1.7 KiB
1.7 KiB
title, created, updated, type, tags, sources, confidence
| title | created | updated | type | tags | sources | confidence | ||||
|---|---|---|---|---|---|---|---|---|---|---|
| 非预期泛函 (Non-Anticipative Functionals) | 2026-06-17 | 2026-06-17 | concept |
|
|
high |
非预期泛函 (Non-Anticipative Functionals)
非预期泛函是依赖路径过去而非未来的路径空间映射——在 weighted-uat-manifolds 中被证明可被 FNN 逼近(包括导数)。
定义
对路径 ω : [0,T] → R^d,泛函 F(ω)_t 在时间 t 是非预期的,若它仅依赖 ω|[0,t](路径在 t 之前的部分)。
数学上:F(ω)_t = F(ω(·∧t))(停时自适应)。
水平与垂直导数
论文的核心贡献之一是证明了 FNN 可以逼近非预期泛函的两种导数:
水平导数(Horizontal Derivative)
D_H F(ω)_t = lim_{h→0+} (F(ω(·+h))_{t+h} - F(ω)_t) / h
沿时间方向的导数——捕获时间演化的影响。
垂直导数(Vertical Derivative)
D_V F(ω)_t(η) = lim_{ε→0} (F(ω + εη)_t - F(ω)_t) / ε
沿空间扰动的导数——捕获路径形变的影响。
重要性
非预期泛函是Functional Itô 微积分的核心对象:
- SDE 的解 → 非预期泛函
- 路径依赖期权定价 → 非预期泛函
- 随机控制 → 非预期泛函
加权 UAT 的应用
论文 Theorem 5.2:FNN 可在加权空间中同时逼近非预期泛函及其水平/垂直导数 → 这是首次将 UAT 从"函数值"拓展到 "泛函值 + 两种导数"。