สูตรFeynman–Kac ซึ่งตั้งชื่อตามRichard Feynman และMark Kac สร้างความเชื่อมโยงระหว่างสมการเชิงอนุพันธ์ย่อยพาราโบลิก และกระบวนการสุ่ม ในปี 1947 เมื่อ Kac และ Feynman ต่างก็เป็นอาจารย์ประจำที่มหาวิทยาลัย Cornell Kac ได้เข้าร่วมการนำเสนอของ Feynman และกล่าวว่าทั้งสองคนกำลังทำงานในเรื่องเดียวกันจากทิศทางที่แตกต่างกัน[ 1 ] จึงเกิดเป็นสูตร Feynman–Kac ซึ่งพิสูจน์อย่างเข้มงวดถึงความคล้ายคลึงกันของค่าจริงกับปริพันธ์เส้นทาง ของ Feynman กรณีที่ซับซ้อนซึ่งจำเป็นในกลศาสตร์ควอนตัม ยังคงเป็นคำถามที่เปิดอยู่[ 2 ]
สูตรนี้เสนอวิธีการแก้สมการเชิงอนุพันธ์ย่อยบางประเภทโดยการจำลองเส้นทางสุ่มของกระบวนการสุ่ม ในทางกลับกัน สูตรนี้ยังสามารถใช้ในการคำนวณค่าคาดหวัง ของกระบวนการสุ่มประเภทสำคัญๆ ด้วยวิธีการเชิงกำหนดได้ อีกด้วย
ทฤษฎีบท พิจารณาสมการเชิงอนุพันธ์ย่อย∂ ∂ ที คุณ ( x , ที ) + μ ( x , ที ) ∂ ∂ x คุณ ( x , ที ) + 1 2 σ 2 ( x , ที ) ∂ 2 ∂ x 2 คุณ ( x , ที ) − วี ( x , ที ) คุณ ( x , ที ) + เอฟ ( x , ที ) = 0 , {\displaystyle {\frac {\partial }{\partial t}}u(x,t)+\mu (x,t){\frac {\partial }{\partial x}}u(x,t)+{\tfrac {1}{2}}\sigma ^{2}(x,t){\frac {\partial ^{2}}{\partial x^{2}}}u(x,t)-V(x,t)u(x,t)+f(x,t)=0,} กำหนดไว้สำหรับทุกคนx ∈ อาร์ {\displaystyle x\in \mathbb {R} } และที ∈ [ 0 , ที ] {\displaystyle t\in [0,T]} โดยขึ้นอยู่กับเงื่อนไขสุดท้ายคุณ ( x , ที ) = ψ ( x ) , {\displaystyle u(x,T)=\psi (x),} ที่ไหนμ , σ , ψ , วี , เอฟ {\displaystyle \mu ,\sigma ,\psi ,V,f} เป็นฟังก์ชันที่ทราบกันดีที {\displaystyle T} เป็นพารามิเตอร์ และคุณ : อาร์ × [ 0 , ที ] → อาร์ {\displaystyle u:\mathbb {R} \times [0,T]\to \mathbb {R} } คือฟังก์ชันที่ไม่ทราบค่า จากนั้นสูตรของ Feynman–Kac จะแสดงออกมาคุณ ( x , ที ) {\displaystyle u(x,t)} ในฐานะค่าคาดหวังแบบมีเงื่อนไข ของตัวแปรสุ่ม บางตัว :
คุณ ( x , ที ) = อี [ อี − ∫ ที ที วี ( X ส , ส ) ง ส ψ ( X ที ) + ∫ ที ที อี − ∫ ที τ วี ( X ส , ส ) ง ส เอฟ ( X τ , τ ) ง τ | X ที = x ] {\displaystyle u(x,t)=\mathbb {E} \left[e^{-\int _{t}^{T}V(X_{s},s)\,\mathrm {d} s}\psi (X_{T})+\int _{t}^{T}e^{-\int _{t}^{\tau }V(X_{s},s)\,\mathrm {d} s}f(X_{\tau },\tau )\,\mathrm {d} \tau \,\,{\Bigg |}\,\,X_{t}=x\right]}
ที่ไหนX ที {\displaystyle X_{t}} เป็นกระบวนการอิโตะ ที่สอดคล้องกับสมการเชิงอนุพันธ์สุ่ม ง X ที = μ ( X ที , ที ) ง ที + σ ( X ที , ที ) ง ว ที , {\displaystyle dX_{t}=\mu (X_{t},t)\,dt+\sigma (X_{t},t)\,dW_{t},} และว ที {\displaystyle W_{t}} คือกระบวนการไวเนอร์ (หรือเรียกว่าการเคลื่อนที่แบบบราวน์ )
การตีความโดยสัญชาตญาณ สมมติว่าX ที {\displaystyle X_{t}} อธิบายตำแหน่ง ณ เวลาที {\displaystyle t} ของอนุภาคที่เปลี่ยนแปลงไปตามกระบวนการแพร่กระจาย ง X ที = μ ( X ที , ที ) ง ที + σ ( X ที , ที ) ง ว ที . {\displaystyle dX_{t}=\mu (X_{t},t)\,dt+\sigma (X_{t},t)\,dW_{t}.} ให้อนุภาคมี "ต้นทุน" ในอัตราที่กำหนดเอฟ ( X ส , ส ) {\displaystyle f(X_{s},s)} ณ สถานที่X ส {\displaystyle X_{s}} ในเวลานั้นส {\displaystyle s} ปล่อยให้เกิดค่าใช้จ่ายสุดท้าย ณ เวลาดังกล่าวที {\displaystyle T} ของψ ( X ที ) {\displaystyle \psi (X_{T})} .
นอกจากนี้ ให้ปล่อยให้อนุภาคสลายตัวไป หากอนุภาคอยู่ที่ตำแหน่งนั้นX ส {\displaystyle X_{s}} ในเวลานั้นส {\displaystyle s} จากนั้นมันจะสลายตัวไปตามอัตราวี ( X ส , ส ) {\displaystyle V(X_{s},s)} หลังจากอนุภาคสลายตัวไปแล้ว ค่าใช้จ่ายในอนาคตทั้งหมดจะเป็นศูนย์
แล้วคุณ ( x , ที ) {\displaystyle u(x,t)} คือต้นทุนที่คาดว่าจะเกิดขึ้น หากอนุภาคเริ่มต้นที่( ที , X ที = x ) . {\displaystyle (t,X_{t}=x).}
หลักฐานบางส่วน การพิสูจน์ว่าสูตรค่าคาดหวังข้างต้นเป็นคำตอบของสมการเชิงอนุพันธ์นั้นยาว ซับซ้อน และไม่ได้นำเสนอไว้ในที่นี้ อย่างไรก็ตาม การแสดงให้เห็นว่าหากมีคำตอบอยู่จริง คำตอบ นั้นจะต้องมีรูปแบบข้างต้นนั้นค่อนข้างตรงไปตรงมา การพิสูจน์ผลลัพธ์ที่ด้อยกว่านั้นมีดังต่อไปนี้:
อนุพันธ์ สมมติว่าคุณ ( x , ที ) {\displaystyle u(x,t)} สอดคล้องกับสมการอนุพันธ์ย่อย:
∂ คุณ ∂ ที + μ ∂ คุณ ∂ x + 1 2 σ 2 ∂ 2 คุณ ∂ x 2 − วี คุณ + เอฟ = 0 {\displaystyle {\frac {\partial u}{\partial t}}+\mu {\frac {\partial u}{\partial x}}+{\frac {1}{2}}\sigma ^{2}{\frac {\partial ^{2}u}{\partial x^{2}}}-Vu+f=0} ด้วยอาการขั้นสุดท้ายคุณ ( x , ที ) = ψ ( x ) . {\displaystyle u(x,T)=\psi (x).} นอกจากนี้ อนุญาตให้X ที {\displaystyle X_{t}} เป็นกระบวนการสุ่มตามที่กำหนดไว้ข้างต้น
อนุญาตจี ( ที , ส ) = อี − ∫ ที ส วี ( X ร , ร ) ง ร {\displaystyle g(t,s)=e^{-\int _{t}^{s}V(X_{r},r)dr}} อนุพันธ์ของมันเป็นไปตามเงื่อนไขดังต่อไปนี้:
ง จี ( ที , ส ) = − วี ( X ส , ส ) จี ( ที , ส ) ง ส . {\displaystyle dg(t,s)=-V(X_{s},s)g(t,s)\,ds.} จงนิยามกระบวนการสุ่ม:
วาย ส = จี ( ที , ส ) คุณ ( X ส , ส ) + ∫ ที ส จี ( ที , τ ) เอฟ ( X τ , τ ) ง τ {\displaystyle Y_{s}=g(t,s)u(X_{s},s)+\int _{t}^{s}g(t,\tau )f(X_{\tau },\tau )\,d\tau } สำหรับส ∈ [ ที , ที ] {\displaystyle s\in [t,T]} ในช่วงเวลาสำคัญ:
วาย ที = คุณ ( X ที , ที ) , วาย ที = จี ( ที , ที ) ψ ( X ที ) + ∫ ที ที จี ( ที , τ ) เอฟ ( X τ , τ ) ง τ . {\displaystyle Y_{t}=u(X_{t},t),\quad Y_{T}=g(t,T)\psi (X_{T})+\int _{t}^{T}g(t,\tau )f(X_{\tau },\tau )\,d\tau .} ถ้าวาย ส {\displaystyle Y_{s}} ถ้าเป็นมาร์ติงเกล เราก็จะมี
คุณ ( x , ที ) = อี [ วาย ที ∣ วาย ที = คุณ ( x , ที ) ] = อี [ วาย ที ∣ X ที = x ] {\displaystyle u(x,t)=\mathbb {E} [Y_{T}\mid Y_{t}=u(x,t)]=\mathbb {E} [Y_{T}\mid X_{t}=x]} ซึ่งเป็นสิ่งที่เราต้องการแสดงให้เห็น ดังนั้นเราจึงจำเป็นต้องพิสูจน์วาย ส {\displaystyle Y_{s}} เป็นมาร์ติงเกล
เราสันนิษฐานว่าX ส {\displaystyle X_{s}} ตาม SDE
ง X ส = μ ( X ส , ส ) ง ส + σ ( X ส , ส ) ง ว ส . {\displaystyle dX_{s}=\mu (X_{s},s)\,ds+\sigma (X_{s},s)\,dW_{s}.} ตามทฤษฎีบทของอิโตะ :
ง คุณ ( X ส , ส ) = ( ∂ คุณ ∂ ส + μ ∂ คุณ ∂ x + 1 2 σ 2 ∂ 2 คุณ ∂ x 2 ) ง ส + σ ∂ คุณ ∂ x ง ว ส . {\displaystyle du(X_{s},s)=\left({\frac {\partial u}{\partial s}}+\mu {\frac {\partial u}{\partial x}}+{\frac {1}{2}}\sigma ^{2}{\frac {\partial ^{2}u}{\partial x^{2}}}\right)ds+\sigma {\frac {\partial u}{\partial x}}dW_{s}.} แยกแยะวาย ส {\displaystyle Y_{s}} :
ง วาย ส = ง [ จี ( ที , ส ) คุณ ( X ส , ส ) ] + จี ( ที , ส ) เอฟ ( X ส , ส ) ง ส . {\displaystyle dY_{s}=d\left[g(t,s)u(X_{s},s)\right]+g(t,s)f(X_{s},s)\,ds.} ขยายง [ จี คุณ ] {\displaystyle d[gu]} :
ง [ จี คุณ ] = จี ง คุณ + คุณ ง จี + ง [ จี , คุณ ] ⏟ = 0 . {\displaystyle d[gu]=g\,du+u\,dg+\underbrace {d[g,u]} _{=0}.} ทดแทนง จี = − วี จี ง ส {\displaystyle dg=-Vg\,ds} และง คุณ {\displaystyle du} :
ง [ จี คุณ ] = จี ( ∂ คุณ ∂ ส + μ ∂ คุณ ∂ x + 1 2 σ 2 ∂ 2 คุณ ∂ x 2 ) ง ส {\displaystyle d[gu]=g\left({\frac {\partial u}{\partial s}}+\mu {\frac {\partial u}{\partial x}}+{\frac {1}{2}}\sigma ^{2}{\frac {\partial ^{2}u}{\partial x^{2}}}\right)ds} + จี σ ∂ คุณ ∂ x ง ว ส − วี จี คุณ ง ส . {\displaystyle \qquad \quad +\;g\sigma {\frac {\partial u}{\partial x}}\,dW_{s}\;-\;Vgu\,ds.} เพิ่มพจน์อินทิกรัล:
ง วาย ส = [ จี ( ∂ คุณ ∂ ส + μ ∂ คุณ ∂ x + 1 2 σ 2 ∂ 2 คุณ ∂ x 2 ) − วี จี คุณ + จี เอฟ ] ง ส + จี σ ∂ คุณ ∂ x ง ว ส . {\displaystyle dY_{s}=\left[g\left({\frac {\partial u}{\partial s}}+\mu {\frac {\partial u}{\partial x}}+{\frac {1}{2}}\sigma ^{2}{\frac {\partial ^{2}u}{\partial x^{2}}}\right)-Vgu+gf\right]ds+g\sigma {\frac {\partial u}{\partial x}}dW_{s}.} สำหรับวาย ส {\displaystyle Y_{s}} เพื่อให้เป็นมาร์ติงเกล เทอมการเคลื่อนตัวต้องหายไป:
∂ คุณ ∂ ส + μ ∂ คุณ ∂ x + 1 2 σ 2 ∂ 2 คุณ ∂ x 2 − วี คุณ + เอฟ = 0. {\displaystyle {\frac {\partial u}{\partial s}}+\mu {\frac {\partial u}{\partial x}}+{\frac {1}{2}}\sigma ^{2}{\frac {\partial ^{2}u}{\partial x^{2}}}-Vu+f=0.}
หลักฐานข้างต้นที่แสดงว่าวิธีแก้ปัญหาต้องมีรูปแบบที่กำหนดนั้นโดยพื้นฐานแล้วคือหลักฐานของ[ 3 ] โดยมีการปรับเปลี่ยนเพื่ออธิบายเอฟ ( x , ที ) {\displaystyle f(x,t)} . สูตรค่าคาดหวังข้างต้นยังใช้ได้กับ การแพร่กระจายแบบ Itô ในมิติ N ด้วย สมการอนุพันธ์ย่อยที่สอดคล้องกันสำหรับคุณ : อาร์ เอ็น × [ 0 , ที ] → อาร์ {\displaystyle u:\mathbb {R} ^{N}\times [0,T]\to \mathbb {R} } กลายเป็น: [ 4 ] ∂ คุณ ∂ ที + ∑ ฉัน = 1 เอ็น μ ฉัน ( x , ที ) ∂ คุณ ∂ x ฉัน + 1 2 ∑ ฉัน = 1 เอ็น ∑ เจ = 1 เอ็น γ ฉัน เจ ( x , ที ) ∂ 2 คุณ ∂ x ฉัน ∂ x เจ − ร ( x , ที ) คุณ = เอฟ ( x , ที ) , {\displaystyle {\frac {\partial u}{\partial t}}+\sum _{i=1}^{N}\mu _{i}(x,t){\frac {\partial u}{\partial x_{i}}}+{\frac {1}{2}}\sum _{i=1}^{N}\sum _{j=1}^{N}\gamma _{ij}(x,t){\frac {\partial ^{2}u}{\partial x_{i}\partial x_{j}}}-r(x,t)\,u=f(x,t),} ที่ไหน,γ ฉัน เจ ( x , ที ) = ∑ เค = 1 เอ็น σ ฉัน เค ( x , ที ) σ เจ เค ( x , ที ) , {\displaystyle \gamma _{ij}(x,t)=\sum _{k=1}^{N}\sigma _{ik}(x,t)\sigma _{jk}(x,t),} เช่นγ = σ σ ที {\displaystyle \gamma =\sigma \sigma ^{\mathrm {T} }} , ที่ไหนσ ที {\displaystyle \sigma ^{\mathrm {T} }} หมายถึงการสลับตำแหน่ง ของσ {\displaystyle \sigma } . กล่าวโดยสรุปคือ การปล่อยให้เอ {\displaystyle A} เป็นตัวสร้างขนาดเล็กมาก ของกระบวนการแพร่กระจาย∂ คุณ ∂ ที + เอ คุณ − ร ( x , ที ) คุณ = เอฟ ( x , ที ) . {\displaystyle {\frac {\partial u}{\partial t}}+Au-r(x,t)\,u=f(x,t).} จากนั้นจึงสามารถประมาณค่าที่คาดหวังได้โดยใช้ วิธี มอนเตคาร์โลห รือวิธีควาซีมอนเตคาร์ โล
เมื่อ Kac ตีพิมพ์ครั้งแรกในปี พ.ศ. 2492 [ 5 ] สูตรนี้ถูกนำเสนอเป็นวิธีการในการกำหนดการกระจายของฟังก์ชัน Wiener บางอย่าง สมมติว่าเราต้องการหาค่าที่คาดหวังของฟังก์ชัน เอ็กซ์ ( − ∫ 0 ที วี ( x ( τ ) ) ง τ ) {\displaystyle \exp \left(-\int _{0}^{t}V(x(\tau ))\,d\tau \right)} ในกรณีที่x ( t ) เป็นผลลัพธ์บางอย่างของกระบวนการแพร่ที่เริ่มต้นที่x (0) = 0 สูตรของ Feynman–Kac กล่าวว่าค่าคาดหวังนี้เทียบเท่ากับปริพันธ์ของคำตอบของสมการการแพร่ ที่สอดคล้องกัน โดยเฉพาะอย่างยิ่ง ภายใต้เงื่อนไขที่ว่าวี ( x ) ≥ 0 {\displaystyle V(x)\geq 0} , อี [ เอ็กซ์ ( − ∫ 0 ที วี ( x ( τ ) ) ง τ ) ] = ∫ − ∞ ∞ ว ( x , ที ) ง x {\displaystyle \mathbb {E} \left[\exp \left(-\int _{0}^{t}V(x(\tau ))\,d\tau \right)\right]=\int _{-\infty }^{\infty }w(x,t)\,dx} โดยที่w ( x , t ) คือคำตอบของสมการเชิงอนุพันธ์ย่อยพาราโบลิก ∂ ว ∂ ที = 1 2 ∂ 2 ว ∂ x 2 − วี ( x ) ว {\displaystyle {\frac {\partial w}{\partial t}}={\frac {1}{2}}{\frac {\partial ^{2}w}{\partial x^{2}}}-V(x)w} โดยมีเงื่อนไขเริ่มต้น w ( x , 0) = δ ( x )
สูตรของเฟย์นแมน-คาคยังสามารถใช้ในการประเมินอินทิกรัลเชิงฟังก์ชัน ในรูปแบบใดรูปแบบหนึ่งได้อีกด้วย ตัวอย่างเช่น ถ้าฉัน = ∫ เอฟ ( x ( 0 ) ) เอ็กซ์ ( − ∫ 0 ที วี ( x ( τ ) ) ง τ ) จี ( x ( ที ) ) ดี x {\displaystyle I=\int f(x(0))\exp \left(-\int _{0}^{t}V(x(\tau ))\,d\tau \right)g(x(t))\,Dx} โดยที่สัญลักษณ์นั้นดี x {\displaystyle Dx} หมายถึงการอินทิเกรตที่ดำเนินการกับการเดินแบบสุ่ม ทั้งหมด x : [ 0 , ที ] → อาร์ {\displaystyle x:[0,t]\to \mathbb {R} } , แล้วฉัน = ∫ − ∞ ∞ ว ( x , ที ) จี ( x ) ง x {\displaystyle I=\int _{-\infty }^{\infty }w(x,t)g(x)\,dx} โดยที่w ( x , t ) คือคำตอบของสมการ∂ ว ∂ ที = 1 2 ∂ 2 ว ∂ x 2 − วี ( x ) ว {\displaystyle {\frac {\partial w}{\partial t}}={\frac {1}{2}}{\frac {\partial ^{2}w}{\partial x^{2}}}-V(x)w} โดยมีเงื่อนไขเริ่มต้นw ( x , 0) = f ( x )
ตัวอย่าง ในทางปฏิบัติ สูตรของ Feynman–Kac สามารถใช้ร่วมกับวิธีการเชิงตัวเลข เช่นEuler-Maruyama เพื่อประมาณค่าคำตอบของสมการเชิงอนุพันธ์ย่อยด้วยวิธีเชิงตัวเลขได้ ตัวอย่างเช่น สามารถนำไปใช้กับ สมการเชิงอนุพันธ์ย่อยของ การพาความร้อนและการแพร่กระจาย (PDE) ได้ดังนี้:
∂ ∂ ที คุณ ( x , ที ) + ข ∂ ∂ x คุณ ( x , ที ) = − σ 2 ∂ 2 ∂ x 2 คุณ ( x , ที ) {\displaystyle {\frac {\partial }{\partial t}}u(x,t)+b{\frac {\partial }{\partial x}}u(x,t)=-\sigma ^{2}{\frac {\partial ^{2}}{\partial x^{2}}}u(x,t)} พิจารณาสมการอนุพันธ์ย่อยการพาความร้อน-การแพร่กระจายที่มีพารามิเตอร์ข = 1 {\displaystyle b=1} ,σ = 1 {\displaystyle \sigma =1} และสภาวะสุดท้ายคุณ ( x , ที ) = อี − x 2 {\displaystyle u(x,T)=e^{-x^{2}}} กับที = 1 {\displaystyle T=1} จากนั้นสมการอนุพันธ์ย่อยสามารถหาคำตอบได้โดยใช้วิธีวิเคราะห์:
คุณ ( x , ที ) = 1 5 − 4 ที เอ็กซ์ ( − ( 1 − ที + x ) 2 5 − 4 ที ) {\displaystyle u(x,t)={\frac {1}{\sqrt {5-4t}}}\exp \left(-{\frac {(1-t+x)^{2}}{5-4t}}\right)} เมื่อใช้สูตรของ Feynman-Kac คำตอบสามารถเขียนได้ในรูปของค่าคาดหวังแบบมีเงื่อนไขเช่นกัน:
คุณ ( x , ที ) = อี [ อี − X ที 2 | X ที = x ] {\displaystyle u(x,t)=\mathbb {E} \left[e^{-X_{T}^{2}}\,{\bigl |}\,X_{t}=x\right]} ที่ไหนX {\displaystyle X} เป็นกระบวนการอิโตะที่ควบคุมโดย SDEง X ที = ง ที + 2 ง ว ที {\displaystyle dX_{t}=dt+{\sqrt {2}}dW_{t}} และว ที {\displaystyle W_{t}} เป็นกระบวนการ Wiener จากนั้นใช้ระเบียบวิธี Euler-Maruyama เพื่อทำการอินทิเกรตเชิงตัวเลขไปข้างหน้าตามเวลาจากเงื่อนไขเริ่มต้นของสมการอนุพันธ์เชิงสุ่ม (SDE)( x 0 , ที 0 ) {\displaystyle (x_{0},t_{0})} จนถึงเวลาสิ้นสุดที , {\displaystyle T,} ส่งผลให้ได้ค่าจำลองของX ที {\displaystyle X_{T}} เพื่อให้ได้ค่าประมาณที่ใกล้เคียงกับค่าคาดหวังในวิธีการของ Feynman-Kac จึงทำการจำลองซ้ำเอ็น {\displaystyle N} หลายครั้ง สิ่งเหล่านี้มักเรียกว่าการรับรู้ จากนั้นจึงประมาณค่าคำตอบโดยใช้ค่าเฉลี่ยแบบมอนเตคาร์โล
คุณ ( x 0 , ที 0 ) ≈ 1 เอ็น ∑ ฉัน = 1 เอ็น เอ็กซ์ ( − ( X ที ( ฉัน ) ) 2 ) {\displaystyle u(x_{0},t_{0})\approx {\frac {1}{N}}\sum _{i=1}^{N}\exp \left(-\left(X_{T}^{(i)}\right)^{2}\right)} รูปด้านล่างเปรียบเทียบผลลัพธ์เชิงวิเคราะห์กับค่าประมาณเชิงตัวเลขที่ได้จากการใช้วิธีออยเลอร์-มารุยามะเอ็น = 1000 {\displaystyle N=1000} ภาพด้านซ้ายแสดงส่วนตัดแนวตั้งของกราฟความชันทางด้านขวา โดยแต่ละเส้นแนวตั้งบนพื้นผิวจะสอดคล้องกับเส้นโค้งสีทางด้านซ้าย ในขณะที่ผลลัพธ์เชิงตัวเลขแสดงให้เห็นถึงสัญญาณรบกวนบ้าง แต่ก็ติดตามรูปร่างของผลลัพธ์ที่แม่นยำอย่างใกล้ชิด การเพิ่มจำนวนการจำลองเอ็น {\displaystyle N} หรือการลดช่วงเวลาของวิธีออยเลอร์-มารุยามะจะช่วยเพิ่มความแม่นยำและลดความแปรปรวนของการประมาณค่าได้
คำตอบที่แม่นยำ (ด้านล่าง) และการประมาณค่าแบบออยเลอร์-มารุยามะ (ด้านบน) สำหรับสมการอนุพันธ์ย่อยของการพาความร้อนและการแพร่กระจาย กราฟแสดงค่าความชันตามช่วงเวลาแสดงอยู่ทางด้านซ้าย ตัวอย่างนี้แสดงให้เห็นว่าการจำลองแบบสุ่ม ซึ่งทำได้โดยสูตร Feynman–Kac และวิธีการเชิงตัวเลข เช่น Euler–Maruyama สามารถประมาณค่าคำตอบของสมการเชิงอนุพันธ์ย่อย (PDE) ได้อย่างไร ในทางปฏิบัติ วิธีการแบบสุ่มดังกล่าวมีคุณค่าอย่างยิ่งเมื่อต้องจัดการกับระบบที่มีมิติสูงหรือรูปทรงเรขาคณิตที่ซับซ้อน ซึ่งตัวแก้สมการ PDE แบบดั้งเดิมมีข้อจำกัดด้านการคำนวณ ข้อดีที่สำคัญอย่างหนึ่งของวิธีการที่ใช้สมการเชิงอนุพันธ์แบบสุ่มคือการทำงานแบบขนานโดยธรรมชาติ กล่าวคือ การจำลองหรือการรับรู้แต่ละครั้งสามารถคำนวณได้อย่างอิสระ ทำให้เหมาะสำหรับสภาพแวดล้อมการคำนวณประสิทธิภาพสูง แม้ว่าการจำลองแบบสุ่มจะทำให้เกิดความแปรปรวน แต่ก็สามารถลดทอนได้โดยการเพิ่มจำนวนการรับรู้หรือปรับปรุงการแบ่งช่วงเวลา ดังนั้น สมการเชิงอนุพันธ์แบบสุ่มจึงเป็นทางเลือกที่ยืดหยุ่นและปรับขนาดได้สำหรับตัวแก้สมการ PDE แบบกำหนด โดยเฉพาะอย่างยิ่งในบริบทที่ความไม่แน่นอนเป็นสิ่งที่เกิดขึ้นโดยธรรมชาติหรือมิติที่สูงเป็นอุปสรรคต่อการคำนวณ แตกต่างจากตัวแก้สมการเชิงอนุพันธ์ย่อยแบบดั้งเดิม ซึ่งโดยทั่วไปต้องแก้หาคำตอบทั้งหมดบนตารางกริด วิธีนี้ช่วยให้สามารถคำนวณโดยตรง ณ จุดเฉพาะในพื้นที่และเวลาได้ แนวทางที่มุ่งเน้นนี้ช่วยให้สามารถเน้นทรัพยากรการคำนวณไปยังบริเวณที่สนใจ ซึ่งอาจส่งผลให้ประสิทธิภาพเพิ่มขึ้นอย่างมาก
แอปพลิเคชัน
การเงิน ในด้านการเงินเชิงปริมาณ สูตร Feynman–Kac ใช้ในการคำนวณคำตอบของสมการ Black–Scholes อย่างมีประสิทธิภาพ เพื่อ กำหนด ราคาออปชั่น ในหุ้น[ 6 ] และ ราคา พันธบัตรแบบไม่มีคูปอง ในแบบจำลองโครงสร้างระยะเวลาแบบเชิง เส้น
ตัวอย่างเช่น ลองพิจารณาราคาหุ้นเอส ที {\displaystyle S_{t}} กำลังเกิดการเคลื่อนที่แบบบราวน์ทางเรขาคณิต ง เอส ที = ( ร ที ง ที + σ ที ง ว ที ) เอส ที {\displaystyle dS_{t}=\left(r_{t}dt+\sigma _{t}dW_{t}\right)S_{t}} ที่ไหนร ที {\displaystyle r_{t}} คืออัตราดอกเบี้ยปลอดความเสี่ยง และσ ที {\displaystyle \sigma _{t}} คือความผันผวน หรือกล่าวอีกนัยหนึ่ง ตามทฤษฎีบทของอิโตะ ง ln เอส ที = ( ร ที − 1 2 σ ที 2 ) ง ที + σ ที ง ว ที . {\displaystyle d\ln S_{t}=\left(r_{t}-{\tfrac {1}{2}}\sigma _{t}^{2}\right)dt+\sigma _{t}\,dW_{t}.} ทีนี้ลองพิจารณาออปชั่นซื้อแบบยุโรปบนเอส ที {\displaystyle S_{t}} หมดอายุ ณ เวลาที {\displaystyle T} ด้วยการประท้วงเค {\displaystyle K} เมื่อหมดอายุแล้วจะมีมูลค่า( X ที − เค ) + . {\displaystyle (X_{T}-K)^{+}.} จากนั้น ราคาออปชั่นแบบไร้ความเสี่ยง ณ เวลาดังกล่าวที {\displaystyle t} และราคาหุ้นx {\displaystyle x} , เป็น คุณ ( x , ที ) = อี [ อี − ∫ ที ที ร ส ง ส ( เอส ที − เค ) + | ln เอส ที = ln x ] . {\displaystyle u(x,t)=\operatorname {E} \left[e^{-\int _{t}^{T}r_{s}ds}(S_{T}-K)^{+}|\ln S_{t}=\ln x\right].} เมื่อแทนค่าลงในสูตรของ Feynman–Kac เราจะได้สมการ Black–Scholes: { ∂ ที คุณ + เอ คุณ − ร ที คุณ = 0 คุณ ( x , ที ) = ( x − เค ) + {\displaystyle {\begin{cases}\partial _{t}u+Au-r_{t}u=0\\u(x,T)=(x-K)^{+}\end{cases}}} ที่ไหน เอ = ( ร ที − σ ที 2 / 2 ) ∂ ln x + 1 2 σ ที 2 ∂ ln x 2 = ร ที x ∂ x + 1 2 σ ที 2 x 2 ∂ x 2 . {\textstyle A=(r_{t}-\sigma _{t}^{2}/2)\partial _{\ln x}+{\frac {1}{2}}\sigma _{t}^{2}\partial _{\ln x}^{2}=r_{t}x\partial _{x}+{\frac {1}{2}}\sigma _{t}^{2}x^{2}\partial _{x}^{2}.} โดยทั่วไปแล้ว ให้พิจารณาตัวเลือกที่หมดอายุ ณ เวลา ...ที {\displaystyle T} พร้อมผลตอบแทนจี ( เอส ที ) {\displaystyle g(S_{T})} การคำนวณแบบเดียวกันแสดงให้เห็นว่าราคาของมันคุณ ( x , ที ) {\displaystyle u(x,t)} พอใจ { ∂ ที คุณ + เอ คุณ − ร ที คุณ = 0 คุณ ( x , ที ) = จี ( x ) . {\displaystyle {\begin{cases}\partial _{t}u+Au-r_{t}u=0\\u(x,T)=g(x).\end{cases}}} ตัวเลือกอื่นๆ เช่นออปชั่นแบบอเมริกัน ไม่มีวันหมดอายุที่แน่นอนออปชั่นบางประเภทมีมูลค่า ณ วันหมดอายุที่กำหนดโดยราคาหุ้นในอดีต ตัวอย่างเช่นออปชั่นเฉลี่ย มีผลตอบแทนที่ไม่ได้กำหนดโดยราคาหุ้นอ้างอิง ณ วันหมดอายุ แต่กำหนดโดยราคาหุ้นอ้างอิงเฉลี่ยในช่วงเวลาที่กำหนดไว้ล่วงหน้า สำหรับกรณีเหล่านี้ สูตรของ Feynman–Kac ไม่สามารถนำมาใช้ได้โดยตรง
อ่านเพิ่มเติม ไซมอน, แบร์รี (1979). การบูรณาการเชิงฟังก์ชันและฟิสิกส์ควอนตัม . สำนักพิมพ์ Academic Press. ISBN 0126442509 .Hall, BC (2013). ทฤษฎีควอนตัมสำหรับนักคณิตศาสตร์ . Springer. ISBN 9781461471158 .