非整数Brown運動(fractional Brownian motion)とは、$H\in(0,1)$ について共分散が $\frac12(s^{2H}+t^{2H}-\lvert t-s\rvert^{2H})$ である連続な中心化 Gauss 過程で、$H$ を Hurst 指数といい、$H=1/2$ が Brown 運動である。自己相似性と定常増分をもち、この 2 つが共分散を決める。経路は $H$ 未満の次数で Hölder 連続であり、$1/H$ 変分は正の極限をもち、$H>1/2$ では増分の相関の和が発散する。$H\ne1/2$ では直前の増分の符号に賭ける単純な積分が発散するので半マルチンゲールでなく、伊藤積分の理論はそのままでは使えない。
非整数Brown運動(fractional Brownian motion)は、Brown運動 の増分の独立性を外し、自己相似性と増分の定常性を残して得られる Gauss 過程である。パラメータ $H\in(0,1)$ を Hurst 指数 といい、$H=1/2$ が Brown 運動にあたる。
$H$ は 2 つのことを同時に決める。1 つは経路の滑らかさで、経路は $H$ 未満の次数の Hölder 連続であり、$H$ より大きな次数では Hölder 連続でない。もう 1 つは増分の記憶で、$H>1/2$ では増分が正に相関して相関の和が発散し(長距離依存)、$H< 1/2$ では負に相関する。Kolmogorov が導入し、Mandelbrot と Van Ness が Brown 運動による積分表示を与えた。名前の Hurst は、ナイル川の流量の統計解析を行った研究者である(Nua06 p. 1542)。
$H\ne1/2$ の非整数Brown運動は 半マルチンゲール でないので、伊藤積分 の理論はそのままでは使えない。この記事では、直前の増分の符号に賭ける単純な積分が発散することによって、これをすべての $H\ne1/2$ について一度に証明する。
| 結果 | 内容 | 扱い |
|---|---|---|
| thm-fbm-psd | 共分散は $H\in(0,1)$ で正定値、$H>1$ では正定値でない | 証明 |
| prop-fbm-unique | 共分散は自己相似性と定常増分で決まる | 証明 |
| prop-fbm-corr | 増分の相関の符号と和 | 証明 |
| thm-fbm-pvar | $p$ 変分の極限($p=1/H$ が臨界) | 証明 |
| thm-fbm-not-smg | $H\ne1/2$ で半マルチンゲールでない | 証明 |
| prop-fbm-riemann | $H>1/2$ で Riemann 和に伊藤の補正項が出ない | 証明 |
$H\in(0,1)$ とする。実数値の Gauss 過程 $B^H=(B^H_t)_{t\ge0}$ で、経路が連続で、$E[B^H_t]=0$、
$$E[B^H_sB^H_t]=R_H(s,t):=\frac12\bigl(s^{2H}+t^{2H}-\lvert t-s\rvert^{2H}\bigr)$$
を満たすものを、Hurst 指数 $H$ の非整数Brown運動という。
$H=1/2$ なら $R_H(s,t)=\min(s,t)$ で、これは Brown運動 の命題「Gauss 過程としての特徴づけ」の条件である。定義から $B^H_0=0$ で、
$$E\bigl[(B^H_t-B^H_s)^2\bigr]=R_H(t,t)+R_H(s,s)-2R_H(s,t)=\lvert t-s\rvert^{2H}\qquad(1)$$
である。分布の決まり方は平均と共分散だけによる(多変量正規分布)ので、問題は $R_H$ が共分散になりうるかどうかである。
$0< \alpha< 2$ とする。$I_\alpha:=\int_{\mathbb R}(1-\cos\xi)\lvert\xi\rvert^{-1-\alpha}\,d\xi$ は正の有限値で、すべての $x\in\mathbb R$ について
$$\lvert x\rvert^\alpha=\frac1{I_\alpha}\int_{\mathbb R}(1-\cos x\xi)\lvert\xi\rvert^{-1-\alpha}\,d\xi$$
である。
$0$ の近くでは被積分関数は $\xi^2\lvert\xi\rvert^{-1-\alpha}/2$ 以下で $\alpha< 2$ から可積分、無限遠では $2\lvert\xi\rvert^{-1-\alpha}$ 以下で $\alpha>0$ から可積分である。$x\ne0$ なら $\eta=x\xi$ と変数変換して等式を得る。$x=0$ は両辺とも $0$ である。$\square$
$H\in(0,1)$、$t_1,\dots,t_n>0$ を相異なる実数、$a_1,\dots,a_n\in\mathbb R$ とする。このとき
$$\sum_{j,k=1}^na_ja_kR_H(t_j,t_k)\ge0$$
で、等号は $a_1=\dots=a_n=0$ のときに限る。一方、$H>1$ なら同じ式で定めた $R_H$ は正定値でない。
$\alpha:=2H\in(0,2)$ とおく。$t_0:=0$、$a_0:=-\sum_{j\ge1}a_j$ とすると $\sum_{j\ge0}a_j=0$ で、$R_H$ の定義を展開して
$$\sum_{j,k\ge1}a_ja_kR_H(t_j,t_k)=-\frac12\sum_{j,k\ge0}a_ja_k\lvert t_j-t_k\rvert^\alpha$$
である。実際、右辺のうち $j=0$ または $k=0$ の項が $\sum_{j\ge1}a_j\sum_{k\ge1}a_kt_k^\alpha$ を与える。lem-fbm-power を代入する。$\sum_{j,k\ge0}a_ja_k=0$ なので定数 $1$ の項が消え、
$$\sum_{j,k\ge1}a_ja_kR_H(t_j,t_k)=\frac1{2I_\alpha}\int_{\mathbb R}\sum_{j,k\ge0}a_ja_k\cos\bigl((t_j-t_k)\xi\bigr)\lvert\xi\rvert^{-1-\alpha}\,d\xi=\frac1{2I_\alpha}\int_{\mathbb R}\Bigl\lvert\sum_{j\ge0}a_je^{\mathrm it_j\xi}\Bigr\rvert^2\lvert\xi\rvert^{-1-\alpha}\,d\xi\ge0$$
である。等号なら、連続関数 $\sum_ja_je^{\mathrm it_j\xi}$ は恒等的に $0$ である。$t_0,\dots,t_n$ は相異なるので指数関数は 1 次独立で、すべての $a_j=0$ である。
$H>1$ のとき、$t_1=1$、$t_2=2$、$a_1=2$、$a_2=-1$ とすると、和は $4R_H(1,1)-4R_H(1,2)+R_H(2,2)=4-2^{2H}< 0$ である。$\square$
$H=1$ のとき $\sum_{j,k}a_ja_kR_1(t_j,t_k)=(\sum_ja_jt_j)^2$ は非負だが $a\ne0$ でも $0$ になり、$\xi\sim N(0,1)$ で $X_t=t\xi$ と実現される。lem-fbm-power は $\alpha=2$ では適用できない(積分が発散する)。これが $H< 1$ と $H=1$ の違いである。
各 $H\in(0,1)$ について非整数Brown運動は存在する。その経路は、確率 $1$ で、すべての $\gamma< H$ と $T>0$ について $[0,T]$ の上で次数 $\gamma$ の Hölder 連続である。
thm-fbm-psd により、平均 $0$、共分散 $R_H$ の 多変量正規分布 が有限個の時刻ごとに定まり、整合している。Kolmogorovの拡張定理 により Gauss 過程 $X$ が存在する。(1) と Gauss 性から、$k\in\mathbb N$ について
$$E\lvert X_t-X_s\rvert^{2k}=(2k-1)!!\,\lvert t-s\rvert^{2Hk}$$
である。$2Hk>1$ なら、Kolmogorovの連続性定理 の定理「Kolmogorov の連続性定理」(添字が $1$ 次元の場合。Dur19 Theorem 7.1.3、p. 357)を $\beta=2k$、$\alpha=2Hk-1$ で当てると、$\gamma< H-1/(2k)$ について $[0,1]$ の 2 進有理数の上で次数 $\gamma$ の Hölder 連続である。区間 $[0,N]$ でも同じ評価が同じ形で成り立つ。一様連続性で全時刻へ延ばすと、(1) から、得られた過程は $X$ の修正である。$k\to\infty$ で結論を得る。$\square$
どちらも連続な中心化 Gauss 過程なので、共分散を比べればよい。1 は $R_H(as,at)=a^{2H}R_H(s,t)$、2 は (1) から $E[(B^H_{s+h}-B^H_h)(B^H_{t+h}-B^H_h)]=\frac12(s^{2H}+t^{2H}-\lvert t-s\rvert^{2H})$ による。$\square$
逆に、この 2 つの性質が共分散を決める。
$H\in(0,1)$ とし、実数値の過程 $X$ が $E[X_t^2]< \infty$ と自己相似性($(X_{at})_t$ と $(a^HX_t)_t$ が同じ法則)と定常増分をもつとする。$\sigma^2:=E[X_1^2]$ とおくと、$E[X_t]=0$、$E[X_sX_t]=\sigma^2R_H(s,t)$ である。とくに $X$ が Gauss 過程で経路が連続、$\sigma=1$ なら、$X$ は非整数Brown運動である。
$t=0$ の自己相似性から $E[X_0^2]=a^{2H}E[X_0^2]$ なので $X_0=0$ である。$m(t):=E[X_t]$ とおくと、自己相似性から $m(t)=t^Hm(1)$、定常増分から $m(s+t)-m(s)=m(t)$ である。$s=t=1$ とすると $(2^H-2)m(1)=0$ で、$H< 1$ から $m=0$ である。同様に $E[X_t^2]=\sigma^2t^{2H}$、$E[(X_t-X_s)^2]=E[X_{\lvert t-s\rvert}^2]=\sigma^2\lvert t-s\rvert^{2H}$ で、$2X_sX_t=X_s^2+X_t^2-(X_t-X_s)^2$ の期待値をとって結論を得る。$\square$
$H\in(0,1)$ とする。$(W(f))_{f\in L^2(\mathbb R)}$ を、$E[W(f)W(g)]=\int_{\mathbb R}fg\,ds$ となる中心化 Gauss 族($W(f)=\int f\,dW$、$W$ は両側 Brown 運動)とする。
$$f_t(s):=(t-s)_+^{H-1/2}-(-s)_+^{H-1/2},\qquad C_H^2:=\int_0^\infty\bigl((1+s)^{H-1/2}-s^{H-1/2}\bigr)^2ds+\frac1{2H}$$
とおくと、$X_t:=C_H^{-1}W(f_t)$ は共分散 $R_H$ の中心化 Gauss 過程である(Nua06 p. 1543 の式 (2.5))。
$s\to-\infty$ で $f_t(s)=O(\lvert s\rvert^{H-3/2})$、$s=0,t$ の近くの特異性は $2H-1>-1$ で 2 乗可積分なので、$f_t\in L^2(\mathbb R)$ である。$f_{t+h}-f_h=f_t(\cdot-h)$ から、増分 $X_{t+h}-X_h$ の分散は $h$ によらない。また $f_{at}(as)=a^{H-1/2}f_t(s)$ から $\int f_{at}f_{au}\,ds=a^{2H}\int f_tf_u\,ds$ である。Gauss 過程なので、これらから定常増分と自己相似性が従う。$E[X_1^2]=C_H^{-2}\int f_1^2\,ds=1$ なので、prop-fbm-unique から結論を得る。$\square$
$s\le0$ の部分の積分は過去全体の Brown 運動の重みつきの和である。$H\ne1/2$ で重み $f_t$ が過去に無限に尾を引くことが、増分の記憶の源である。
$\xi_n:=B^H_n-B^H_{n-1}$($n\ge1$)とおく。prop-fbm-basic の 2 により、$(\xi_n)$ は分散 $1$ の定常 Gauss 列で、$\rho_H(n):=E[\xi_1\xi_{1+n}]$ は $n\ge1$ について
$$\rho_H(n)=\frac12\bigl((n+1)^{2H}+(n-1)^{2H}-2n^{2H}\bigr)$$
である。とくに $\rho_H(1)=2^{2H-1}-1$ は $(-\frac12,1)$ に属し、その符号は $H-\frac12$ の符号に等しい。
$n\ge1$ について次が成り立つ。
$g(x):=x^{2H}$ の 2 階差分 $g(n+1)+g(n-1)-2g(n)$ は、平均値の定理を 2 度使うと $g''(\theta)$ に等しい。これが 1 である。2 は $\rho_H(n)=\frac12\bigl(g(n+1)-g(n)\bigr)-\frac12\bigl(g(n)-g(n-1)\bigr)$ を足し合わせる。$H>1/2$ なら $g(N+1)-g(N)\to\infty$、$H< 1/2$ なら $\to0$ である。$\square$
$H>1/2$ の相関は $n^{2H-2}$ の遅さで減衰し、和が発散する。この性質を長距離依存という(Nua06 p. 1543)。$H< 1/2$ では、相関の和は両側で $1+2(-\frac12)=0$ になり、増分は互いに打ち消し合う。実際、$\xi_1+\dots+\xi_n=B^H_n$ の分散は $n^{2H}$ で、これが独立な場合の $n$ より大きいか小さいかが $H$ と $\frac12$ の大小で決まる。
$H\ne1/2$ なら、$B^H$ は自身のフィルトレーションに関して Markov 過程でない。
Markov 性があれば $E[B^H_3\mid B^H_1,B^H_2]=E[B^H_3\mid B^H_2]=\frac{R_H(2,3)}{R_H(2,2)}B^H_2$ なので、$B^H_3-\frac{R_H(2,3)}{R_H(2,2)}B^H_2$ と $B^H_1$ は無相関で、$R_H(1,3)R_H(2,2)=R_H(1,2)R_H(2,3)$ である。整理すると $g(H):=3\cdot4^{-H}+(9/4)^H-3=0$ となる。$g$ は狭義凸なので零点は高々 2 個で、$g(\frac12)=g(1)=0$ だから、$(0,1)$ の零点は $H=\frac12$ だけである。$\square$
等分割 $t_j:=jT/n$ について、$p>0$ の和を $V^p_n:=\sum_{j=1}^n\lvert B^H_{t_j}-B^H_{t_{j-1}}\rvert^p$ とおく。prop-fbm-basic の 1 により、増分の列 $(B^H_{t_j}-B^H_{t_{j-1}})_j$ は $(T/n)^H(\xi_j)_j$ と同じ法則に従う。したがって、定常 Gauss 列 $(\xi_j)$ の大数の法則に帰着する。
$\varphi\colon\mathbb R^2\to\mathbb R$ を Borel 関数で、多項式で抑えられ、不連続点の全体が Lebesgue 零集合であるものとする。$H\in(0,1)$ なら、$n\to\infty$ で
$$\frac1n\sum_{j=1}^n\varphi(\xi_j,\xi_{j+1})\to E[\varphi(\xi_1,\xi_2)]\qquad(L^2\text{ 収束})$$
である。
$Z_j:=\varphi(\xi_j,\xi_{j+1})$ とおく。$(Z_j)$ は定常で、すべての積率が有限である。$c(k):=\mathrm{Cov}(Z_1,Z_{1+k})$ とおくと、平均の分散は $\frac1{n^2}\sum_{i,j\le n}c(\lvert i-j\rvert)\le\frac1n\sum_{\lvert k\rvert< n}\lvert c(k)\rvert$ である。よって $c(k)\to0$ を示せばよい。
$\rho_H(k)\to0$ なので、$k\to\infty$ で $(\xi_1,\xi_2,\xi_{1+k},\xi_{2+k})$ の共分散行列は、ブロック対角行列 $\operatorname{diag}(\Sigma,\Sigma)$ に近づく。ここで $\Sigma$ は $(\xi_1,\xi_2)$ の共分散行列で、$\lvert\rho_H(1)\rvert< 1$ から正則である。特性関数の収束から、この 4 次元ベクトルの法則は、$(\xi_1,\xi_2)$ の独立な 2 つの写しの法則に弱収束する。極限の法則は Lebesgue 測度に関して絶対連続なので、$\varphi(x)\varphi(y)$ の不連続点は零集合で、連続写像定理から $Z_1Z_{1+k}$ の法則も収束する。$E[(Z_1Z_{1+k})^2]\le E[Z_1^4]$ は $k$ によらず有界なので一様可積分で、$E[Z_1Z_{1+k}]\to E[Z_1]^2$ である。$\square$
$H\in(0,1)$、$c_p:=E\lvert B^H_1\rvert^p$ とする。$n\to\infty$ で、確率収束の意味で次が成り立つ。
$$V^p_n\to\begin{cases}\infty&(p< 1/H)\\c_{1/H}T&(p=1/H)\\0&(p>1/H)\end{cases}$$
上で述べたとおり $V^p_n$ は $(T/n)^{pH}\sum_{j\le n}\lvert\xi_j\rvert^p=T^{pH}n^{1-pH}\cdot\frac1n\sum_{j\le n}\lvert\xi_j\rvert^p$ と同じ法則に従う。lem-fbm-lln により最後の平均は $c_p>0$ に $L^2$ で収束する。定数への確率収束は法則だけで決まるので、結論を得る。$\square$
$p=1/H$ の場合は Rogers の結果で、Nua06 p. 1544 は尺度変換とエルゴード定理による。$p=2$ が次の表の 2 乗和の行である。分割を細かくしたときの 2 乗和の平均は 2次変分 の例「非整数 Brown 運動の 2 乗和」でも計算している。
確率 $1$ で、次が成り立つ。
| $H< 1/2$ | $H=1/2$ | $H>1/2$ | |
|---|---|---|---|
| 増分の相関 $\rho_H(n)$ | 負 | $0$ | 正 |
| $\sum_{n\ge1}\rho_H(n)$ | $-\frac12$ | $0$ | 発散 |
| 等分割の 2 乗和の極限 | $\infty$ | $T$ | $0$ |
| 経路の Hölder の次数 | $H$ 未満 | $\frac12$ 未満 | $H$ 未満 |
| 良い積分子か | でない | である | でない |
$H>1/2$ では 2 乗和が消えて、有限変動でもない。$H< 1/2$ では 2 乗和が発散する。どちらも半マルチンゲールの性質に反する、というのが標準の説明である(Nua06 p. 1544)。次の定理は場合分けを使わず、発散する単純な積分を具体的に与える。$\rho_H(1)\ne0$ であれば、直前の増分を見ることで次の増分の平均を当てられる。これを積み上げるのである。
$H\in(0,1)$、$H\ne\frac12$ とし、$s:=\operatorname{sgn}(2H-1)$、$\kappa_H:=\sqrt{2/\pi}\,\lvert2^{2H-1}-1\rvert>0$ とおく。$T>0$ と $t_j:=jT/n$ について
$$J_n:=\sum_{j=1}^{n-1}s\,\operatorname{sgn}\bigl(B^H_{t_j}-B^H_{t_{j-1}}\bigr)\,\bigl(B^H_{t_{j+1}}-B^H_{t_j}\bigr)$$
とおくと、$n^{H-1}J_n\to T^H\kappa_H$(確率収束)である。とくに $J_n\to\infty$(確率収束)である。
したがって、$B^H$ が適合する、通常の条件を満たすどのフィルトレーションについても、$B^H$ は良い積分子でなく、半マルチンゲールでない。
増分の列の法則から、$J_n$ は $(T/n)^H\sum_{j=1}^{n-1}Z_j$ と同じ法則に従う。ここで $Z_j:=s\operatorname{sgn}(\xi_j)\xi_{j+1}$ である。
$\rho:=\rho_H(1)$ とする。$(\xi_1,\xi_2)$ は分散 $1$ の 2 次元正規分布に従うので、$\eta:=\xi_2-\rho\xi_1$ は $\xi_1$ と独立で平均 $0$ である。よって
$$E[Z_1]=sE\bigl[\operatorname{sgn}(\xi_1)(\rho\xi_1+\eta)\bigr]=s\rho E\lvert\xi_1\rvert=\lvert\rho\rvert\sqrt{\frac2\pi}=\kappa_H$$
である($\rho=2^{2H-1}-1$ の符号は $s$ である)。$\varphi(x,y):=s\operatorname{sgn}(x)y$ は lem-fbm-lln の条件を満たすので、$\frac1n\sum_{j< n}Z_j\to\kappa_H$($L^2$)である。これは
$$n^{H-1}(T/n)^H\sum_{j=1}^{n-1}Z_j=T^H\cdot\frac1n\sum_{j=1}^{n-1}Z_j\to T^H\kappa_H$$
を意味し、定数への確率収束は法則だけで決まるので、前半を得る。$1-H>0$ だから $J_n\to\infty$ である。
後半を示す。$G^{(n)}:=\sum_{j=1}^{n-1}s\operatorname{sgn}(B^H_{t_j}-B^H_{t_{j-1}})\mathbf 1_{(t_j,t_{j+1}]}$ は、係数が左端 $t_j$ の時刻で可測なので、単純な被積分過程である(Bichteler–Dellacherieの定理 の定義「単純な被積分過程」)。$\|G^{(n)}\|\le1$ で、$I_{B^H}(G^{(n)})=J_n$ は確率有界でない。同じ記事の命題「連続性と確率有界性」により $B^H$ は良い積分子でなく、命題「半マルチンゲールは良い積分子」により半マルチンゲールでない。$\square$
連続な分解をもつ半マルチンゲールに限れば、半マルチンゲール の命題「単純な積分の確率有界性」だけで足りる。この定理は分解の項に連続性を仮定しないので、跳びのある項による分解も除外する。
賭けの向きは、$H>\frac12$ で直前の増分と同じ向き、$H< \frac12$ で逆向きである。$H=\frac12$ では $\rho_H(1)=0$ で、$\sum_{j< n}\operatorname{sgn}(B_{t_j}-B_{t_{j-1}})(B_{t_{j+1}}-B_{t_j})$ は平均 $0$、分散 $(1-\frac1n)T$ のマルチンゲールの値であり、発散しない。金融の模型に $B^H$ を使うと経路ごとの積分で裁定が生じることも知られている(Nua06 §5.1、p. 1558)。
半マルチンゲールでなくても、特定の被積分過程の Riemann 和は収束しうる。$H>1/2$ では 2 乗和が消えるので、伊藤の補正項がなくなる。
$H>\frac12$、$F\in C^2(\mathbb R)$ とする。$[0,T]$ の分割 $\pi$ の幅を $0$ に近づけると、
$$\sum_iF'(B^H_{t_{i-1}})\bigl(B^H_{t_i}-B^H_{t_{i-1}}\bigr)\to F(B^H_T)-F(0)\qquad(\text{確率収束})$$
である。
Taylor の定理から、差は $\frac12\sum_iF''(\theta_i)(B^H_{t_i}-B^H_{t_{i-1}})^2$($\theta_i$ は端点の値の間の点)で、絶対値は $\frac12\sup_{\lvert x\rvert\le R}\lvert F''(x)\rvert\cdot\sum_i(B^H_{t_i}-B^H_{t_{i-1}})^2$ 以下である。ここで $R:=\sup_{t\le T}\lvert B^H_t\rvert$ である。(1) から 2 乗和の期待値は $\sum_i(t_i-t_{i-1})^{2H}\le\lvert\pi\rvert^{2H-1}T\to0$ である。$\square$
$F(x)=x^2$ なら $2\sum_iB^H_{t_{i-1}}(B^H_{t_i}-B^H_{t_{i-1}})=(B^H_T)^2-\sum_i(B^H_{t_i}-B^H_{t_{i-1}})^2$ である。極限は $H>\frac12$ で $(B^H_T)^2$、$H=\frac12$ で $B_T^2-T$ で、$H< \frac12$ の等分割では $-\infty$ に発散する。
積分の一般論は次のように分かれる(Nua06 §3。この記事では証明しない)。$H>\frac12$ では、次数の和が $1$ を超える Hölder 連続関数どうしの Young積分 が経路ごとに定まる(同 p. 1548)。確定した被積分関数には、(1) の共分散から作る Hilbert 空間の等長写像で積分が定まる(同 §3.1)。確率的な被積分関数には、Malliavin解析 の発散作用素が使われる(同 §3.3)。また、$B^H$ に独立な Brown 運動を足した過程は、$H\in(\frac34,1)$ なら有限区間で法則が Brown 運動と同値になる(Cheridito の結果。同 p. 1545)。
| 外す条件 | 反例 | 成り立たなくなること |
|---|---|---|
| $H< 1$ | $H=1$ の $X_t=t\xi$($\xi\sim N(0,1)$) | 有限変動で半マルチンゲールになる(増分は完全に相関) |
| $H\le1$ | $H>1$ の $R_H$ | 共分散でない(thm-fbm-psd の後半) |
| $H>0$ | $H=0$ の $(\zeta+\zeta_t)/\sqrt2$($t>0$、$\zeta,\zeta_t$ は独立な標準正規変数、$0^0=0$) | 共分散は $R_0$ だが、連続な修正をもたない |
| prop-fbm-unique の定常増分 | $Y_t:=\int_0^t(t-s)^{H-1/2}\,dW_s$($H\ne\frac12$) | 自己相似な Gauss 過程だが共分散は $R_H$ の定数倍でない |
| 定義の Gauss 性 | $\zeta B^H$($\zeta$ は $B^H$ と独立、$\zeta^2$ は $\frac12,\frac32$ を確率 $\frac12$ ずつ) | 共分散は $R_H$ だが非整数Brown運動でない |
$H=0$ の過程:$s\ne t$($s,t>0$)で $\mathrm{Cov}=\frac12$、$s=t$ で $1$ であり、$R_0$ に一致する。増分は分散 $1$ で、時刻が近づいても小さくならないので確率連続でない。
$Y$:自己相似性は $W$ の尺度変換による。$E[Y_1^2]=\frac1{2H}$ で、$Y$ が定常増分をもつなら $E[(Y_2-Y_1)^2]=\frac1{2H}$ のはずだが、実際には $\frac1{2H}+\int_0^1\bigl((2-s)^{H-1/2}-(1-s)^{H-1/2}\bigr)^2ds>\frac1{2H}$ である。よって $E[(Y_t-Y_s)^2]$ は $\lvert t-s\rvert^{2H}$ の定数倍でない。
$\zeta B^H$:自己相似性と定常増分は $\zeta$ で条件付けて確かめられ、$E[\zeta^2]=1$ から共分散は $R_H$ である。$E[(\zeta B^H_1)^4]=3E[\zeta^4]=\frac{15}4\ne3$ なので Gauss 分布でない。
Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する