Processing math: 22%

반응형

[확률적분] 10. 정지시간



확률변수 τ:Ω[a,b]가 여과 {Ft,atb}에 대해 정지시간(stopping time)이라는 것은 모든 t[a,b]에 대해 {ω|τ(ωt)}Ft가 성립하는 것이다. 

이때 b가 될 수 있다. 직관적으로 말하자면 τ를 실행중인 한 게임을 정지하는 시간이라고 생각할 수 있다. τ가 정지시간이 되기 위한 조건은 게임을 실행하기 이전 또는 시간 t에서 게임을 정지하는 결정이 Ft에 의해 제공된 정보로 측정되어져야 함을 뜻한다. 

여과 {Ft,atb}가 우연속(right continuous)이라는 것은 임의의 t[a,b)에 대해 다음의 조건이 성립하는 것이고Ft=n=1Ft+1nt>b일 때 Ft=Fb이다. 

때때로 사건 {ω|τ(ω)t}보다 사건 {ωΩ|τ(ω)<t}가 다루기 편리하다. 이때 다음의 사실이 유용하다.


{Ft,atb}를 우연속 여과라 하자. 그러면 확률변수 τ:Ω[a,b]가 여과 {Ft,atb}에 대해 정지시간이 될 필요충분조건은 모든 t[a,b]에 대해 {ω|τ(ω)<t}Ft가 성립하는 것이다. 

이 사실을 검증하기 위해, τ를 정지시간이라고 하자. 그러면 임의의 t(a,b]에 대해 다음이 성립하고{ω|τ(ω)<t}=n=1{ω|t1n}Ftt=a에 대해 {ω|τ(ω)<a}=Ft이다. 역으로 모든 t[a,b]에 대해 {ω|τ(ω)<t}Ft라 하고 여과 Ft는 우연속이라 하자. 그러면 임의의 t[a,b)에 대해{ω|τ(ω)t}=n=1{ω|τ(ω)<t+1n}n=1Ft+1n=Ft이므로 따라서 τ는 정지시간이다. 

분명히 t[a,b]에서 상수 c의 값을 가지면, τ는 정지시간이다. 


예: B(t)를 브라운 운동, {Ft}={Ft,0t}를 여과라 하자.τ(ω)=inf라고 하면, 확률변수 \tau는 구간 [-1,\,1]에서의 브라운 운동이 처음으로 탈출하는 시간이다. B(t)의 연속성에 의해\{\omega\,|\,\tau(\omega)<t\}=\bigcup_{0<r<t,\,r\in\mathbb{Q}}{\{\omega\,|\,|B(r)|>1\}}이므로 모든 t>0에 대해 \{\omega\,|\,\tau(\omega)<t\}이다. t=0에 대해 \{\omega\,|\,\tau(\omega)<0\}=\emptyset\in\mathcal{F}_{0}이고 따라서 \tau는 정지시간이다. 


예: f\in\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,b]))라 하고, 고정된 n에 대하여 \tau_{n}을 다음과 같이 정의하자.\begin{align*}\tau_{n}(\omega)&=\begin{cases}\displaystyle\inf\left\{t\,|\,\int_{a}^{t}{|f(s,\,\omega)|^{2}ds}>n\right\}&\,(\{t\,|\,\cdots\}\neq\emptyset)\\b&\,(\{t\,|\,\cdots\}=\emptyset)\end{cases}\\&\{t\,|\,\cdots\}=\left\{t\,|\,\int_{a}^{t}{|f(s,\,\omega)|^{2}ds}>n\right\}\end{align*}분명히 이 확률변수는 다음의 확률변수와 같고\tau_{n}(t)=\sup\left\{t\,|\,\int_{a}^{t}{|f(s,\,\omega)|^{2}ds}\right\}임의의 t\in(a,\,b]에 대해 다음이 성립한다.\{\omega\,|\,\tau_{n}(\omega)<t\}=\bigcup_{a<r<t,\,r\in\mathbb{Q}}{\left\{\omega\,|\,\int_{a}^{r}{|f(s,\,\omega)|^{2}ds}>n\right\}}\in\mathcal{F}_{t}t=a에 대해 \{\omega\,|\,\tau_{n}(\omega)<a\}=\emptyset\in\mathcal{F}_{a}이고 따라서 \tau_{n}은 정지시간이다.             

f\in\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,b]))라 하자. 그러면 임의의 t\in[a,\,b]에 대해 f\in\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,t]))이고 다음의 확률과정을 얻는다.X_{t}=\int_{a}^{t}{f(s)dB(s)},\,a\leq t\leq b일반적으로 X_{t}는 유한한 기댓값을 갖지 않으므로 마팅게일이라고 할 수 없다. X_{t}가 유한한 기댓값을 갖지 않는 상황을 극복하기 위한 마팅게일의 개념을 제시할 것이다. 이를 위해 정지시간의 개념이 필요하다. 계산에서의 혼동을 막기 위해 앞에서의 확률과정 X_{t}를 다음과 같이 나타낸다.X_{t}=\int_{a}^{t}{f(s)dB(s)}=\int_{a}^{b}{\mathbb{1}_{[a,\,b]}(s)f(s)dB(s)},\,a\leq t\leq b여기서 임의의 t\in[a,\,b]에 대해 \mathbb{1}_{[a,\,t]}(s)f(s,\,\omega)\in\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,b]))이다. 

n에 대해 확률과정 f_{n}을 다음과 같이 정의하자.f_{n}(t,\,\omega)=\begin{cases}f(t,\,\omega)&\,\left(\int_{a}^{t}{|f(s,\,\omega)|^{2}ds}\leq n\right)\\0&\,(\text{otherwise})\end{cases}\tau_{n}을 앞의 두 번째 예의 정지시간이라 하자. X_{t}에 대한 식에서 tt\wedge\tau_{n}=\min\{t,\,\tau_{n}\}로 대치하면 다음의 확률과정을 얻는다.X_{t\wedge\tau_{n}}=\int_{a}^{t\wedge\tau_{n}}{f(s)dB(s)}=\int_{a}^{b}{1_{[a,\,t\wedge\tau_{n}]}(s)f(s)dB(s)},\,a\leq t\leq b이때 거의 모든 \omega에 대해다음이 성립하므로1_{[a,\,t\wedge\tau_{n}(\omega)]}(s)f(s,\,\omega)=1_{[a,\,t]}(s)f(s,\,\omega)따라서 다음이 성립한다.X_{t\wedge\tau_{n}}=\int_{a}^{t\wedge\tau_{n}}{f(s)dB(s)}=\int_{a}^{t}{f_{n}(s)dB(s)},\,a\leq t\leq b\displaystyle\int_{a}^{b}{|f_{n}(t)|^{2}dt}\leq\,a.s.이면 \displaystyle\int_{a}^{b}{E(|f_{n}(t)|^{2})dt}\leq n이고 따라서 f_{n}\in L^{2}_{ad}([a,\,b]\times\Omega)이고 확률과정 X_{t\wedge\tau_{n}}은 각 n에 대해 마팅게일이다. 이때 수열 \{\tau_{n}\}은 단조증가하고 n\,\rightarrow\,\infty일 때 \tau_{n}\,\rightarrow\,b\,a.s.이다. 

     

\{\mathcal{F}_{t}\}-적합한 확률과정 X_{t},\,a\leq t\leq b\{\mathcal{F}_{t}\}에 대해 국소 마팅게일(local martingale)이라는 것은 정지시간열 \{\tau_{n}\}이 존재해서 다음이 성립하는 것이다. 

(1) \tau_{n}은 단조증가하고 n\,\rightarrow\,\infty일 때 b로 거의 확실히 수렴한다.  

(2) 각 n\in\mathbb{N}에 대해, X_{t\wedge\tau_{n}}\{\mathcal{F}_{t},\,a\leq t\leq b\}에 대해 마팅게일이다.  

분명히 마팅게일은 국소 마팅게일인데 그 이유는 모든 n에 대해 \tau_{n}=b라고 할 수 있기 때문이다. 그러나 국소 마팅게일은 마팅게일이 아닐 수 있는데 그 이유는 적분가능하지 않은 확률과정이 존재하기 때문이다. X_{t}의 적분가능성이 없이는 X_{t}의 조건부기댓값을 정의할 수 없고 X_{t}가 마팅게일이라고도 할 수 없다. 이 사실을 다음과 같이 정리할 수 있다.


f\in\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,b]))라 하자. 그러면 다음의 확률과정은X_{t}=\int_{a}^{t}{f(s)dB(s)},\,a\leq t\leq b여과 \{\mathcal{F}_{t},\,a\leq t\leq b\}에 대해 국소 마팅게일이고, B(t)\mathcal{F}_{t}-가측, 모든 s\leq t에 대해 확률변수 B(t)-B(s)\mathcal{F}_{s}와 독립이다. 


예: f(t)=e^{\{B(t)\}^{2}}\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,b]))의 원소이고 따라서 앞의 정리에 의해 다음의 확률과정은X_{t}=\int_{a}^{t}{e^{\{B(s)\}^{2}}dB(s)},\,a\leq t\leq b국소 마팅게일인 반면에 다음의 확률과정은Y_{t}=\int_{0}^{t}{e^{\{B(s)\}^{2}}dB(s)},\,0\leq t\leq\frac{1}{4}적분가능하므로 마팅게일이다. 


f,\,g\in L^{2}_{ad}([a,\,b]\times\Omega), A를 다음과 같이 정의된 사건이라 하자.A=\{\omega\,|\,f(t,\,\omega)=g(t,\,\omega)\,\text{for all}\,t\in[a,\,b]\}그러면 다음의 등식이 성립한다.\int_{a}^{b}{f(t)dB(t)}=\int_{a}^{b}{g(t)dB(t)},\,a.s.\,\text{on}\,A증명: 일반성을 잃지 않고 모든 t\omega에 대해 g(t,\,\omega)=0이라고 할 수 있다. \tau를 다음과 같이 정의하자.\tau(\omega)=\begin{cases}\inf\{t\,|\,f(t,\,\omega)\neq0\}&\,(\{t\,|\,f(t,\,\omega)\neq0\}\neq\emptyset)\\b&\,(\{t\,|\,f(t,\,\omega)\neq0\}=\emptyset)\end{cases}그러면 \tau는 정지시간이고 다음의 확률변수를 고려하자.Y(\tau)=\int_{a}^{\tau}{f(s)dB(s)}=\int_{a}^{b}{1_{[a,\,\tau]}(s)f(s)dB(s)}이때 1_{[a,\,\tau]}(s)f(s)\in L^{2}_{ad}([a,\,b]\times\Omega)이고 이 확률적분은 정의된다. 게다가 모든 \omega에 대해1_{[a,\,\tau(\omega)]}(s)|f(s,\,\omega)|^{2}=1_{\{\tau(\omega)\}}(s)|f(\tau(\omega),\,s)|^{2}이므로\int_{a}^{b}{1_{[a,\,\tau]}|f(t)|^{2}dt}=0\,a.s.이다. 그러면 다음이 성립하고E(|Y(\tau)|^{2})=E\left(\int_{a}^{b}{1_{[a,\,\tau]}(t)|f(t)|^{2}dt}\right)=0따라서 Y(\tau)=0\,a.s.이다. \omega\in A이면 \tau(\omega)=b이고Y(\tau(\omega))=\int_{a}^{b}{f(s)dB(s)}이므로 이것은 사건 A에서 \displaystyle\int_{a}^{b}{f(s)dB(s)}=0\,a.s.를 뜻한다. 


f\in\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,b]))라 하자. 그러면 다음의 확률과정은X_{t}=\int_{a}^{t}{f(s)dB(s)},\,a\leq t\leq b연속 실제화를 갖는다. 

증명: 각 n에 대해 f_{n}을 다음과 같이 정의된 확률과정이라 하고f_{n}(t,\,\omega)=\begin{cases}f(t,\,\omega)&\,\left(\int_{a}^{t}{|f(s,\,\omega)|^{2}ds}\leq n\right)\\0&\,(\text{otherwise})\end{cases}X_{t}^{(n)}을 다음과 같이 정의하자.X_{t}^{(n)}=\int_{a}^{b}{f_{n}(s)dB(s)},\,a\leq t\leq b그러면 X_{t}^{(n)}은 연속 확률변수이다. 사건 A_{n}을 다음과 같이 정의하자.A_{n}=\left\{\omega\,|\,\int_{a}^{b}{|f(t,\,\omega)|^{2}dt}\leq n\right\}그러면 A_{n}\subset A_{n+1}이고 \displaystyle A=\bigcup_{n=1}^{\infty}{A_{n}}라고 하면 \displaystyle\int_{a}^{b}{|f(t)|^{2}dt}<\infty\,a.s.이므로 P(A)=1이다. \omega\in A_{n}이면, 모든 m\geq nt\in[a,\,b]에 대해f_{n}(t,\,\omega)=f_{m}(t,\,\omega)이고 앞의 정리에 의해 거의 모든 \omega\in A_{n}와 모든 m\geq nt\in[a,\,b]에 대해 다음이 성립한다.X_{t}^{(m)}=X_{t}^{(n)}\displaystyle A=\bigcup_{n=1}^{\infty}{A_{n}}이므로 앞의 등식은 거의 모든 \omega\in A와 모든 t\in[a,\,b]에 대해 다음의 극한이 존재함을 뜻한다.\lim_{m\,\rightarrow\,\infty}{X_{t}^{(m)}(\omega)}확률과정 Y_{t}(\omega)를 다음과 같이 정의하자.Y_{t}(\omega)=\begin{cases}\displaystyle\lim_{m\,\rightarrow\,\infty}{X_{t}^{(m)}(\omega)}&\,(\omega\in A)\\0&\,(\omega\notin A)\end{cases}그러면 Y_{t}(\omega)는 연속 확률과정이고 f\in\mathcal{L}_{ad}(\Omega,\,L^{2}([a,\,b]))에 대한 확률적분의 정의에 의해 다음이 성립한다.X_{t}=\lim_{m\,\rightarrow\,\infty}{X_{t}^{(m)}}\,\text{in probability}그러므로 각 t\in[a,\,b]에 대해 X_{t}=Y_{t}\,a.s.이고 따라서 Y_{t}X_{t}의 연속 실제화이다. 


참고자료:

Introduction to Stochastic Integration, Hui-Hsiung Kuo, Springer        

반응형
Posted by skywalker222