Approximation of the stochastic differential equation with jumps and convergence in total variation distance - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2023

Approximation of the stochastic differential equation with jumps and convergence in total variation distance

Approximation de l'équation différentielle stochastique avec sauts et convergence en distance de la variation totale

Résumé

In this thesis, we consider the approximation of the solution of the stochastic differential equation with jumps and we focus on the convergence in total variation distance. The main method we use is the integration by parts technique in Malliavin calculus. This thesis contains three parts. In the first part, we want to obtain an accurate approximation scheme for the jump equation. Following the idea of [1], we replace the "small jumps" by a Brownian motion. We prove that for every fixed time t, the approximate random variable X^varepsilon_t converges to the original random variable X_t in total variation distance and we estimate the error. We also give an estimate of the distance between the densities of the laws of the two random variables.In the second part, we deal with Mckean-Vlasov and Boltzmann type jump equations. This means that the coefficients of the equation depend on the law of the solution, and the equation is driven by a Poisson point measure with intensity measure which depends on the law of the solution as well. In [2], Alfonsi and Bally have proved that under some suitable conditions, the solution X_t of such equation exists and is unique. They also prove that X_t is the probabilistic interpretation of an analytical weak equation. Moreover, given a partition mathcal{P} of the time interval, they define X_t^{mathcal{P}} to be the Euler scheme associated to mathcal{P}, and prove that X_t^{mathcal{P}} converges to X_t in Wasserstein distance. In this thesis, under more restricted assumptions, we show that the Euler scheme X_t^{mathcal{P}} converges to X_t in total variation distance and X_t has a smooth density (which is a function solution of the analytical weak equation). On the other hand, in view of simulation, we use a truncated Euler scheme X^{mathcal{P},M}_t which has a finite numbers of jumps in any compact interval. We prove that X^{mathcal{P},M}_{t} also converges to X_t in total variation distance. Finally, we give an algorithm based on a particle system associated to X^{mathcal{P},M}_t in order to approximate the density of the law of X_t. Complete estimates of the error are obtained.In the third part, we establish an abstract framework for the approximation for the invariant probability measure of a Markov semigroup. Following the approach from [4], we use the Euler scheme withdecreasing steps (which is called the unadjusted Langevin algorithm in the Monte Carlo literature) todo the simulation. Under some "exponential Lipschitz property" and regularization properties, we give an estimate of the error in total variation distance. The main results in [4] and [3] are particular cases of our framework. We also apply this framework to jump processes and obtain an estimate of the approximation for the invariant probability measure in total variation distance
Dans cette thèse, nous considérons l'approximation de la solution de l'équation différentielle stochastique avec des sauts et nous nous concentrons sur la convergence en distance de la variation totale. La principale méthode que nous utilisons est la technique d'intégration par parties dans le calcul de Malliavin. Cette thèse contient trois parties. Dans la première partie, nous voulons obtenir un schéma d'approximation précis pour l'équation de saut. Suivant l'idée de [1], nous remplaçons les "petits sauts" par un mouvement brownien. Nous prouvons que pour chaque temps fixé t, la variable aléatoire approchée X^varepsilon_t converge vers la variable aléatoire originale X_t en distance de variation totale et nous estimons l'erreur. Nous donnons également une estimation de la distance entre les densités des lois des deux variables aléatoires. Dans la seconde partie, nous traitons des équations à sauts de type Mckean-Vlasov et Boltzmann. Cela signifie que les coefficients de l'équation dépendent de la loi de la solution et que l'équation est dirigée par une mesure ponctuelle de Poisson avec une mesure d'intensité qui dépend également de la loi de la solution. Dans [2], Alfonsi et Bally ont prouvé que sous certaines conditions convenables, la solution X_t d'une telle équation existe et est unique. Ils prouvent également que X_t est l'interprétation probabiliste d'une équation faible analytique. De plus, étant donné une partition mathcal{P} de l'intervalle de temps, ils définissent X_t^{mathcal{P}} comme étant le schéma d'Euler associé à mathcal{P}, et prouvent que X_t ^{mathcal{P}} converge vers X_t en distance de Wasserstein. Dans cette thèse, sous des hypothèses plus restreintes, nous montrons que le schéma d'Euler X_t^{mathcal{P}} converge vers X_t en distance de variation totale et X_t a une densité "smooth" (qui est une fonction solution de l'équation faible analytique). D'autre part, en vue de la simulation, nous utilisons un schéma d'Euler tronqué X^{mathcal{P},M}_t qui a un nombre fini de sauts dans tout intervalle compact. Nous prouvons que X^{mathcal{P},M}_{t} converge également vers X_t en distance de variation totale. Enfin, nous donnons un algorithme basé sur un système de particules associé à X^{mathcal{P},M}_t afin d'approximer la densité de la loi de X_t. Des estimations complètes de l'erreur sont obtenues. Dans la troisième partie, nous établissons un cadre abstrait pour l'approximation de la mesure de probabilité invariante d'un semi-groupe de Markov. Suivant l'approche de [4], nous utilisons le schéma d'Euler avec étapes décroissantes (qui est appelé l'algorithme de Langevin non-ajusté dans les littératures de Monte Carlo) pour faire la simulation. Sous certaines "propriétés de Lipschitz exponentielle" et propriétés de régularisation, nous donnons une estimation de l'erreur en distance de la variation totale. Les principaux résultats dans [4] et [3] sont des cas particuliers de notre cadre. Nous appliquons également ce cadre aux processus de saut et obtenons une estimation de l'approximation de la mesure de probabilité invariante en distance de variation totale
Fichier principal
Vignette du fichier
TH2023UEFL2028.pdf (1.61 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04231403 , version 1 (06-10-2023)
tel-04231403 , version 2 (08-11-2023)

Identifiants

  • HAL Id : tel-04231403 , version 2

Citer

Yifeng Qin. Approximation of the stochastic differential equation with jumps and convergence in total variation distance. Analysis of PDEs [math.AP]. Université Gustave Eiffel, 2023. English. ⟨NNT : 2023UEFL2028⟩. ⟨tel-04231403v2⟩
77 Consultations
52 Téléchargements

Partager

Gmail Facebook X LinkedIn More