第 8 章扩散理论的其他主题（Other Topics in Diffusion Theory）

作者

Bernt Øksendal（奥斯陆大学）。本章是"工具章"——6 个独立但深度相关的主题，每个都自成体系、都是 SDE 理论的"高级工具"。

Kolmogorov 后退方程 + 预解式（Ch 8.1）：把 SDE 路径 $X_t$ 的期望 $\mathbb E^x[f(X_t)]$ 重新写成 PDE $\partial_t u = Au$——Ch 9 的预告。
Feynman-Kac 公式 + Killing（Ch 8.2）：把"加 killing 速率"等价于"乘指数权重 $e^{-\int q ds}$"——是 PDE 与 SDE 边值问题双向的桥梁。
鞅问题（Ch 8.3）：Stroock-Varadhan 1979 的"等价定义"——SDE 解的存在唯一性 = 鞅问题的适定性。
Itô 过程何时是扩散（Ch 8.4）：用 $vv^T = \sigma\sigma^T$ 判断两个 Itô 过程是否同分布。
随机时间变换（Ch 8.5）：把 $Y_t$ "在时间轴上重新标度"得到新的扩散（流形上 BM 的统一构造工具）。
Girsanov 定理（Ch 8.6）：改变 drift 后仍可保持 BM 性质（用指数鞅换测度）——Ch 12 金融工程的基石。

内容概述

本章是 Itô 理论的"工具箱补全"——把 Ch 3-7 发展的 SDE 理论扩展到更精细的情境。

主要内容： 1. Kolmogorov 后退方程（Thm 8.1.1）：$u(t, x) = E^x[f(X_t)]$ 满足 $\partial_t u = Au$。算子 $Q_t$ 与 $A$ 交换 → $Q_t = e^{tA}$。 2. 预解式（Def 8.1.2, Thm 8.1.5）：$R_\alpha g(x) = E^x[\int_0^\infty e^{-\alpha t} g(X_t) dt]$，$(\alpha - A) R_\alpha = I$。 3. Feynman-Kac 公式（Thm 8.2.1）：$v(t, x) = E^x[\exp(-\int_0^t q(X_s) ds) f(X_t)]$ 满足 $\partial_t v = Av - qv$——PDE 边值问题 $\partial_t v = Av - qv$ 的概率解。 4. Killing 构造（Thm 8.2.1 末）：把 $c \ge 0$ 加到生成元上对应"扩散在速率 $c$ 下被吸收"——$E^x[f(\tilde X_t)] = E^x[f(X_t) e^{-\int_0^t c(X_s) ds}]$。 5. 鞅问题（Def 8.3.2, Thm 8.3.1'）：SDE 解的分布 $Q^x$ 是"对 $A$ 解鞅问题"的测度。Stroock-Varadhan 1979 证明：SDE 解的存在唯一性 ↔ 鞅问题适定性。 6. 何时 Itô 过程是扩散（Thm 8.4.3）：$E^x[u \mid \mathcal N_t] = b(Y_t)$, $vv^T = \sigma\sigma^T(Y_t)$ 给出两个过程同分布的充要条件。 7. 随机时间变换（Thm 8.5.1, Cor 8.5.5）：$Y_{\alpha_t} \simeq X_t$ 当 $u = c \cdot b$、$vv^T = c \cdot \sigma\sigma^T$。 8. 球面 BM（Ex 8.5.8）：$n$ 维 BM 投影到 $S^{n-1}$ + 时间变换 = $S^{n-1}$ 上 BM——流形扩散的统一构造。 9. Lévy 鞅刻画（Thm 8.6.1）：连续 + 鞅 + $\langle X^i, X^j\rangle = \delta_{ij} t$ ↔ BM。 10. Girsanov 定理（Thm 8.6.4）：$dX = (b + \theta \sigma) dt + \sigma dB$ 在新测度 $Q$（$dQ/dP = e^{\int \theta dB - \tfrac12 \int \theta^2 dt}$）下是 $dX = b\,dt + \sigma d\tilde B$。

在全书中位置：工具章。Feynman-Kac 公式是 Ch 9 Dirichlet / Poisson 问题的核心；鞅问题是 Ch 8 / Ch 7 的"等价"基础；Girsanov 定理是 Ch 12 金融工程的基石（Black-Scholes 风险中性定价 = Girsanov 变换 + 鞅表示 + Itô 公式）。

前置知识：Ch 3-7 全部。Feynman-Kac 公式是 Dynkin 公式 + Itô 公式的加权推广——乘 $e^{-\int q ds}$ 后取期望。

核心方程与概念

本章是"工具章"——6 个独立主题，但都围绕"扩散 → 算子"的对应。下面列出最重要的 11 个对象。

8.1 Kolmogorov 后退方程（Thm 8.1.1）

\[u(t, x) := E^x[f(X_t)] \text{ 满足 } \partial_t u = Au, \quad u(0, x) = f(x).\]

算子解释（Remark 8.1）：$Q_t f = E^\bullet[f(X_t)]$，$\frac{d}{dt} Q_t = Q_t A$ 或 $A Q_t$（差一个对易问题）→ $Q_t = e^{tA}$（形式上）。实际上 $A$ 是无界算子，需要 semigroup 理论严格化。
Ch 9 应用：$u(t, x) = E^x[f(X_{T-t})]$ 是 PDE 边值问题 $\partial_t u + Au = 0$ 的解（"反向"时间）——即"$\partial_s v = -A v$"。

8.2 预解式（Def 8.1.2）

\[R_\alpha g(x) := E^x\!\left[\int_0^\infty e^{-\alpha t} g(X_t)\,dt\right], \quad \alpha > 0.\]

性质（Thm 8.1.5）：$(\alpha - A) R_\alpha g = g$（$A$ 的"反 Laplace 变换"）。

意义：$R_\alpha$ 是 $A$ 的"正则化版本"——$\alpha$ 越大，$R_\alpha$ 越接近"瞬时"。
Ch 9 应用：Poisson 方程 $-\alpha u + Au = g$ 的解 $u = R_\alpha g$。
算子语义：$A$ 是闭算子，$\alpha - A$ 可逆当 $\alpha > $ 谱上确界。$R_\alpha = (\alpha - A)^{-1}$。

8.3 Feller 连续性（Lemma 8.1.4）

任何 Itô 扩散 $X_t$ 的半群 $Q_t$ 映连续有界函数 $g$ → 连续函数 $E^\bullet[g(X_t)]$。

意义：扩散路径的"依赖初值的连续性"——$E[|X_t^x - X_t^y|^2] \le |x - y|^2 C(t)$（用 Gronwall）。
Ch 8.1.4b 形式：$g$ 有界连续 → $u(x) = E^x[g(X_t)]$ 连续。

8.4 Feynman-Kac 公式（Thm 8.2.1）—— 全书最优雅的公式之一

\[\boxed{v(t, x) := E^x\!\left[\exp\!\left(-\int_0^t q(X_s)\,ds\right) f(X_t)\right] \text{ 满足 } \partial_t v = Av - qv, \quad v(0, x) = f(x).}\]

证明关键：$Y_t = f(X_t)$, $Z_t = \exp(-\int_0^t q(X_s) ds)$，$dZ = -Zq(X_t) dt$，$d(YZ) = Y dZ + Z dY$（无交叉项，因 $dZ \cdot dY = 0$）。
几何意义：把"扩散"加权 —— 每条路径的"权重" = $e^{-\int q ds}$。$q \ge 0$ 时是"惩罚"（如死亡率），$q \le 0$ 时是"奖励"（如增长率）。
Ch 9 应用：Poisson 问题的概率解 $u(x) = E^x[\int_0^\infty e^{-\alpha t} f(X_t) dt] = R_\alpha f(x)$。

8.5 Killing（Thm 8.2.1 末）

对 $c \ge 0$，定义"killed 扩散" $\tilde X_t = X_{t \wedge \zeta}$，其中 $\zeta$ 是"以速率 $c$ 被 killing"的时间。生成元

\[\tilde A f = A f - c f.\]

构造：$E^x[f(\tilde X_t)] = E^x[f(X_t) e^{-\int_0^t c(X_s) ds}]$。
物理意义：$c(x)$ 是位置 $x$ 处的"死亡率"——$c(x) > 0$ 时扩散在 $x$ 处"自然死亡"概率更高。
Ch 9 应用：吸收边界（Dirichlet 边值）= killing in boundary region；Poisson 问题 = 加 killing rate $c$。

8.6 鞅问题（Def 8.3.2, Thm 8.3.1'）

定义：测度 $Q^x$ on $(R^n)^{[0,\infty)}$ 解算子 $L$ 的鞅问题，若 $$M_t^f = f(\omega_t) - \int_0^t Lf(\omega_r)\,dr \text{ 是 } Q^x\text{-鞅}, \quad \forall f \in C^2_0.$$

Stroock-Varadhan 定理（8.3 节末）：$Q^x$ 解 $L$ 的鞅问题 $\Leftrightarrow$ 存在 SDE $dX = b\,dt + \sigma dB$ 的弱解 $X$ 满足 $L = \sum b_i \partial_i + \tfrac12 \sum (\sigma\sigma^T)_{ij} \partial_{ij}$。

意义：把 SDE 解的存在唯一性 ↔ 鞅问题的适定性——这是 SDE 理论的"终极形式"。
Ch 7 联系：扩散的 $Q^x$ 律解 $A$ 的鞅问题 = $X$ 满足 $A f(X_t) - f(x) = $ 鞅（Itô 公式）。
推广：Stroock-Varadhan 1979 证明 $[a_{ij}]$ 正定时无需 Lipschitz 条件——这放宽了 Thm 5.2.1 的假设。

8.7 Itô 过程何时是扩散（Thm 8.4.3）

设 $X$ 是 $dX = b(X) dt + \sigma(X) dB$ 的扩散，$Y$ 是 Itô 过程 $dY = u\,dt + v\,dB$。则

\[X \simeq Y \iff E^x[u \mid \mathcal N_t] = b(Y_t) \text{ and } vv^T = \sigma\sigma^T(Y_t).\]

核心（Lem 8.4.4）：$vv^T$ 必然 $\mathcal N_t$-可测（即使 $v$ 本身可能不 $\mathcal N_t$-可测）。
应用（Thm 8.4.5）：$X$ 是 BM $\iff E[u \mid \mathcal N_t] = 0$ 且 $vv^T = I$——Lévy 鞅刻画的概率版。
Bessel 过程（Ex 4.2.2, Ch 4）：$R_t = |B_t|$ 的 $\sigma = 1, b = (n-1)/(2r)$——通过 $R_t = \int (B^i / R) dB^i$ 验证 $vv^T = 1$ 是 BM。

8.8 随机时间变换（Thm 8.5.1）

设 $c(s, \omega) \ge 0$，$\beta_t = \int_0^t c\,ds$，$\alpha_t = \inf\{s: \beta_s > t\}$。若

\[u = c \cdot b, \quad vv^T = c \cdot \sigma\sigma^T\]

则 $Y_{\alpha_t} \simeq X_t$（$X$ 是 $dX = b\,dt + \sigma\,dB$ 的扩散）。

物理意义：$Y$ 在"时间 $\alpha_t$"上等于 $X$ 在"时间 $t$"——把"快过程"放慢到"慢过程"的时间标度。
Ch 5.1.4 / 8.5.8 应用：构造"流形上的 BM"——$n$ 维 BM 投影到球 $S^{n-1}$ 是 Itô 过程（Ex 8.5.8），其二次变差 $\neq t$（不平坦度量）；通过时间变换 $\alpha_t$ 调整回平坦时间，得到真正的 $S^{n-1}$ 上的 BM。
几何应用：任意 Riemann 流形 $M$ 上的 BM = 用 Laplace-Beltrami 算子 $\Delta_M$ 替换 $\tfrac12 \Delta$ 的扩散（McKean-Stroock 1967）。

8.9 Lévy 鞅刻画（Thm 8.6.1）

连续 $X(t) = (X_1, \ldots, X_n)$ 是 BM 当且仅当： - $X(t)$ 是关于自己的滤族的鞅 - $X_i(t) X_j(t) - \delta_{ij} t$ 是鞅（对所有 $i, j$）

或等价：$\langle X_i, X_j\rangle = \delta_{ij} t$（Ex 4.7 的二次变差）。

意义：BM 的"鞅论定义"——不需要独立增量或正态分布的假设。
Girsanov 定理的引子：Girsanov 给出"加 drift 仍为 BM"——本质是"新过程仍是鞅 + 二次变差不变"。

8.10 Girsanov 定理（Thm 8.6.4）—— 测度变换的核心

设 $X_t = X_0 + \int_0^t b(s, \omega) ds + \int_0^t \sigma(s, \omega) dB_s$（$b, \sigma$ 满足一定条件）。新测度 $Q$ on $\mathcal F_T$： $$\frac{dQ}{dP} = Z_T, \quad Z_T = \exp\!\left(\int_0^T \theta(s, \omega)\,dB_s - \frac{1}{2} \int_0^T |\theta(s, \omega)|^2 ds\right),$$

其中 $\theta = \sigma^{-1}(u - b)$。在 $Q$ 下，$\tilde B_t := B_t - \int_0^t \theta(s, \omega) ds$ 是 BM，且 $$X_t = X_0 + \int_0^t u(s, \omega) ds + \int_0^t \sigma(s, \omega) d\tilde B_s.$$

核心：把"改变 drift"转化为"换测度"——drift 改变 $\theta$ 对应新 BM $\tilde B = B - \int \theta ds$。
等价形式（Ch 4 Ex 4.4）：$Z_t$ 满足 $dZ_t = Z_t \theta\,dB_t$——$Z$ 是局部鞅。
关键条件（Ch 4 末）：Novikov 条件 $E[e^{\frac12 \int_0^T \theta^2 ds}] < \infty$ 或 Kazamaki 条件 $E[e^{\frac12 \int_0^T \theta\,dB}] < \infty$ 保证 $Z$ 是真鞅。
Ch 12 金融工程：Black-Scholes 用 Girsanov 变换把"实际测度"换为"风险中性测度 $Q$"——在 $Q$ 下折现股票是鞅，期权价格是折现 payoff 的 $Q$-期望。

8.11 Bayes 公式（Lemma 8.6.2）

对测度变换 $d\nu = f\,d\mu$： $$E_\nu[X \mid \mathcal H] \cdot E_\mu[f \mid \mathcal H] = E_\mu[fX \mid \mathcal H].$$

意义：Girsanov 变换下的条件期望计算基础。
Ch 12 应用：给定新测度 $Q$ 下求条件期望 $E_Q[X \mid \mathcal G_t]$，可用 Bayes 反向计算 $E_P[Z_t X \mid \mathcal G_t] / E_P[Z_t \mid \mathcal G_t]$。

关键结论

Kolmogorov 后退方程 = SDE 期望的 PDE 重写：$u(t, x) = E^x[f(X_t)]$ 满足 $\partial_t u = Au$。这是 SDE 与 PDE 对偶的"算子版本"。
Feynman-Kac 公式 = 加权 SDE 期望的 PDE 重写：$v(t, x) = E^x[e^{-\int q ds} f(X_t)]$ 满足 $\partial_t v = Av - qv$。Ch 9 Poisson 问题的概率解。
Killing 构造 = 把 PDE 算子 $A - c$ 实现为扩散的"以速率 $c$ 死亡"——边界条件、势函数、Poisson 方程的统一工具。
鞅问题 = SDE 解的"等价"概率定义。Stroock-Varadhan 1979 定理说明：SDE 解的存在唯一性 = 鞅问题的适定性。这放宽了 Lipschitz 条件。
Itô 过程何时是扩散 = $E[u \mid \mathcal N_t] = b$ + $vv^T = \sigma\sigma^T$。Bessel 过程是经典应用。
随机时间变换 = 用 $\alpha_t = \inf\{s: \int_0^s c\,du > t\}$ 重标度时间。流形 BM 的统一构造工具——任意 Riemann 流形上的 BM 是平坦 BM 在流形上的投影 + 时间变换。
Lévy 鞅刻画 = BM 的"无正态性"定义。
Girsanov 定理 = 测度变换的"换 drift"工具。金融工程的基石——Black-Scholes 风险中性定价依赖 Girsanov 变换 + 鞅表示定理。
Bayes 公式 = 测度变换下的条件期望计算——是 Girsanov 变换的应用基础。
Killing + Girsanov 一起用：Ch 12 Black-Scholes 实际上分两步：Girsanov 变测度 + 加 killing（折现）。两个工具组合给出"无套利 + 完备市场"的严格证明。

挑战和开放性问题

无界 killing 速率 $c$：Thm 8.2.1 要求 $c$ 下有界。当 $c$ 在某方向无界时（如 $c(x) = |x|^2$），需要不同的 killing 构造（Khasminskii 1960 的 Lyapunov 函数方法）。
时间变换 BM 的"流形"约束：Ch 8.5.8 把 $n$ 维 BM 投影到 $S^{n-1}$ + 时间变换给出球面 BM。但对非紧流形（如双曲空间 $\mathbb H^n$），需要 Itô 公式在流形上的推广（Elworthy 1982, Hsu 2002）。
Girsanov 定理对非 Lipschitz $\sigma$ 的推广：当 $\sigma$ 仅连续可微时，Girsanov 变换的形式不变（Krylov-Zvonkin 1981），但验证 $Z_T$ 是鞅的技术细节更复杂。
鞅问题的非局部性：Thm 8.3.1 仅在 $L$ 是局部算子（微分算子）时成立。跳扩散（如 $L$ 含 $\int [f(x + y) - f(x) - \nabla f(x) \cdot y] \nu(dy)$ 项）需要鞅问题理论的推广（Stroock-Varadhan 1979 Ch 6）。
Feynman-Kac 公式的"反向"：给定 PDE $\partial_t u = Au - qu$，求对应的概率表示 $u(t, x) = E^x[e^{-\int q ds} f(X_T)]$ 中的"前向过程"和"反向过程"——这是 Feynman-Kac 公式的"逆向"应用（与 CGMY 模型、双曲 PDE 相关）。
时间变换的不唯一性：给定 $Y$ 和目标 $X$，时间变换 $\alpha_t$ 一般不唯一。对何种 $Y$ 存在时间变换得到 $X$ 是 Stroock-Vorotnikov 2013 的研究方向。
球面 BM 的支撑集（Ex 8.5.8 末）：$S^{n-1}$ 上 BM 的支撑集是整个 $S^{n-1}$ 吗？是（由 Stroock-Varadhan 支持定理）——但证明需要 $S^{n-1}$ 是紧流形，方法与平坦 $\mathbb R^n$ 不同。
Girsanov 变换的"反问题"：给定 $X$ 和新 drift $u$，求 $\theta$ 使 $X$ 在新测度 $Q$ 下是 SDE——这是均值场博弈（Lasry-Lions 2007）和大规模博弈均衡（Carmona-Fouque 2014）的核心。

个人反思与批判性分析

本章是 SDE 理论"工具集"补全——前 7 章建立的 Itô 公式 / SDE / 扩散理论在此与随机分析的其他分支（鞅论、势理论、调和分析、几何）连接起来。

Feynman-Kac 公式的"美"：经典 PDE 文献中，公式 $\partial_t u = Au - qu$ 的解是"渐近级数展开 + 数值模拟"。但 Feynman-Kac 把它直接转化为"带权重的扩散期望"——这是把抽象的 PDE 解"具体化"为可计算的概率对象。

Girsanov 定理的"换 drift"哲学：通常我们说"改变 SDE 系数会改变过程"；Girsanov 反过来说——在某种意义下，可以"无成本"地改变 drift（只要 $\sigma$ 保持不变）。这是金融工程"风险中性定价"的根：实际市场用"漂移 $\mu$"，无套利市场用"漂移 $r$"——两个测度间由 Girsanov 变换联系，不改变任何"无套利"结构。

鞅问题与 SDE 的"等价"：Stroock-Varadhan 1979 鞅问题理论给出 SDE 理论"无坐标"的形式——不依赖具体的 $b, \sigma$ 表达式，而只依赖"对哪些 $f \in C^2$ 生成鞅"。这为随机分析公理化（Axiomatic Probability Theory, Kolmogorov 1933）提供了最自然的应用场景——可以用鞅问题作为"基本公理"重建 SDE 理论。

随机时间变换与"流形几何"：球面 BM（Ex 8.5.8）的构造揭示了"几何"与"分析"的深层联系——平坦 BM 的轨道在曲面上的"时间"被 Riemann 度量重标度。这是 McKean 1969 的著名发现："流形上的随机分析 = 平坦随机分析 + 时间变换"。

对初学者的建议——本章每个小节都可独立阅读： - 想了解 PDE–SDE 对偶 → Ch 8.1-8.2 - 想了解弱解理论 → Ch 8.3-8.4 - 想了解流形 BM → Ch 8.5 - 想了解金融工程的数学基础 → Ch 8.6

特别是 Ch 8.6 Girsanov 定理——这是 Ch 12 Black-Scholes 公式推导的"种子"。如果只读 Ch 8 的一节，就读 Ch 8.6。

重要参考文献

[X1] K. Itô, H. P. McKean Jr. Diffusion Processes and their Sample Paths. Springer, 1965 (reprinted 1996). ISBN 978-3540606302. — Ch 8.5 流形 BM 的原始构造来源（p. 269, §7.15, Ex 8.5.8 引用）。

[X2] M. Kac. On distributions of certain Wiener functionals. Transactions of the American Mathematical Society 65: 1–13, 1949. — Feynman-Kac 公式的原始来源（Ch 8.2 引用）。

[X3] D. W. Stroock, S. R. S. Varadhan. Multidimensional Diffusion Processes. Springer, 1979. ISBN 978-3540902983. — 鞅问题理论的原始来源（Thm 8.3 节引用）；支持定理、扩散的存在唯一性。

[X4] S. Karlin, H. M. Taylor. A Second Course in Stochastic Processes. Academic Press, 1981. ISBN 978-0123986611. — Killing 构造的显式（p. 314, Ch 8.2 引用）。

[X5] R. M. Blumenthal, R. K. Getoor. Markov Processes and Potential Theory. Academic Press, 1968. ISBN 978-0121073501. — Killing 过程的一般理论（Ch 8.2 引用）。

[X6] K. L. Chung, K. M. Rao. Malliavin and Stroock's work on intersection local times. Bulletin of the American Mathematical Society 27: 177–184, 1992. — Stroock-Varadhan 鞅问题的应用。

[X7] I. V. Girsanov. On transforming a certain class of stochastic processes by absolutely continuous substitution of measures. Theory of Probability and Its Applications 5: 285–301, 1960. — Girsanov 定理的原始来源（Ch 8.6 引用）。

[X8] P. Lévy. Sur une classe de courbes de l'espace de Hilbert et sur une équation intégrale non linéaire. Annales Scientifiques de l'École Normale Supérieure 73: 121–156, 1956. — Lévy 鞅刻画（Thm 8.6.1, Ch 8.5.9 引用）。

[X9] N. Ikeda, S. Watanabe. Stochastic Differential Equations and Diffusion Processes, 2nd ed. North-Holland / Kodansha, 1989. ISBN 978-0444883780. — Lévy 鞅刻画的严格证明（Thm II.6.1）；流形 SDE 理论。

[X10] I. Karatzas, S. E. Shreve. Brownian Motion and Stochastic Calculus, 2nd ed. Springer, 1991. ISBN 978-0387976556. — Lévy 鞅刻画（Thm 3.3.16）；Girsanov 定理的形式化处理。

[X11] L. Csink, B. Øksendal. Projection of Brownian motion onto $\sigma$-algebras and non-linear stochastic differential equations. Preprint, University of Oslo, 1983. — Ch 8.4 Thm 8.4.3 后的图像判据来源。

[X12] A. Bernard, E. A. Campbell, N. G. Davie. Brownian motion and generalized analytic functions. Annales de l'Institut Henri Poincaré B 15: 295–328, 1979. — Ex 8.5.9 调和函数 → BM 图像定理的推广。

第 8 章 扩散理论的其他主题（Other Topics in Diffusion Theory）

作者