สมการเชิงอนุพันธ์สุ่ม (Stochastic Differential Equations - SDEs)
- ผู้เสนอ
- Kiyosi Itô (Itô calculus, 1944); Peter Kloeden & Eckhard Platen (numerical methods, 1992)
- ปี
- 1944 (theory); 1992 (numerical framework)
- ประเภท
- Continuous-time stochastic process model
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
สมการเชิงอนุพันธ์สุ่ม (SDEs) คือแบบจำลองสมการเชิงอนุพันธ์ที่รวมเทอมการเคลื่อนที่แบบกำหนดได้ (drift term) ซึ่งควบคุมแนวโน้มเฉลี่ยของระบบ เข้ากับเทอมการแพร่แบบสุ่ม (diffusion term) ที่ขับเคลื่อนโดยกระบวนการ Wiener (การเคลื่อนที่แบบบราวน์) SDEs ซึ่งริเริ่มผ่านแคลคูลัสของ Itô โดย Kiyosi Itô ในปี 1944 และได้รับการจัดการเชิงตัวเลขอย่างครอบคลุมโดย Kloeden และ Platen ในปี 1992 เป็นภาษาแบบจำลองมาตรฐานสำหรับระบบเวลาต่อเนื่องที่อยู่ภายใต้สัญญาณรบกวนแบบสุ่ม รวมถึงราคาของสินทรัพย์ทางการเงิน พลวัตของประชากร และกระบวนการทางกายภาพ
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพการติดตามราคาหุ้นเป็นรายชั่วโมง ส่วนใหญ่แล้วราคาจะเคลื่อนที่ไปในทิศทางที่ได้รับอิทธิพลจากแนวโน้มตลาดในวงกว้าง นั่นคือ drift แต่ในทุกขณะ ราคาก็ยังถูกรบกวนจากข่าวสาร การซื้อขาย และความรู้สึกที่ไม่สามารถคาดเดาได้ นั่นคือ noise สมการเชิงอนุพันธ์ธรรมดาจะจับได้เพียงแนวโน้มเท่านั้น แต่ SDE จะเพิ่มเทอมสุ่มที่แม่นยำทางคณิตศาสตร์เข้าไป เพื่อให้แบบจำลองสามารถจับความผันผวนที่ไม่สามารถคาดเดาได้ด้วย แนวคิดสำคัญคือ noise นี้ไม่ใช่แค่ข้อผิดพลาดที่ต้องเพิกเฉย แต่เป็นคุณลักษณะเชิงโครงสร้างของระบบ และ SDE จะเข้ารหัสทั้งพฤติกรรมเฉลี่ยและความแปรปรวนในสมการเดียว
ประวัติศาสตร์
รากฐานทางคณิตศาสตร์ของ SDEs ตั้งอยู่บนการพัฒนาแคลคูลัสสุ่มของ Kiyosi Itô ในทศวรรษที่ 1940 ซึ่งให้คำจำกัดความที่เข้มงวดของอินทิกรัลสุ่มและสูตรการเปลี่ยนตัวแปรที่เกี่ยวข้องซึ่งปัจจุบันเรียกว่า Itô's lemma การตีความแบบ Stratonovich ที่ขนานกันได้รับการพัฒนาโดย Ruslan Stratonovich และมักนิยมใช้ในวิชาฟิสิกส์เนื่องจากสอดคล้องกับกฎลูกโซ่ธรรมดา การจัดการเชิงตัวเลขของ SDEs มีความสมบูรณ์อย่างมากด้วยตำราที่ครอบคลุมของ Kloeden และ Platen (1992) ซึ่งจัดระบบทฤษฎี strong และ weak convergence และจัดลำดับชั้นของตัวแก้แบบ Taylor-scheme แบบจำลองการกำหนดราคาออปชัน Black-Scholes (1973) ซึ่งอิงตาม geometric Brownian motion ได้นำวิธีการ SDE มาสู่กระแวดวงการเงินกระแสหลักและเร่งการยอมรับในหลากหลายสาขาวิชา ปัจจุบัน SDEs เป็นพื้นฐานของแบบจำลองในด้านการเงินเชิงปริมาณ ชีววิทยาเชิงคณิตศาสตร์ วิทยาศาสตร์ภูมิอากาศ และทฤษฎีการควบคุมทางวิศวกรรม
ควรใช้เมื่อใด
SDEs เหมาะสมเมื่อระบบมีการเปลี่ยนแปลงอย่างต่อเนื่องตามเวลา และพลวัตของระบบไม่สามารถอธิบายได้ด้วยแบบจำลองที่กำหนดได้เพียงอย่างเดียว เนื่องจากความสุ่มภายในเป็นคุณลักษณะเชิงโครงสร้าง ไม่ใช่สิ่งรบกวน ปัจจัยนำเข้าทั่วไปคือตัวแปรเวลาต่อเนื่องและตัวแปรสถานะต่อเนื่องหนึ่งตัวหรือมากกว่า วิธีการนี้เหมาะสมอย่างยิ่งสำหรับการสร้างแบบจำลองทางการเงิน (การกำหนดราคาออปชัน แบบจำลองอัตราดอกเบี้ย) ชีววิทยาประชากร (จำนวนชนิดพันธุ์ภายใต้ความสุ่มของสิ่งแวดล้อม) ระบาดวิทยา (การแพร่ระบาดพร้อมกับสัญญาณรบกวนทางประชากร) และกระบวนการทางกายภาพที่ควบคุมโดยพลวัตแบบ Langevin ไม่จำเป็นต้องมีขนาดตัวอย่างขั้นต่ำในความหมายของการจำลองแบบคลาสสิก แต่การประมาณค่าพารามิเตอร์ที่เชื่อถือได้จากข้อมูลต้องอาศัยการสังเกตการณ์ที่เพียงพอ นักวิเคราะห์ต้องเลือกระหว่างกรอบการทำงานแบบ Itô หรือ Stratonovich ก่อนดำเนินการ และต้องตรวจสอบขั้นตอนเวลาเพื่อเสถียรภาพเชิงตัวเลข
ข้อจำกัดและข้อควรพิจารณา
- การเลือกระหว่างการตีความแบบ Itô และ Stratonovich ต้องอาศัยความเข้าใจทางคณิตศาสตร์เกี่ยวกับแคลคูลัสสุ่ม การเลือกที่ไม่ถูกต้องจะนำไปสู่สูตรการแปลงที่ผิดพลาด
- เสถียรภาพเชิงตัวเลขจำกัดขั้นตอนเวลาให้มีค่าน้อยมาก ซึ่งเพิ่มต้นทุนการคำนวณสำหรับช่วงเวลาที่ยาวนานหรือระบบที่แข็ง (stiff systems)
- การประมาณค่าพารามิเตอร์จากข้อมูลที่สังเกตได้ (การปรับเทียบ) เป็นเรื่องที่ท้าทายทางสถิติ และโดยทั่วไปต้องใช้วิธีการ Maximum Likelihood หรือ Bayesian ที่ปรับให้เข้ากับการตั้งค่าเวลาต่อเนื่อง
- ผลลัพธ์เป็นแบบสุ่มโดยเนื้อแท้ — การเกิดเส้นทางแต่ละเส้นไม่ใช่การทำนายที่แน่นอน และการตีความแถบความเชื่อมั่นต้องทำด้วยความระมัดระวัง
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ให้กรอบการทำงานทางคณิตศาสตร์ที่เข้มงวดสำหรับระบบเวลาต่อเนื่องที่ความสุ่มเป็นคุณลักษณะภายใน ไม่ใช่สิ่งประดิษฐ์จากการประมาณค่า
- แยกแนวโน้มที่กำหนดได้ (drift) ออกจากความผันผวนแบบสุ่ม (diffusion) ทำให้ทั้งสองส่วนสามารถตีความและประมาณค่าได้
- ความสามารถในการใช้งานที่กว้างขวางอย่างยิ่ง: วิศวกรรมการเงิน ฟิสิกส์ ชีววิทยา ระบาดวิทยา และวิศวกรรมศาสตร์ ล้วนใช้แบบจำลองที่อิงตาม SDE
- ทฤษฎีเชิงตัวเลขที่พัฒนามาอย่างดี: อันดับความแม่นยำของการลู่เข้าของตัวแก้มาตรฐาน (Euler-Maruyama, Milstein) ได้รับการอธิบายอย่างแม่นยำ สนับสนุนการเลือกขั้นตอนเวลาตามหลักการ
การประยุกต์ใช้
- การกำหนดราคาและการประเมินมูลค่าออปชันของสินทรัพย์ทางการเงิน — แบบจำลอง geometric Brownian motion สำหรับราคาหุ้น แบบจำลอง Cox-Ingersoll-Ross และ Vasicek ควบคุมอัตราดอกเบี้ย
- พลวัตของประชากรในระบบนิเวศและระบาดวิทยา — ความสุ่มทางประชากรและสิ่งแวดล้อมถูกจำลองเป็นเทอมการแพร่ในกระบวนการเกิด-ตาย
- ฟิสิกส์และวิศวกรรมศาสตร์ — สมการ Langevin อธิบายการเคลื่อนที่ของอนุภาคในอ่างความร้อน กระบวนการ Ornstein-Uhlenbeck จำลองความผันผวนของความเร็ว
- วิทยาศาสตร์ภูมิอากาศและสิ่งแวดล้อม — SDEs แสดงถึงแรงผลักดันแบบสุ่มในแบบจำลองภูมิอากาศอย่างง่ายและสมการการขนส่งสารเคมี
วิธีการทำงาน
วิธีการทำงาน
นักวิเคราะห์จะกำหนด SDE โดยการเขียนฟังก์ชัน drift ที่ชัดเจน ซึ่งกำหนดอัตราการเปลี่ยนแปลงเฉลี่ย และฟังก์ชัน diffusion ซึ่งปรับขนาดความเข้มของความผันผวนแบบสุ่ม การเลือกพื้นฐานคือการใช้การตีความแบบ Itô หรือ Stratonovich ของอินทิกรัลสุ่ม การเลือกนี้จะส่งผลต่อวิธีการสร้างและแปลงสมการ และต้องเลือกให้ตรงกับการใช้งานที่ตั้งใจไว้และสูตรการเปลี่ยนตัวแปรใดๆ ที่ใช้
เนื่องจาก SDE ส่วนใหญ่ไม่มีผลเฉลยในรูปแบบปิด สมการเวลาต่อเนื่องจึงถูกแทนที่ด้วยการประมาณค่าแบบเวลาไม่ต่อเนื่อง วิธี Euler-Maruyama ให้การประมาณค่าที่ง่ายที่สุดและมีอันดับความแม่นยำแบบ strong order 0.5 วิธี Milstein เพิ่มเทอมแก้ไขที่เพิ่มอันดับความแม่นยำแบบ strong convergence เป็น 1.0 ขั้นตอนเวลาต้องเลือกให้เล็กพอที่จะรับประกันเสถียรภาพเชิงตัวเลข นี่คือข้อจำกัดหลักของขั้นตอนการทำให้ไม่ต่อเนื่อง สำหรับ SDE หลายมิติ โครงสร้างสหสัมพันธ์ระหว่างแหล่งกำเนิด noise จะถูกนำมาใช้ผ่านการแยก Cholesky ของเมทริกซ์ความแปรปรวนร่วม
เมื่อมีวิธีการทำให้ไม่ต่อเนื่องแล้ว จะมีการสร้างเส้นทางการจำลองอิสระจำนวนมากโดยการสุ่มส่วนเพิ่มแบบ standard-normal ใหม่ในแต่ละขั้นตอนเวลา แต่ละเส้นทางแสดงถึงวิถีที่เป็นไปได้หนึ่งวิถีของระบบ การรวบรวมเส้นทางจำนวนมากจะสร้างกลุ่มตัวอย่างแบบ Monte Carlo ซึ่งสามารถประมาณค่าปริมาณการแจกแจง เช่น เส้นทางเฉลี่ย ความแปรปรวน แถบควอนไทล์ และความน่าจะเป็นในการถึงเป้าหมายได้
ผลลัพธ์จากการจำลองจะถูกประเมินทั้งความแม่นยำแบบ strong convergence (เส้นทางแต่ละเส้นใกล้เคียงกับผลเฉลยที่แท้จริงเพียงใด) และ weak convergence (การแจกแจงของผลลัพธ์ถูกสร้างขึ้นมาใหม่ได้อย่างแม่นยำเพียงใด) การวินิจฉัยเส้นทางจะตรวจสอบว่าขั้นตอนเวลาที่เลือกนั้นเล็กพอหรือไม่ การวินิจฉัยการแจกแจงจะเปรียบเทียบสถิติสรุปหรือความหนาแน่นกับเกณฑ์มาตรฐานเชิงวิเคราะห์เมื่อมีอยู่ ผลลัพธ์สุดท้ายรวมถึงกราฟเส้นทางการจำลอง แถบความเชื่อมั่น และลักษณะการแจกแจงที่ประมาณค่าได้ซึ่งเกี่ยวข้องกับการใช้งาน
ข้อผิดพลาดที่พบบ่อย
- ความสับสนระหว่างหลักการ Itô และ Stratonovich เมื่อใช้ Itô's lemma: กฎลูกโซ่แตกต่างกันระหว่างสองกรอบการทำงาน และการผสมผสานหลักการจะทำให้พีชคณิตไม่ถูกต้อง
- การเลือกขั้นตอนเวลาที่ใหญ่เกินไปสำหรับวิธีแก้ปัญหาที่เลือก: Euler-Maruyama อาจลู่ออกหรือสร้างเส้นทางที่มีความเอนเอียงหากขั้นตอนเวลาไม่เล็กพอเมื่อเทียบกับสัมประสิทธิ์การแพร่และความโค้งของ drift
- การผสมผสานระหว่าง strong convergence และ weak convergence: วิธีแก้ปัญหาอาจสร้างการแจกแจงของผลลัพธ์ได้อย่างแม่นยำ (weak convergence ที่ดี) ในขณะที่เส้นทางแต่ละเส้นเบี่ยงเบนไปจากวิถีที่แท้จริงอย่างมาก (strong convergence ที่ไม่ดี) และเกณฑ์ที่ถูกต้องขึ้นอยู่กับการใช้งาน
- การละเลยโครงสร้างสหสัมพันธ์ใน SDE หลายมิติ: หากแหล่งกำเนิด noise หลายแหล่งมีความสัมพันธ์กัน การไม่ใช้การแยก Cholesky กับเมทริกซ์การแพร่ จะทำให้เส้นทางที่สร้างขึ้นไม่สอดคล้องกับพลวัตการร่วมที่แท้จริง
คำถามที่พบบ่อย
ความแตกต่างระหว่าง SDEs แบบ Itô และ Stratonovich คืออะไร?
การตีความทั้งสองแบบกำหนดวิธีการประเมินค่าอินทิกรัลสุ่ม แต่แตกต่างกันในข้อตกลงเรื่องจุดกึ่งกลางที่ใช้ในการประมาณค่าแบบ Riemann-sum ผลลัพธ์ที่ใช้งานได้คือ Itô's lemma (กฎลูกโซ่สำหรับ SDEs แบบ Itô) มีเทอมการแปรผันกำลังสองเพิ่มเติมที่ไม่มีในแคลคูลัสธรรมดา ในขณะที่ SDEs แบบ Stratonovich สอดคล้องกับกฎลูกโซ่มาตรฐาน ข้อตกลงทางฟิสิกส์มักนิยม Stratonovich เนื่องจากวิธีการทางฟิสิกส์ที่ใช้ลิมิตของ white noise มักจะนำไปสู่แบบนี้ ในขณะที่การเงินและทฤษฎีความน่าจะเป็นส่วนใหญ่ใช้ Itô ทั้งสองแบบมีความสมมูลกันทางคณิตศาสตร์ แต่สามารถแปลงกลับกันได้ด้วยการปรับแก้ drift — นักวิเคราะห์ต้องเลือกข้อตกลงหนึ่งและใช้ให้สอดคล้องกันตลอด
ควรใช้วิธีแก้ปัญหาเชิงตัวเลขแบบใด — Euler-Maruyama หรือ Milstein?
Euler-Maruyama เป็นตัวเลือกที่ง่ายที่สุดและเพียงพอเมื่อต้องการเพียงความแม่นยำของการแจกแจง (weak accuracy) หรือเมื่อสัมประสิทธิ์การแพร่ไม่ขึ้นอยู่กับสถานะ Milstein เพิ่มเทอมแก้ไขที่คำนึงถึงอนุพันธ์ของการแพร่เทียบกับสถานะ ซึ่งเพิ่มอันดับความแม่นยำแบบ strong convergence จาก 0.5 เป็น 1.0 — ทำให้เส้นทางแต่ละเส้นมีความแม่นยำมากขึ้นที่ขนาดขั้นตอนที่กำหนด เมื่อการแพร่ขึ้นอยู่กับสถานะและคุณต้องการวิถีที่แม่นยำ (เช่น ในการลดความแปรปรวน หรือการกำหนดราคาออปชันที่ขึ้นอยู่กับเส้นทาง) Milstein จึงเป็นตัวเลือกที่ดีกว่าโดยปริยาย
ความแตกต่างระหว่าง strong convergence และ weak convergence คืออะไร?
Strong convergence วัดว่าเส้นทางการจำลองแต่ละเส้นใกล้เคียงกับผลเฉลยที่แท้จริงเพียงใด — เป็นเกณฑ์แบบ pathwise Weak convergence วัดว่าการแจกแจงของผลเฉลย (ค่าเฉลี่ย ความแปรปรวน ราคาออปชัน) ถูกสร้างขึ้นมาใหม่ได้อย่างแม่นยำเพียงใด — เป็นเกณฑ์แบบ distributional วิธีแก้ปัญหาอาจมี weak convergence ที่ยอดเยี่ยมในขณะที่เส้นทางแต่ละเส้นเบี่ยงเบนไปอย่างมาก และในทางกลับกัน หากคุณต้องการการแจกแจงที่แม่นยำ (เช่น การคำนวณผลตอบแทนที่คาดหวัง) weak convergence คือมาตรฐานที่เกี่ยวข้อง หากคุณต้องการวิถีที่สมจริง (เช่น การติดตามอนุภาค การจำลองแบบ Monte Carlo ที่มีผลตอบแทนขึ้นอยู่กับเส้นทาง) strong convergence จะมีความสำคัญ
จะจัดการกับแหล่งกำเนิด noise ที่มีความสัมพันธ์กันใน SDE หลายมิติได้อย่างไร?
โครงสร้างสหสัมพันธ์จะถูกเข้ารหัสในเมทริกซ์การแพร่ ในการสร้างส่วนเพิ่มของ Brownian ที่มีความสัมพันธ์กัน ให้ใช้การแยก Cholesky ของเมทริกซ์ความแปรปรวนร่วมกับส่วนเพิ่ม standard-normal ที่เป็นอิสระในแต่ละขั้นตอนเวลา วิธีนี้จะแปลง noise ที่ไม่มีความสัมพันธ์ให้เป็น noise ที่มีความสัมพันธ์ซึ่งตรงกับความแปรปรวนร่วมที่ระบุไว้ เพื่อให้แน่ใจว่าเส้นทางการจำลองจะสอดคล้องกับพลวัตการร่วมที่แท้จริงของระบบหลายมิติ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Øksendal, B. (2003). Stochastic Differential Equations: An Introduction with Applications (6th ed.). Springer.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วKloeden, P.E. & Platen, E. (1992). Numerical Solution of Stochastic Differential Equations. Springer.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว