Einführung in die stochastische Analysis

Einführung in die stochastische Analysis

0. Einführung

• Dieses Dokument ist eine kurze Einführung in die stochastische Analysis. Der Schwerpunkt liegt weniger auf dem komplexen Formalismus der Wahrscheinlichkeitstheorie als auf physikalischer Intuition und der Herleitung der Brownschen Bewegung.
• Technische Formalismen wie Wahrscheinlichkeitsräume, Maßtheorie und Filtrierungen werden vermieden, und es werden nur gut definierte Beispiele betrachtet.
• Es soll allgemein bekannt gemacht werden, wie stochastische Analysis in der physikalischen Welt auf natürliche Weise entsteht.

Anwendungen

• Brownsche Bewegung und Itô-Analysis sind Beispiele fortgeschrittener Mathematik, die zur Modellierung der realen Welt verwendet werden.
• Physik: Einstein nutzte die Brownsche Bewegung, um die Existenz von Atomen zu belegen.
• Finanzen: Die Optionspreisbildung beruht auf stochastischen Differentialgleichungen.
• Biologie: Zufällige Spaziergänge modellieren die Ausbreitung von Arten oder das Feuern von Neuronen.
• Auch im Machine Learning entstehen zunehmend mehr Anwendungen.

1. Motivation

• Das Pascalsche Dreieck wird verwendet, um die Binomialverteilung zu beschreiben.
• Es modelliert die Anzahl von Erfolgen und Misserfolgen in unabhängigen Versuchen.
• Die reale Welt umfasst jedoch oft kontinuierliche Prozesse, weshalb Analysis natürlicher ist.

2. Von diskreten Schritten zum kontinuierlichen Grenzwert

• Es wird die mathematische Bedeutung untersucht, wenn sich die Binomialverteilung in eine kontinuierliche Form überführt.
• Es wird erklärt, dass diskrete Zufallsspaziergänge im kontinuierlichen Grenzfall gegen eine Normalverteilung konvergieren.
• Nach dem zentralen Grenzwertsatz nähert sich die Summe vieler unabhängiger Zufallsvariablen einer Normalverteilung an.

3. Definition der Brownschen Bewegung (Wiener-Prozess)

• Die Brownsche Bewegung ist stetig, zufällig und hat eine Varianz, die proportional zur Zeit ist.
• Das mathematische Modell der Brownschen Bewegung ist global vorhersagbar, aber lokal völlig unvorhersagbar.

4. Itô-Analysis

• Die Brownsche Bewegung ist so unregelmäßig, dass sie nicht differenzierbar ist.
• Die Itô-Analysis entwickelt ein neues System, um mit der Zufälligkeit der Brownschen Bewegung umzugehen.
• Das Itô-Lemma liefert eine Kettenregel für Zufälligkeit.

5. Stochastische Differentialgleichungen

• Die Itô-Analysis liefert Werkzeuge zum Umgang mit stochastischen Differentialgleichungen.
• Stochastische Differentialgleichungen modellieren Systeme, indem sie deterministisches Verhalten und stochastisches Rauschen kombinieren.

6. Stratonovich-Analysis

• Die Stratonovich-Analysis entfernt den zweiten Differentialterm der Itô-Analysis und bewahrt damit die Standard-Kettenregel.
• Sie ist nützlich, um physikalische Systeme oder Berechnungen zu vereinfachen.

Anhang

A.0. Weiterführende Lektüre

• Materialien, die eine intuitive Einführung in stochastische Differentialgleichungen und Methoden zu ihrer Lösung bieten.

A.1. Notation

• Es wird eine Liste der im Dokument verwendeten Notation bereitgestellt.

[GN⁺]

Hacker-News-Kommentare

• Langevin-Dynamik ist eine Methode, die die gedämpfte Bewegung eines Systems und in diese Bewegung eingebrachtes Rauschen nutzt. Sie kann für Molekulardynamik-Simulationen und Bayes'sches MCMC-Sampling verwendet werden

  • Wenn Langevin-Dynamik im Zusammenhang mit KI erwähnt wird, wird die Verwendung von Momentum oft ausgelassen. Das liegt daran, dass in der KI Gradientenabstieg mit Momentum weit verbreitet ist
  • Der Begriff „stochastisch“ bedeutet, dass in jedem Schritt eine Teilstichprobe der Daten verwendet wird, um den Gradienten zu approximieren. Beide Formen der Stochastik können gleichzeitig angewendet werden
  • Es gibt eine nützliche Einführung für Leser mit mathematischen Kenntnissen auf fortgeschrittenem Bachelor-/Master-Niveau: Link

• Bei der stochastischen Analysis stellt sich die Frage, ob man mit einem Computer viele mögliche Ereignisverläufe simulieren muss oder ob es elegantere mathematische Methoden gibt, mit denen man, wenn man die Verteilung von dW kennt, die wichtigen Endergebnisse und Wahrscheinlichkeitsverteilungen bestimmen kann. Dieser Artikel ist großartig und vermittelt das Gefühl, stochastische Analysis zum ersten Mal wirklich zu verstehen

• Hier ist ein Beispiel, das ich kürzlich erlebt habe

  • Angenommen, wir spielen ein „Spiel“. Ziehe eine Zufallszahl A zwischen 0 und 1 (gleichverteilte Zufallsvariable). Ziehe eine zweite Zahl B aus derselben Verteilung. Falls A > B, ziehe B erneut (A bleibt unverändert). Wie viele Ziehungen werden im Mittel benötigt? (Anders gesagt: Wie lang ist im Mittel die „Siegesserie“ von A?)
  • Die Antwort ist unendlich. Der Grund ist, dass A manchmal sehr hoch ist und dann Millionen von Ziehungen nötig sein können

• Eine Frage an HN-Leser: Ich habe ungefähr 50 Positionen (Loci) definiert, die DNA-Unterschiede enthalten, welche die Sterblichkeit in den Genen von Mäusen beeinflussen. Die meisten haben komplexe altersabhängige „Versicherungseffekte“. Ich möchte das Sterbealter vorhersagen

  • Könnte stochastische Analysis ein nützlicher Ansatz für versicherungsmathematische Vorhersagen zur Lebenserwartung von Mäusen sein?

• Eine Frage an Leute aus dem Finanzbereich, wie viel davon im Alltag tatsächlich nützlich ist

• Eine Bitte um Hilfe bei der Interpretation eines Satzes

  • In dem Satz „Brownsche Bewegung und Itô-Kalkül sind ein bemerkenswertes Beispiel recht fortgeschrittener Mathematik, die auf die Modellierung der realen Welt angewendet wird“ fragt jemand, was „Itô calculare“ bedeutet

• Jemand teilt sein Verständnis des Itô-Kalküls

  • Der einzige Zufallsprozess, den wir anfangs verstehen, ist die Brownsche Bewegung
  • Glücklicherweise können wir die Koordinaten ändern

• Jemand erinnert sich daran, stochastische Analysis studiert zu haben

  • Es fiel auf, dass die Standardabweichung in der gewöhnlichen Statistik etwas anderes ist als die „quadratische Variation“. Dazu wurde eine Notiz hinterlassen, um zu untersuchen, warum das so ist. Wahrscheinlich liegt es an stochastischer Volatilität

• Es ist immer noch erstaunlich, dass Diffusionsmodelle sich schnell zur Geheimzutat der KI-Bilderzeugung entwickelt haben. Doch ihre Wurzeln liegen tief in der stochastischen Analysis

  • Wer hätte gedacht, dass Brownsche Bewegung am Ende dabei helfen würde, Katzen-Memes zu erzeugen?