กลับไปหน้าบทความ

อ่าน 12 นาที

สูตรเฟย์นแมน-แคค

สูตร Feynman–Kac ซึ่งตั้งชื่อตาม Richard Feynman และ Mark Kac สร้างความเชื่อมโยงระหว่าง สมการเชิงอนุพันธ์ย่อยพาราโบลิก และ กระบวนการสุ่ม ในปี 1947 เมื่อ Kac และ Feynman...

สูตรเฟย์นแมน-แคค

สูตรFeynman–Kacซึ่งตั้งชื่อตามRichard FeynmanและMark Kacสร้างความเชื่อมโยงระหว่างสมการเชิงอนุพันธ์ย่อยพาราโบลิกและกระบวนการสุ่มในปี 1947 เมื่อ Kac และ Feynman ต่างก็เป็นอาจารย์ประจำที่มหาวิทยาลัย Cornell Kac ได้เข้าร่วมการนำเสนอของ Feynman และกล่าวว่าทั้งสองคนกำลังทำงานในเรื่องเดียวกันจากทิศทางที่แตกต่างกัน[ 1 ]จึงเกิดเป็นสูตร Feynman–Kac ซึ่งพิสูจน์อย่างเข้มงวดถึงความคล้ายคลึงกันของค่าจริงกับปริพันธ์เส้นทาง ของ Feynman กรณีที่ซับซ้อนซึ่งจำเป็นในกลศาสตร์ควอนตัมยังคงเป็นคำถามที่เปิดอยู่[ 2 ]

สูตรนี้เสนอวิธีการแก้สมการเชิงอนุพันธ์ย่อยบางประเภทโดยการจำลองเส้นทางสุ่มของกระบวนการสุ่ม ในทางกลับกัน สูตรนี้ยังสามารถใช้ในการคำนวณค่าคาดหวังของกระบวนการสุ่มประเภทสำคัญๆ ด้วยวิธีการเชิงกำหนดได้ อีกด้วย

ทฤษฎีบท

พิจารณาสมการเชิงอนุพันธ์ย่อยทีคุณ(x,ที)+μ(x,ที)xคุณ(x,ที)+12σ2(x,ที)2x2คุณ(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,}กำหนดไว้สำหรับทุกคนxอาร์{\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)}ในฐานะค่าคาดหวังแบบมีเงื่อนไขของตัวแปรสุ่ม บางตัว :

คุณ(x,ที)=อี[อีทีทีวี(X,)ψ(Xที)+ทีทีอีทีτวี(X,)เอฟ(Xτ,τ)τ|Xที=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]}

ที่ไหนXที{\displaystyle X_{t}}เป็นกระบวนการอิโตะที่สอดคล้องกับสมการเชิงอนุพันธ์สุ่มXที=μ(Xที,ที)ที+σ(Xที,ที)ที,{\displaystyle dX_{t}=\mu (X_{t},t)\,dt+\sigma (X_{t},t)\,dW_{t},}และที{\displaystyle W_{t}}คือกระบวนการไวเนอร์ (หรือเรียกว่าการเคลื่อนที่แบบบราวน์ )

การตีความโดยสัญชาตญาณ

สมมติว่าXที{\displaystyle X_{t}}อธิบายตำแหน่ง ณ เวลาที{\displaystyle t}ของอนุภาคที่เปลี่ยนแปลงไปตามกระบวนการแพร่กระจาย Xที=μ(Xที,ที)ที+σ(Xที,ที)ที.{\displaystyle dX_{t}=\mu (X_{t},t)\,dt+\sigma (X_{t},t)\,dW_{t}.}ให้อนุภาคมี "ต้นทุน" ในอัตราที่กำหนดเอฟ(X,){\displaystyle f(X_{s},s)}ณ สถานที่X{\displaystyle X_{s}}ในเวลานั้น{\displaystyle s}ปล่อยให้เกิดค่าใช้จ่ายสุดท้าย ณ เวลาดังกล่าวที{\displaystyle T}ของψ(Xที){\displaystyle \psi (X_{T})}.

นอกจากนี้ ให้ปล่อยให้อนุภาคสลายตัวไป หากอนุภาคอยู่ที่ตำแหน่งนั้นX{\displaystyle X_{s}}ในเวลานั้น{\displaystyle s}จากนั้นมันจะสลายตัวไปตามอัตราวี(X,){\displaystyle V(X_{s},s)}หลังจากอนุภาคสลายตัวไปแล้ว ค่าใช้จ่ายในอนาคตทั้งหมดจะเป็นศูนย์

แล้วคุณ(x,ที){\displaystyle u(x,t)}คือต้นทุนที่คาดว่าจะเกิดขึ้น หากอนุภาคเริ่มต้นที่(ที,Xที=x).{\displaystyle (t,X_{t}=x).}

หลักฐานบางส่วน

การพิสูจน์ว่าสูตรค่าคาดหวังข้างต้นเป็นคำตอบของสมการเชิงอนุพันธ์นั้นยาว ซับซ้อน และไม่ได้นำเสนอไว้ในที่นี้ อย่างไรก็ตาม การแสดงให้เห็นว่าหากมีคำตอบอยู่จริง คำตอบนั้นจะต้องมีรูปแบบข้างต้นนั้นค่อนข้างตรงไปตรงมา การพิสูจน์ผลลัพธ์ที่ด้อยกว่านั้นมีดังต่อไปนี้:

อนุพันธ์

สมมติว่าคุณ(x,ที){\displaystyle u(x,t)}สอดคล้องกับสมการอนุพันธ์ย่อย:

คุณที+μคุณx+12σ22คุณx2วีคุณ+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 อนุญาตให้Xที{\displaystyle X_{t}}เป็นกระบวนการสุ่มตามที่กำหนดไว้ข้างต้น

อนุญาตจี(ที,)=อีทีวี(X,){\displaystyle g(t,s)=e^{-\int _{t}^{s}V(X_{r},r)dr}}อนุพันธ์ของมันเป็นไปตามเงื่อนไขดังต่อไปนี้:

จี(ที,)=วี(X,)จี(ที,).{\displaystyle dg(t,s)=-V(X_{s},s)g(t,s)\,ds.}

จงนิยามกระบวนการสุ่ม:

วาย=จี(ที,)คุณ(X,)+ทีจี(ที,τ)เอฟ(Xτ,τ)τ{\displaystyle Y_{s}=g(t,s)u(X_{s},s)+\int _{t}^{s}g(t,\tau )f(X_{\tau },\tau )\,d\tau }

สำหรับ[ที,ที]{\displaystyle s\in [t,T]}ในช่วงเวลาสำคัญ:

วายที=คุณ(Xที,ที),วายที=จี(ที,ที)ψ(Xที)+ทีทีจี(ที,τ)เอฟ(Xτ,τ)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{\displaystyle Y_{s}}ถ้าเป็นมาร์ติงเกลเราก็จะมี

คุณ(x,ที)=อี[วายทีวายที=คุณ(x,ที)]=อี[วายทีXที=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{\displaystyle Y_{s}}เป็นมาร์ติงเกล

เราสันนิษฐานว่าX{\displaystyle X_{s}}ตาม SDE

X=μ(X,)+σ(X,).{\displaystyle dX_{s}=\mu (X_{s},s)\,ds+\sigma (X_{s},s)\,dW_{s}.}

ตามทฤษฎีบทของอิโตะ :

คุณ(X,)=(คุณ+μคุณx+12σ22คุณx2)+σคุณx.{\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{\displaystyle Y_{s}}:

วาย=[จี(ที,)คุณ(X,)]+จี(ที,)เอฟ(X,).{\displaystyle dY_{s}=d\left[g(t,s)u(X_{s},s)\right]+g(t,s)f(X_{s},s)\,ds.}

ขยาย[จีคุณ]{\displaystyle d[gu]}:

[จีคุณ]=จีคุณ+คุณจี+[จี,คุณ]=0.{\displaystyle d[gu]=g\,du+u\,dg+\underbrace {d[g,u]} _{=0}.}

ทดแทนจี=วีจี{\displaystyle dg=-Vg\,ds}และคุณ{\displaystyle du}:

[จีคุณ]=จี(คุณ+μคุณx+12σ22คุณx2){\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}
+จีσคุณxวีจีคุณ.{\displaystyle \qquad \quad +\;g\sigma {\frac {\partial u}{\partial x}}\,dW_{s}\;-\;Vgu\,ds.}

เพิ่มพจน์อินทิกรัล:

วาย=[จี(คุณ+μคุณx+12σ22คุณx2)วีจีคุณ+จีเอฟ]+จีσคุณx.{\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{\displaystyle Y_{s}}เพื่อให้เป็นมาร์ติงเกล เทอมการเคลื่อนตัวต้องหายไป:

คุณ+μคุณx+12σ22คุณx2วีคุณ+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.}

หมายเหตุ

  • หลักฐานข้างต้นที่แสดงว่าวิธีแก้ปัญหาต้องมีรูปแบบที่กำหนดนั้นโดยพื้นฐานแล้วคือหลักฐานของ[ 3 ]โดยมีการปรับเปลี่ยนเพื่ออธิบายเอฟ(x,ที){\displaystyle f(x,t)}.
  • สูตรค่าคาดหวังข้างต้นยังใช้ได้กับ การแพร่กระจายแบบ Itô ในมิติ Nด้วย สมการอนุพันธ์ย่อยที่สอดคล้องกันสำหรับคุณ:อาร์เอ็น×[0,ที]อาร์{\displaystyle u:\mathbb {R} ^{N}\times [0,T]\to \mathbb {R} }กลายเป็น: [ 4 ]คุณที+ฉัน=1เอ็นμฉัน(x,ที)คุณxฉัน+12ฉัน=1เอ็นเจ=1เอ็นγฉันเจ(x,ที)2คุณxฉันxเจ(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,γฉันเจ(x,ที)=เค=1เอ็นσฉันเค(x,ที)σเจเค(x,ที),{\displaystyle \gamma _{ij}(x,t)=\sum _{k=1}^{N}\sigma _{ik}(x,t)\sigma _{jk}(x,t),}เช่นγ=σσที{\displaystyle \gamma =\sigma \sigma ^{\mathrm {T} }}, ที่ไหนσที{\displaystyle \sigma ^{\mathrm {T} }}หมายถึงการสลับตำแหน่งของσ{\displaystyle \sigma }.
  • กล่าวโดยสรุปคือ การปล่อยให้เอ{\displaystyle A}เป็นตัวสร้างขนาดเล็กมากของกระบวนการแพร่กระจายคุณที+เอคุณ(x,ที)คุณ=เอฟ(x,ที).{\displaystyle {\frac {\partial u}{\partial t}}+Au-r(x,t)\,u=f(x,t).}
  • จากนั้นจึงสามารถประมาณค่าที่คาดหวังได้โดยใช้ วิธี มอนเตคาร์โลหรือวิธีควาซีมอนเตคาร์โล

สูตรดั้งเดิมเกี่ยวกับฟังก์ชันนัลของไวเนอร์

เมื่อ Kac ตีพิมพ์ครั้งแรกในปี พ.ศ. 2492 [ 5 ]สูตรนี้ถูกนำเสนอเป็นวิธีการในการกำหนดการกระจายของฟังก์ชัน Wiener บางอย่าง สมมติว่าเราต้องการหาค่าที่คาดหวังของฟังก์ชัน เอ็กซ์(0ทีวี(x(τ))τ){\displaystyle \exp \left(-\int _{0}^{t}V(x(\tau ))\,d\tau \right)}ในกรณีที่x ( t ) เป็นผลลัพธ์บางอย่างของกระบวนการแพร่ที่เริ่มต้นที่x (0) = 0สูตรของ Feynman–Kac กล่าวว่าค่าคาดหวังนี้เทียบเท่ากับปริพันธ์ของคำตอบของสมการการแพร่ ที่สอดคล้องกัน โดยเฉพาะอย่างยิ่ง ภายใต้เงื่อนไขที่ว่าวี(x)0{\displaystyle V(x)\geq 0}, อี[เอ็กซ์(0ทีวี(x(τ))τ)]=(x,ที)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 )คือคำตอบของสมการเชิงอนุพันธ์ย่อยพาราโบลิกที=122x2วี(x){\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-คาคยังสามารถใช้ในการประเมินอินทิกรัลเชิงฟังก์ชันในรูปแบบใดรูปแบบหนึ่งได้อีกด้วย ตัวอย่างเช่น ถ้าฉัน=เอฟ(x(0))เอ็กซ์(0ทีวี(x(τ))τ)จี(x(ที))ดีx{\displaystyle I=\int f(x(0))\exp \left(-\int _{0}^{t}V(x(\tau ))\,d\tau \right)g(x(t))\,Dx}โดยที่สัญลักษณ์นั้นดีx{\displaystyle Dx}หมายถึงการอินทิเกรตที่ดำเนินการกับการเดินแบบสุ่ม ทั้งหมดx:[0,ที]อาร์{\displaystyle x:[0,t]\to \mathbb {R} }, แล้วฉัน=(x,ที)จี(x)x{\displaystyle I=\int _{-\infty }^{\infty }w(x,t)g(x)\,dx}โดยที่w ( x , t )คือคำตอบของสมการที=122x2วี(x){\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-Maruyamaเพื่อประมาณค่าคำตอบของสมการเชิงอนุพันธ์ย่อยด้วยวิธีเชิงตัวเลขได้ ตัวอย่างเช่น สามารถนำไปใช้กับ สมการเชิงอนุพันธ์ย่อยของ การพาความร้อนและการแพร่กระจาย (PDE) ได้ดังนี้:

ทีคุณ(x,ที)+xคุณ(x,ที)=σ22x2คุณ(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-การแพร่กระจายที่มีพารามิเตอร์=1{\displaystyle b=1},σ=1{\displaystyle \sigma =1}และสภาวะสุดท้ายคุณ(x,ที)=อีx2{\displaystyle u(x,T)=e^{-x^{2}}}กับที=1{\displaystyle T=1}จากนั้นสมการอนุพันธ์ย่อยสามารถหาคำตอบได้โดยใช้วิธีวิเคราะห์:

คุณ(x,ที)=154ทีเอ็กซ์((1ที+x)254ที){\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[อีXที2|Xที=x]{\displaystyle u(x,t)=\mathbb {E} \left[e^{-X_{T}^{2}}\,{\bigl |}\,X_{t}=x\right]}

ที่ไหนX{\displaystyle X}เป็นกระบวนการอิโตะที่ควบคุมโดย SDEXที=ที+2ที{\displaystyle dX_{t}=dt+{\sqrt {2}}dW_{t}}และที{\displaystyle W_{t}}เป็นกระบวนการ Wiener จากนั้นใช้ระเบียบวิธี Euler-Maruyama เพื่อทำการอินทิเกรตเชิงตัวเลขไปข้างหน้าตามเวลาจากเงื่อนไขเริ่มต้นของสมการอนุพันธ์เชิงสุ่ม (SDE)(x0,ที0){\displaystyle (x_{0},t_{0})}จนถึงเวลาสิ้นสุดที,{\displaystyle T,}ส่งผลให้ได้ค่าจำลองของXที{\displaystyle X_{T}}เพื่อให้ได้ค่าประมาณที่ใกล้เคียงกับค่าคาดหวังในวิธีการของ Feynman-Kac จึงทำการจำลองซ้ำเอ็น{\displaystyle N}หลายครั้ง สิ่งเหล่านี้มักเรียกว่าการรับรู้ จากนั้นจึงประมาณค่าคำตอบโดยใช้ค่าเฉลี่ยแบบมอนเตคาร์โล

คุณ(x0,ที0)1เอ็นฉัน=1เอ็นเอ็กซ์((Xที(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

ในด้านการเงินเชิงปริมาณสูตร Feynman–Kac ใช้ในการคำนวณคำตอบของสมการ Black–Scholes อย่างมีประสิทธิภาพ เพื่อ กำหนด ราคาออปชั่นในหุ้น[ 6 ]และ ราคา พันธบัตรแบบไม่มีคูปองในแบบจำลองโครงสร้างระยะเวลาแบบเชิงเส้น

ตัวอย่างเช่น ลองพิจารณาราคาหุ้นเอสที{\displaystyle S_{t}}กำลังเกิดการเคลื่อนที่แบบบราวน์ทางเรขาคณิต เอสที=(ทีที+σทีที)เอสที{\displaystyle dS_{t}=\left(r_{t}dt+\sigma _{t}dW_{t}\right)S_{t}} ที่ไหนที{\displaystyle r_{t}}คืออัตราดอกเบี้ยปลอดความเสี่ยง และσที{\displaystyle \sigma _{t}}คือความผันผวน หรือกล่าวอีกนัยหนึ่ง ตามทฤษฎีบทของอิโตะ lnเอสที=(ที12σที2)ที+σทีที.{\displaystyle d\ln S_{t}=\left(r_{t}-{\tfrac {1}{2}}\sigma _{t}^{2}\right)dt+\sigma _{t}\,dW_{t}.} ทีนี้ลองพิจารณาออปชั่นซื้อแบบยุโรปบนเอสที{\displaystyle S_{t}}หมดอายุ ณ เวลาที{\displaystyle T}ด้วยการประท้วงเค{\displaystyle K}เมื่อหมดอายุแล้วจะมีมูลค่า(Xทีเค)+.{\displaystyle (X_{T}-K)^{+}.}จากนั้น ราคาออปชั่นแบบไร้ความเสี่ยง ณ เวลาดังกล่าวที{\displaystyle t}และราคาหุ้นx{\displaystyle x}, เป็น คุณ(x,ที)=อี[อีทีที(เอสทีเค)+|lnเอสที=lnx].{\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: {ทีคุณ+เอคุณทีคุณ=0คุณ(x,ที)=(xเค)+{\displaystyle {\begin{cases}\partial _{t}u+Au-r_{t}u=0\\u(x,T)=(x-K)^{+}\end{cases}}} ที่ไหน เอ=(ทีσที2/2)lnx+12σที2lnx2=ทีxx+12σที2x2x2.{\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(เอสที){\displaystyle g(S_{T})}การคำนวณแบบเดียวกันแสดงให้เห็นว่าราคาของมันคุณ(x,ที){\displaystyle u(x,t)}พอใจ {ทีคุณ+เอคุณทีคุณ=0คุณ(x,ที)=จี(x).{\displaystyle {\begin{cases}\partial _{t}u+Au-r_{t}u=0\\u(x,T)=g(x).\end{cases}}} ตัวเลือกอื่นๆ เช่นออปชั่นแบบอเมริกันไม่มีวันหมดอายุที่แน่นอนออปชั่นบางประเภทมีมูลค่า ณ วันหมดอายุที่กำหนดโดยราคาหุ้นในอดีตตัวอย่างเช่นออปชั่นเฉลี่ยมีผลตอบแทนที่ไม่ได้กำหนดโดยราคาหุ้นอ้างอิง ณ วันหมดอายุ แต่กำหนดโดยราคาหุ้นอ้างอิงเฉลี่ยในช่วงเวลาที่กำหนดไว้ล่วงหน้า สำหรับกรณีเหล่านี้ สูตรของ Feynman–Kac ไม่สามารถนำมาใช้ได้โดยตรง

กลศาสตร์ควอนตัม

ในเคมีควอนตัมใช้เพื่อแก้สมการชโรดิงเกอร์ด้วยวิธีมอนเตคาร์โลแบบแพร่กระจาย บริสุทธิ์ [ 7 ]

ดูเพิ่มเติม

อ่านเพิ่มเติม

  • ไซมอน, แบร์รี (1979). การบูรณาการเชิงฟังก์ชันและฟิสิกส์ควอนตัม . สำนักพิมพ์ Academic Press. ISBN 0126442509.
  • Hall, BC (2013). ทฤษฎีควอนตัมสำหรับนักคณิตศาสตร์ . Springer. ISBN 9781461471158.

สรุปเนื้อหา

ข้อมูลสำคัญจากบทความ

ข้อมูลสำคัญเกี่ยวกับ สูตรเฟย์นแมน-แคค

สูตร Feynman–Kac ซึ่งตั้งชื่อตาม Richard Feynman และ Mark Kac สร้างความเชื่อมโยงระหว่าง สมการเชิงอนุพันธ์ย่อยพาราโบลิก และ กระบวนการสุ่ม ในปี 1947 เมื่อ Kac และ Feynman...

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...

การตีความโดยสัญชาตญาณ

สมมติว่า X ที {\displaystyle X_{t}} อธิบายตำแหน่ง ณ เวลา ที {\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}.

หลักฐานบางส่วน

การพิสูจน์ว่าสูตรค่าคาดหวังข้างต้นเป็นคำตอบของสมการเชิงอนุพันธ์นั้นยาว ซับซ้อน และไม่ได้นำเสนอไว้ในที่นี้ อย่างไรก็ตาม การแสดงให้เห็นว่า หากมีคำตอบอยู่จริง คำตอบ นั้นจะต้องมีรูปแบบข้างต้นนั้นค่อนข้างตรงไปตรงมา การพิสูจน์ผลลัพธ์ที่ด้อยกว่านั้นมีดังต่อไปนี้: