô. Keduanya setara secara matematis tetapi saling diubah dengan koreksi hanyutan — analis harus memilih satu konvensi dan konsisten di seluruh.
Pemecah numerik mana yang harus saya gunakan — Euler-Maruyama atau Milstein?
Euler-Maruyama adalah pilihan paling sederhana dan cukup ketika hanya akurasi distribusi (lemah) yang dibutuhkan, atau ketika koefisien difusi tidak bergantung pada keadaan. Milstein menambahkan suku koreksi yang memperhitungkan turunan difusi terhadap keadaan, meningkatkan orde konvergensi kuat dari 0,5 menjadi 1,0 — membuat lintasan individu lebih akurat pada ukuran langkah tertentu. Ketika difusi bergantung pada keadaan dan Anda memerlukan lintasan individu yang akurat (misalnya, dalam pengurangan varians atau penentuan harga opsi yang bergantung pada lintasan), Milstein adalah pilihan default yang lebih baik.
Apa perbedaan antara konvergensi kuat dan konvergensi lemah?
Konvergensi kuat mengukur seberapa dekat lintasan simulasi individu dengan solusi sebenarnya — ini adalah kriteria lintasan demi lintasan. Konvergensi lemah mengukur seberapa akurat distribusi solusi (rata-rata, varians, harga opsi) direproduksi — ini adalah kriteria distribusi. Suatu skema dapat memiliki konvergensi lemah yang sangat baik sementara lintasan individu menyimpang secara substansial, dan sebaliknya. Jika Anda memerlukan distribusi yang akurat (misalnya, menghitung imbalan yang diharapkan), konvergensi lemah adalah standar yang relevan. Jika Anda memerlukan lintasan individu yang realistis (misalnya, pelacakan partikel, Monte Carlo dengan imbalan yang bergantung pada lintasan), konvergensi kuat penting.
Bagaimana cara menangani sumber derau yang berkorelasi dalam PDS multidimensi?
Struktur korelasi dikodekan dalam matriks difusi. Untuk menghasilkan kenaikan Brown yang berkorelasi, terapkan dekomposisi Cholesky dari matriks kovariansi ke kenaikan normal standar independen pada setiap langkah waktu. Ini mengubah derau yang tidak berkorelasi menjadi derau yang berkorelasi yang sesuai dengan kovariansi gabungan yang ditentukan, memastikan lintasan yang disimulasikan menghormati dinamika gabungan yang sebenarnya dari sistem multidimensi.
Metode terkait
Sumber
Øksendal, B. (2003). Stochastic Differential Equations: An Introduction with Applications (6th ed.). Springer.
Buka referensi DOIDisalin.Kloeden, P.E. & Platen, E. (1992). Numerical Solution of Stochastic Differential Equations. Springer.
Buka referensi DOIDisalin.