跳转至

第 5 章 随机微分方程（Stochastic Differential Equations）

作者

Lawrence C. Evans，UC Berkeley 数学系教授。本章是 SDE 理论的"主体"——前 4 章构建的工具（Ch 1 动机、Ch 2 概率、Ch 3 Wiener 过程、Ch 4 Itô 积分）在此汇聚，给出 Itô SDE 的严格定义、显式解示例、存在唯一性定理、性质与线性方程的封闭公式。

内容概述

本章分四节。第 A 节给出 SDE 的严格定义：\(dX = b(X, t) dt + B(X, t) dW\)（\(b: \mathbb{R}^n \times [0,T] \to \mathbb{R}^n\)、\(B: \mathbb{R}^n \times [0,T] \to \mathbb{M}^{n \times m}\)），初值 \(X_0\) 与未来 \(W^+(0) = \sigma(W(s) - W(0) | s \ge 0)\) 独立，滤子 \(\mathcal{F}(t) = \sigma(X_0, W(s) | 0 \le s \le t)\)。解 \(X(\cdot)\) 要求 (i) 关于 \(\mathcal{F}(\cdot)\) 逐步可测；(ii) \(b(X, t) \in L^1_n(0,T)\)；(iii) \(B(X, t) \in L^2_{n \times m}(0,T)\)；(iv) 满足积分形式 \(X(t) = X_0 + \int_0^t b(X(s), s) ds + \int_0^t B(X(s), s) dW\) a.s.。

Evans 紧接着指出高阶 SDE 可化为一阶系统：\(Y^{(n)} = f(t, Y, \ldots, Y^{(n-1)}) + g \xi\) 取 \(X = (Y, \dot Y, \ldots, Y^{(n-1)})^T\) 即化为 \(dX = \tilde b(X) dt + \tilde B dW\) 形式。这是 SDE 与 ODE 最重要的"等价"——所有 SDE 理论只需对一阶 SDE 展开。

7 个示例展现 SDE 的丰富性：(1) 线性齐次 \(dX = g X dW\)、\(X(0) = 1\) → stochastic exponential \(X(t) = \exp(\int_0^t g dW - \frac{1}{2} \int_0^t g^2 ds)\)；(2) 一般线性 \(dX = f X dt + g X dW\) → \(X(t) = \exp(\int (f - g^2/2) dt + \int g dW)\)；(3) 几何 Brown 运动 \(dP = \mu P dt + \sigma P dW\) → \(P(t) = p_0 e^{\sigma W(t) + (\mu - \sigma^2/2) t}\)，Itô 修正项 \(-\sigma^2/2\) 给出确定性预测 \(\mathbb{E}(P(t)) = p_0 e^{\mu t}\)，与 \(\sigma = 0\) 的 ODE 解一致；(4) Brown 桥 \(dB = -B/(1-t) dt + dW\)、\(B(0) = 0\) → \(B(t) = (1-t) \int_0^t (1-s)^{-1} dW\)，a.s. 满足 \(\lim_{t \to 1^-} B(t) = 0\)；(5) Langevin 方程 \(dX = -bX dt + \sigma dW\) → \(X(t) = e^{-bt} X_0 + \sigma e^{-bt} \int_0^t e^{bs} dW(s)\)，平稳分布 \(\mathcal{N}(0, \sigma^2/(2b))\)；(6) Ornstein–Uhlenbeck 位置过程 \(Y(t) = Y_0 + \int_0^t X(s) ds\)（\(X\) 是 Langevin 速度），方差 \(V(Y(t)) = (\sigma^2/b^2) t + (\sigma^2/(2b^3))(-3 + 4e^{-bt} - e^{-2bt})\)；(7) 随机谐振子 \(\ddot X = -\lambda^2 X - b \dot X + \sigma \xi\)，特例 \(X_1 = 0, b = 0, \sigma = 1\) 给出 \(X(t) = X_0 \cos(\lambda t) + (1/\lambda) \int_0^t \sin(\lambda(t-s)) dW\)。

第 B 节是存在唯一性——SDE 理论的核心定理。三种方法：(1) Picard 迭代对最简单的 \(dX = b(X) dt + dW\)（\(b \in C^1\)、\(|b'| \le L\)），定义 \(X^0 = x\)、\(X^{n+1}(t) = x + \int_0^t b(X^n) ds + W(t)\)；用 Lipschitz \(|b(X^n) - b(X^{n-1})| \le L |X^n - X^{n-1}|\) 迭代得 \(D_n(t) = \max_{0 \le s \le t} |X^{n+1} - X^n| \le C (Lt)^n / n!\)，\(X^n\) 一致收敛到解 \(X\)。(2) 变量替换（McKean 60 页）：对一般一维 SDE \(dX = b(X) dt + \sigma(X) dW\)，先解 ODE \(u' = \sigma(u)\)、\(u(y) = x\)，再求 \(f = (b(u) - u''/2)/\sigma(u)\)，最后解 \(dY = f(Y) dt + dW\)，\(X = u(Y)\) 即为解。(3) 一般存在唯一性定理：要求 (a) \(b, B\) 关于 \(x\) Lipschitz（\(|b(x) - b(\hat x)| \le L|x - \hat x|\)、\(B\) 类似）；(b) 线性增长 \(|b|, |B| \le L(1 + |x|)\)（实际可从 (a) 推出）；(c) \(\mathbb{E}|X_0|^2 < \infty\)；(d) \(X_0 \perp W^+(0)\)。Gronwall 引理：若 \(\phi(t) \le C_0 + \int_0^t f \phi ds\)（\(f \ge 0\)），则 \(\phi(t) \le C_0 e^{\int_0^t f ds}\)——是 SDE 理论中最重要的一阶估计工具。唯一性用 \(\mathbb{E}(|X(t) - \hat X(t)|^2) \le C \int_0^t \mathbb{E}(|X - \hat X|^2) ds\) + Gronwall（\(C_0 = 0\)）得 \(X = \hat X\) a.s.。存在性用 Picard 迭代：\(d_n(t) = \mathbb{E}(|X^{n+1}(t) - X^n(t)|^2) \le (MT)^{n+1}/(n+1)!\)（用 Lipschitz + Cauchy–Schwarz + Itô 等距归纳）；配合 Doob 子鞅不等式（Ch 2 §I）\(\mathbb{E} \max_{0 \le t \le T} |X^{n+1}(t) - X^n(t)|^2 \le C (MT)^n / n!\)；再 Borel–Cantelli（Ch 2 §E）得 \(X^n\) 一致收敛到 \(X\)。

第 C 节列出解的性质，大多无证明但有重要应用：(1) 高阶矩估计 \(\mathbb{E}|X(t)|^{2p} \le C(1 + \mathbb{E}|X_0|^{2p}) e^{C_1 t}\) 对 \(p > 1\)。(2) 样本路径性质：若 \(B \equiv 0\) 则 SDE 退化为 ODE，解光滑；若 \(\sum_l |b_{il}(x,t)|^2 > 0\) 对所有 \(x, t\)（即 \(B\) 至少一列非零）则几乎所有样本路径处处不可微；Hölder 连续指数 \(\gamma < 1/2\)（用 Ch 3 §C Kolmogorov 连续性定理）。(3) 参数连续依赖：\(X^k_0 \to X_0\) in \(L^2\)、\(b^k \to b, B^k \to B\) 一致于 \(|x| \le M\) → \(\mathbb{E} \max |X^k - X|^2 \to 0\)。作为应用给出小噪声极限：\(dX^\varepsilon = b(X^\varepsilon) dt + \varepsilon dW\)、\(X^\varepsilon(0) = x_0\) → 确定性 ODE \(\dot x = b(x)\)、\(x(0) = x_0\) 当 \(\varepsilon \to 0\)。这是 Wong–Zakai 定理的简化版。

第 D 节处理线性 SDE——SDE 理论中最"显式"的部分。线性定义为 \(b(x, t) = c(t) + D(t) x\)、\(B(x, t) = E(t) + F(t) x\)。窄义线性（\(F \equiv 0\)）时 \(dX = (c + D(t)X) dt + E(t) dW\) 的解是

\[X(t) = \Phi(t) X_0 + \int_0^t \Phi(s)^{-1} (c(s) ds + E(s) dW),\]

其中 \(\Phi(\cdot)\) 是 \(\dot \Phi = D(t) \Phi\)、\(\Phi(0) = I\) 的基本矩阵——ODE 理论中的常数变易法的直接推广。一般标量线性（\(n = 1\)、\(m\) 任意）\(dX = (c + dX) dt + \sum_l (e_l + f_l X) dW^l\) 的解用

\[\Phi(t) = \exp\!\left(\int_0^t d - \tfrac{1}{2} \sum_l (f_l)^2 ds + \sum_l \int_0^t f_l dW^l\right)\]

显式给出。乘积形式解法（Example）：设 \(X = X_1 X_2\)，\(X_1\) 满足 stochastic exponential SDE、\(X_2\) 满足 ODE，验证 \(X\) 满足原 SDE——这种"分解"在线性 SDE 理论中是核心技巧。

阅读本章需要 Ch 1–4 全部内容。SDE 理论是 SDE 课程的"主体"，所以本章是前 4 章工具的综合应用。建议把第 B 节的 Gronwall 引理 + Picard 迭代 + Doob 不等式 + Borel–Cantelli 四件套记住——它们是 SDE 存在唯一性证明的"标准工具箱"，在研究生级概率论与随机分析中反复出现。

核心方程与概念

关键定义（5.1）——Itô SDE 与解

\(dX = b(X, t) dt + B(X, t) dW\)、\(X(0) = X_0\)，其中 \(W(\cdot)\) 是 \(m\) 维 Wiener 过程，\(X_0\) 是 \(n\) 维随机变量独立于 \(W^+(0)\)。滤子 \(\mathcal{F}(t) = \sigma(X_0, W(s) | 0 \le s \le t)\)。解 \(X(\cdot)\) 是 \(\mathbb{R}^n\) 值随机过程，满足 (i) 关于 \(\mathcal{F}(\cdot)\) 逐步可测；(ii) \(b(X, t) \in L^1_n(0,T)\)；(iii) \(B(X, t) \in L^2_{n \times m}(0,T)\)；(iv) \(X(t) = X_0 + \int_0^t b(X(s), s) ds + \int_0^t B(X(s), s) dW\) a.s. 对所有 \(0 \le t \le T\)。

注意：作者把"逐步可测"放在 (i)，意味着 \(X(t) \in \mathcal{F}(t)\)（\(X(t)\) 只依赖 \(X_0\) 和截至 \(t\) 的 \(W\)）。这与 Ch 4 Itô 积分的"非预测"要求一致。

关键概念（5.2）——高阶 SDE 化为一阶系统

\(Y^{(n)} = f(t, Y, \ldots, Y^{(n-1)}) + g \xi\) 取 \(X = (Y, \dot Y, \ldots, Y^{(n-1)})^T\)：

\[\begin{cases} dX^1 = X^2 dt \\ \vdots \\ dX^{n-1} = X^n dt \\ dX^n = f(t, X) dt + g(t, X) dW \end{cases}\]

即 \(dX = \tilde b(X) dt + \tilde B(X) dW\)，其中 \(\tilde b\) 的前 \(n-1\) 个分量是 \((X^2, \ldots, X^n, f)^T\)，\(\tilde B\) 只有第 \(n\) 行非零（值为 \(g\)）。

关键示例（5.3）——Stochastic exponential（stochastic exponential）

\(dX = g X dW\)、\(X(0) = 1\) 的解是 \(X(t) = \exp\!\left(\int_0^t g dW - \frac{1}{2} \int_0^t g^2 ds\right)\)。验证：取 \(u(x) = e^x\)，Itô 公式 \(d(e^Y) = e^Y dY + \frac{1}{2} e^Y (dY)^2\) 其中 \(Y = \int_0^t g dW - \frac{1}{2} \int_0^t g^2 ds\)；\(dY = g dW - \frac{1}{2} g^2 dt\)；\((dY)^2 = g^2 dt\)；\(dX = e^Y (g dW - \frac{1}{2} g^2 dt + \frac{1}{2} g^2 dt) = g e^Y dW = g X dW\)。证毕。

关键示例（5.4）——几何 Brown 运动

\(dP = \mu P dt + \sigma P dW\)、\(P(0) = p_0\) 的解是 \(P(t) = p_0 e^{\sigma W(t) + (\mu - \sigma^2/2) t}\)。Itô 修正项 \(-\sigma^2/2 t\) 是关键——若按经典 ODE 处理（\(\sigma^2/2 = 0\)）会得 \(P(t) = p_0 e^{\sigma W + \mu t}\)，但那不满足 SDE。取对数 \(Y = \ln P\)，Itô 公式 \(dY = (1/P) dP - \frac{1}{2} (1/P^2) (dP)^2 = (\mu - \sigma^2/2) dt + \sigma dW\)（因为 \((dP)^2 = \sigma^2 P^2 dt\)），积分得 \(P(t) = p_0 \exp(\sigma W(t) + (\mu - \sigma^2/2) t)\)。

关键示例（5.5）——Brown 桥

\(dB = -B/(1-t) dt + dW\)、\(B(0) = 0\) 的解是 \(B(t) = (1-t) \int_0^t (1-s)^{-1} dW\)，a.s. 满足 \(\lim_{t \to 1^-} B(t) = 0\)（"桥"在 \(t = 0\) 和 \(t = 1\) 都为 0）。这是 Ch 3 §D Markov 性质的典型应用——已知起点 \(B(0) = 0\) 和终点 \(B(1) = 0\) 的约束把简单 Wiener 过程"调整"为带边值约束的扩散。

关键示例（5.6）——Langevin 方程（OU 速度过程）

\(dX = -bX dt + \sigma dW\)、\(X(0) = X_0\)（\(X_0\) 与 \(W\) 独立）的解是

\[X(t) = e^{-bt} X_0 + \sigma \int_0^t e^{-b(t-s)} dW(s).\]

第一项 \(e^{-bt} X_0\) 是确定性衰减（ODE \(\dot X = -bX\) 的解）；第二项是随机卷积。验证：\(dX = -b e^{-bt} X_0 dt + \sigma dW - b \sigma \int_0^t e^{-b(t-s)} dW ds = -b X dt + \sigma dW\)（用 Itô 公式 \(d(e^{-bt} Y) = -b e^{-bt} Y dt + e^{-bt} dY\) 其中 \(Y\) 满足 \(dY = \sigma dW\)）。方差 \(\mathbb{V}(X(t)) = e^{-2bt} \mathbb{V}(X_0) + (\sigma^2/(2b))(1 - e^{-2bt}) \to \sigma^2/(2b)\) 当 \(t \to \infty\)——平衡态 \(\mathcal{N}(0, \sigma^2/(2b))\)，是"随机驱动力 \(\sigma dW\)"与"摩擦阻尼力 \(-bX\)"之间的稳态分布。

关键示例（5.7）——Ornstein–Uhlenbeck 位置过程

\(\ddot Y = -b \dot Y + \sigma \xi\)、\(Y(0) = Y_0\)、\(\dot Y(0) = Y_1\)（\(Y_0, Y_1\) 给定 Gaussian 随机变量）。化为 \(dX = -bX dt + \sigma dW\)（\(X = \dot Y\) Langevin 速度）。\(Y(t) = Y_0 + \int_0^t X(s) ds\)。方差 \(V(Y(t)) = (\sigma^2/b^2) t + (\sigma^2/(2b^3))(-3 + 4e^{-bt} - e^{-2bt})\)——线性增长 \(t \to \infty\) 时 \(V(Y(t)) \sim (\sigma^2/b^2) t\)，这是物理上"随机行走"（非 Ornstein–Uhlenbeck 平稳）行为。Einstein 1905 年的 Brown 运动模型对应 \(b = 0\)（无摩擦）情形。

关键引理（5.8）——Gronwall

若 \(\phi, f \ge 0\) 连续，\(C_0 \ge 0\)，\(\phi(t) \le C_0 + \int_0^t f(s) \phi(s) ds\) 对 \(0 \le t \le T\)，则 \(\phi(t) \le C_0 e^{\int_0^t f ds}\)。证明：设 \(\Phi(t) = C_0 + \int_0^t f \phi ds\)，则 \(\Phi' = f \phi \le f \Phi\)，乘 \(e^{-\int_0^t f ds}\) 取导得 \((e^{-\int_0^t f ds} \Phi)' \le 0\)；所以 \(e^{-\int_0^t f ds} \Phi(t) \le \Phi(0) = C_0\)。Gronwall 是 ODE 理论（依赖 Gronwall 估计微分方程解的差）和 SDE 理论（控制 Itô 积分的差）的核心工具。

关键定理（5.9）——存在唯一性（一般情形）

设 \(b, B\) 连续，且 (a) 关于 \(x\) 一致 Lipschitz；\(|b|, |B| \le L(1 + |x|)\)（线性增长）；\(\mathbb{E}|X_0|^2 < \infty\)；\(X_0 \perp W^+(0)\)。则 \(dX = b(X, t) dt + B(X, t) dW\)、\(X(0) = X_0\) 在 \([0,T]\) 上有唯一解 \(X \in L^2_n(0,T)\)。

唯一性证明：设 \(X, \hat X\) 是两个解。则 \(X - \hat X = \int_0^t (b(X) - b(\hat X)) ds + \int_0^t (B(X) - B(\hat X)) dW\)。取 \(L^2\) 范数，\((a + b)^2 \le 2a^2 + 2b^2\) + Cauchy–Schwarz（\(\int_0^t f ds\) 的 \(L^2\) 范数 \(\le t \int_0^t f^2 ds\)）+ Itô 等距：\(\mathbb{E}|X(t) - \hat X(t)|^2 \le 2t L^2 \int_0^t \mathbb{E}|X - \hat X|^2 ds + 2 L^2 \int_0^t \mathbb{E}|X - \hat X|^2 ds \le C \int_0^t \mathbb{E}|X - \hat X|^2 ds\)。Gronwall（\(C_0 = 0\)）→ \(\mathbb{E}|X(t) - \hat X(t)|^2 = 0\) → \(X(t) = \hat X(t)\) a.s.。再由连续性在 \([0,T]\) 上 a.s.。

存在性证明：Picard 迭代 \(X^{n+1} = X_0 + \int_0^t b(X^n) ds + \int_0^t B(X^n) dW\)。归纳 \(d_n(t) = \mathbb{E}|X^{n+1}(t) - X^n(t)|^2 \le (MT)^{n+1}/(n+1)!\)（\(n = 0\) 用 \(|b(X_0)|, |B(X_0)| \le L(1 + |X_0|)\) + \((a+b)^2 \le 2(a^2 + b^2)\)；\(n \ge 1\) 用 Lipschitz \(|b(X^n) - b(X^{n-1})| \le L|X^n - X^{n-1}|\) + Cauchy–Schwarz + Itô 等距）。Doob 子鞅不等式（Ch 2 §I）\(\mathbb{E} \max_{0 \le t \le T} |X^{n+1}(t) - X^n(t)|^2 \le C (MT)^n / n!\)。Chebyshev \(P(\max |X^{n+1} - X^n| > 1/2^n) \le 2^{2n} \mathbb{E} \max |X^{n+1} - X^n|^2 \le 2^{2n} C (MT)^n / n!\)；几何级数收敛 → Borel–Cantelli → \(\max |X^{n+1} - X^n| > 1/2^n\) 只发生有限次 → \(X^n\) a.s. 一致收敛到 \(X\)。最后证 \(X \in L^2_n(0,T)\)：\(\mathbb{E}|X^{n+1}(t)|^2 \le C(1 + \mathbb{E}|X_0|^2) + C \int_0^t \mathbb{E}|X^n|^2 ds\) → \(\mathbb{E}|X(t)|^2 \le C(1 + \mathbb{E}|X_0|^2) e^{Ct}\)。

关键定理（5.10）——线性 SDE 显式解（窄义情形）

若 \(D\) 常数矩阵，\(dX = (c(t) + DX) dt + E(t) dW\)、\(X(0) = X_0\) 的解是

\[X(t) = e^{Dt} X_0 + \int_0^t e^{D(t-s)} (c(s) ds + E(s) dW).\]

其中 \(e^{Dt} = \sum_k D^k t^k / k!\)（矩阵指数）。更一般地，\(D\) 时变时用基本矩阵 \(\Phi(t)\) 满足 \(\dot \Phi = D(t) \Phi\)、\(\Phi(0) = I\)，解是

\[X(t) = \Phi(t) X_0 + \int_0^t \Phi(s)^{-1} (c(s) ds + E(s) dW).\]

这是 ODE 理论中"常数变易法"的直接推广。

关键定理（5.11）——一般标量线性 SDE 显式解

\(dX = (c(t) + d(t) X) dt + \sum_{l=1}^m (e_l(t) + f_l(t) X) dW^l\)、\(X(0) = X_0\) 的解是

\[X(t) = \Phi(t) X_0 + \int_0^t \Phi(s)^{-1} \left(c(s) - \sum_l e_l(s) f_l(s)\right) ds + \sum_l \int_0^t \Phi(s)^{-1} e_l(s) dW^l,\]

其中

\[\Phi(t) = \exp\!\left(\int_0^t d - \frac{1}{2} \sum_l (f_l)^2 ds + \sum_l \int_0^t f_l dW^l\right).\]

关键概念（5.12）——乘积形式解法

设 \(X = X_1 X_2\)（\(X_1\) 满足 stochastic exponential SDE \(dX_1 = f(t) X_1 dW\)、\(X_2\) 满足 ODE \(dX_2 = d(t) X_2 dt\)、\(X_2(0) = 1\)），由 Itô 乘积规则 \(d(X_1 X_2) = X_1 dX_2 + X_2 dX_1 + f(t) X_1 B(t) dt\)，选 \(B \equiv 0\) 消去修正项，则 \(d(X_1 X_2) = d(t) X_1 X_2 dt + f(t) X_1 X_2 dW = d(t) X dt + f(t) X dW\)——解出 Example 1 的 \(dX = d(t) X dt + f(t) X dW\)。

关键结论

  • SDE 严格定义：积分形式 + 逐步可测性 + \(L^1, L^2\) 条件 + 与 \(W^+(0)\) 独立初值。
  • Stochastic exponential \(e^{\int g dW - \frac{1}{2} \int g^2 ds}\) 是 \(dX = g X dW\) 的解——Itô 微积分的"基本解"。
  • 几何 Brown 运动 \(P(t) = p_0 e^{\sigma W + (\mu - \sigma^2/2) t}\) 含 Itô 修正项 \(-\sigma^2/2 t\)——这是 Black–Scholes 期权定价中"波动率平方的一半"修正的源头。
  • Brown 桥 \(B(t) = (1-t) \int_0^t (1-s)^{-1} dW\)——带边值约束 \(B(0) = B(1) = 0\) 的扩散。
  • Langevin 方程 \(dX = -bX dt + \sigma dW\) → 平稳分布 \(\mathcal{N}(0, \sigma^2/(2b))\)——随机驱动力与摩擦力的平衡。
  • Gronwall 引理：\(\phi(t) \le C_0 + \int f \phi ds\) → \(\phi(t) \le C_0 e^{\int f ds}\)——SDE 解的差分控制的核心。
  • 存在唯一性定理：Lipschitz + 线性增长 + \(L^2\) 初值 + 独立性 → 唯一解 \(X \in L^2_n(0,T)\)，存在性用 Picard 迭代 + Doob + Borel–Cantelli。
  • 小噪声极限：\(dX^\varepsilon = b(X^\varepsilon) dt + \varepsilon dW\) → ODE \(\dot x = b(x)\) 当 \(\varepsilon \to 0\)——Wong–Zakai 定理的简化版。
  • 窄义线性 SDE 显式解：\(X(t) = \Phi(t) X_0 + \int_0^t \Phi(s)^{-1}(c(s) ds + E(s) dW)\)——常数变易法的随机推广。
  • 高阶矩估计：\(\mathbb{E}|X(t)|^{2p} \le C(1 + \mathbb{E}|X_0|^{2p}) e^{C_1 t}\)。
  • Hölder 连续性：若 \(B \not\equiv 0\) 则 \(\gamma < 1/2\) 一致 Hölder 连续 a.s.（用 Ch 3 Kolmogorov 定理）。
  • 参数连续依赖：\(X^k_0 \to X_0\) in \(L^2\) + \(b^k, B^k\) 一致收敛 → \(X^k \to X\) 一致。

挑战和开放性问题

  • 非 Lipschitz 系数 SDE：作者要求 \(b, B\) Lipschitz；这排除了 \(dX = X^\alpha dW\)（\(\alpha < 1\)）等"奇异" SDE。Veretennikov 1981、Gyöngy–Krylov 1995 等给出非 Lipschitz 条件下的存在唯一性（用 Yamada–Watanabe 截断）。
  • 爆破（blow-up）问题：若 \(b\) 没有线性增长（如 \(b(x) = x^2\)、\(B = 0\)），SDE 解可能在有限时间爆破到 \(\infty\)。Has'minskii 1980 给出爆破概率估计。
  • 强解 vs 弱解：本章只考虑"强解"——解是关于 \(W\) 的函数。弱解则允许 \(W\) 也作为解的一部分存在。Stroock–Varadhan 1979 给出弱解存在唯一性（与 Yamada–Watanabe 强-弱解对应定理）。
  • 倒向 SDE（BSDE）：见 Ch 4 评注。
  • 路径wise 方法（Doss–Sussmann）：对 1 维 SDE \(dX = b(X) dt + \sigma(X) dW\)（\(\sigma\) 严格非零），用 ODE 流的 pathwise 处理，把解写成 \(\sigma\) 的"积分流"——避开概率论，但需要 pathwise 解释。
  • 大偏差与中偏差：Freidlin–Wentzell 1998 给出 \(dX^\varepsilon = b(X^\varepsilon) dt + \sqrt{\varepsilon} \sigma(X^\varepsilon) dW\) 的大偏差原理；这是 Ch 6 §E Stratonovich 积分的物理动机。
  • Backward SDE 与控制：Pardoux–Peng 1992 把 SDE 推广到倒向版本（终值给定，求初值）；这成为随机最优控制的核心工具。

个人反思与批判性分析

本章是 SDE 理论的"主体"，但也是 Evans 这套讲义中形式最简略的一章（20 页，相比 Ch 3 的 24 页、Ch 4 的 22 页）。下面我讨论几个值得注意的细节。

长处： 1. 7 个精心挑选的示例：每个示例对应 SDE 理论的一个重要应用：线性齐次（Example 1，stochastic exponential）、一般线性（Example 2）、几何 Brown 运动（Example 3，金融）、Brown 桥（Example 4，统计）、Langevin 方程（Example 5，物理）、Ornstein-Uhlenbeck 位置（Example 6，物理）、随机谐振子（Example 7，物理）。这种"应用驱动"的示例选择对教学极有好处。 2. 存在唯一性证明的"工具齐备"：Gronwall 引理 + Picard 迭代 + Doob 子鞅不等式 + Borel–Cantelli——四件套把 SDE 存在性证明的所有概率/分析工具都摆在台面上。这是 SDE 课程的"标准考试题目"模板。 3. 小噪声极限定理：作为连续依赖定理的应用，连接 SDE 与 ODE，给出"白噪声是小扰动"这一直观的数学依据。 4. 线性 SDE 的显式公式：从 ODE 的常数变易法出发自然推广，配合 stochastic exponential 概念，是 SDE 理论的"显式解大全"。

可以改进之处： 1. Picard 迭代对 \(b \in C^1\) 的限制：作者在 §B 1 部分对 1 维 \(dX = b(X) dt + dW\)、\(b \in C^1\)、\(|b'| \le L\) 给出 Picard 迭代，但一般存在唯一性定理（§B 3）只要求 \(b\) Lipschitz——为什么还要 §B 1？原因是 §B 1 的迭代直接对轨道操作（\(\max |X^{n+1} - X^n| \le C L^n t^n / n!\)），不需要 \(\mathbb{E}|\cdot|^2\)，是更"初等"的版本。读者应知道 §B 1 是特例，§B 3 才是"一般定理"。 2. 高阶 SDE 化一阶的"增广"：作者用 \(X = (Y, \dot Y, \ldots, Y^{(n-1)})\) 增广；这一做法对确定性 ODE 也适用，但对 SDE 的"白噪声"项只出现在最高阶 \(Y^{(n)}\) 中——增广后只有 \(\tilde B\) 的最后一行非零。这是一个非常特殊的 SDE 形式。读者如果处理"非完整系统"或"几何 SDE"（如曲线上的 Brownian 运动），需要更一般的增广。 3. Gronwall 引理证明中"\(\Phi' = f \phi \le f \Phi\)"：这里 \(\Phi(t) = C_0 + \int_0^t f \phi ds\)，对 \(\phi\) 是非负、连续假设，所以 \(\Phi\) 是 \(C^1\)。但若 \(\phi\) 只是 \(L^1\) 而非连续，仍可对 \(\Phi\) 几乎处处取导（Lebesgue 定理）。作者假设连续是简化教学。 4. Doob 子鞅不等式的具体应用：作者在存在性证明 Step 3 中用 \(\mathbb{E} \max |X^{n+1} - X^n|^2 \le C (MT)^n / n!\)，但 Doob 子鞅不等式针对子鞅（或 \(p\)-可积鞅）——\(|X^{n+1}(t) - X^n(t)|^2\) 是子鞅吗？答案是 yes（\(X^{n+1}(t) - X^n(t) = \int_0^t (b(X^n) - b(X^{n-1})) ds + \int_0^t (B(X^n) - B(X^{n-1})) dW\) 是 Itô 积分的常数倍，是鞅；平方是 submartingale）。这一步对本科生来说不是显然的。 5. Wong–Zakai 定理：作者给出"小噪声极限"作为参数连续依赖的应用，但严格地说 Wong–Zakai 定理是关于"光滑逼近 \(\xi_k\) → 白噪声 \(\xi\)"时 SDE 解的收敛性，需要 Stratonovich 修正项（Ch 6 §E）。本书第 5 章只给了简化版。 6. 第 D 节 Example 1 的乘积形式：作者把 \(X = X_1 X_2\)、\(X_1\) 是 stochastic exponential、\(X_2\) 是 ODE。这种分解只在特殊 SDE 形式（\(b, B\) 都正比于 \(X\)）下有效；一般线性 SDE 的"乘积形式"需要更精细处理（用基本矩阵 \(\Phi\)，见 Theorem 5.11）。

与本书其他章节的连接：本章是 Ch 1–4 工具的综合应用——SDE 解的存在唯一性用 Ch 4 Itô 积分 + Ch 2 Doob 不等式 + Ch 2 Borel–Cantelli；高阶矩估计用 Ch 4 Itô 等距；Hölder 连续性用 Ch 3 Kolmogorov 定理；几何 Brown 运动与 Ch 1 Example 2 + Ch 4 Itô 公式呼应；Brown 桥与 Ch 3 §D Markov 性质呼应。

与现有教材的对比： - Øksendal《随机微分方程》第 5 章存在唯一性证明用压缩映射原理（Picard 迭代的 Banach 空间版），与 Evans 类似但更抽象。 - Karatzas–Shreve《Brownian Motion and Stochastic Calculus》第 5 章给出更一般的局部 Lipschitz 条件（用 stopping time 截断处理爆破）。 - Friedman《Stochastic Differential Equations》第 5 章给出多维 SDE 的显式公式，含Cameron–Martin 公式（Girsanov 变换）。 - Kloeden–Platen《Numerical Solution of Stochastic Differential Equations》专门处理 SDE 数值解（Milstein 格式、\(\theta\)-Maruyama 格式等）——Evans 引用 Higham [H] 作为入门。

对本科高年级读者，Evans 的 SDE 存在唯一性证明是"最易理解的"——Gronwall + Picard + Doob + Borel–Cantelli 四件套对概率论基础好的学生都不陌生。

重要参考文献

  • [X1] L. Arnold. Stochastic Differential Equations: Theory and Applications. Wiley, 1974. — 经典 SDE 教科书；本章 Example 1-7 与 §D 线性方程显式解的参考；Ch 8 给出更一般的线性方程公式。
  • [X2] A. Friedman. Stochastic Differential Equations and Applications, Vol. 1 and 2. Academic Press, 1975-76. — 详细的多维 SDE 理论；含 Cameron–Martin 公式（见 Ch 6 评注）。
  • [X3] I. I. Gihman and A. V. Skorohod. Stochastic Differential Equations. Springer, 1972. — 经典 SDE 教材；弱解存在性、强-弱解对应的 Stroock–Varadhan 框架。
  • [X4] K. Itô. "On a stochastic integral equation." Proc. Japan Acad. 22 (1946), 32–35. — SDE 理论的奠基论文；存在唯一性定理的首次证明。
  • [X5] I. Karatzas and S. E. Shreve. Brownian Motion and Stochastic Calculus. 2nd ed., Springer, 1991. — 研究生级别标准参考；§5 是 SDE 存在唯一性 + 局部化 + 强-弱解对应的完整处理。
  • [X6] N. V. Krylov. Introduction to the Theory of Diffusion Processes. American Math Society, 1995. — 严格处理 SDE 系数不可微、非 Lipschitz 情形。
  • [X7] D. W. Stroock and S. R. S. Varadhan. Multidimensional Diffusion Processes. Springer, 1979. — 弱解理论的标准参考；Dirichlet 形式、鞅问题、变分结构。
  • [X8] B. K. Øksendal. Stochastic Differential Equations: An Introduction with Applications. 6th ed., Springer, 2003. — 与 Evans 本章内容最接近的另一教材；Ch 5 存在唯一性、Ch 6 扩散与 Kolmogorov 前进后退方程。
  • [X9] D. J. Higham. "An algorithmic introduction to numerical simulation of SDEs." SIAM Review 43 (2001), 525–546. — 数值解 SDE 的入门教材；Euler-Maruyama 格式 + Milstein 格式 + 收敛性分析。
  • [X10] H. P. McKean. Stochastic Integrals. Academic Press, 1969. — 经典随机积分专著；§3 中"用变量替换解 SDE"（McKean p. 60）的方法是本章 §B 2 的来源。
  • [X11] E. Nelson. Dynamical Theories of Brownian Motion. Princeton University Press, 1967. — 本章 Example 6 Ornstein–Uhlenbeck 位置过程的统计物理背景；与 Einstein 1905 模型的比较。
  • [X12] R. Z. Has'minskii. Stochastic Stability of Differential Equations. Sijthoff & Noordhoff, 1980. — SDE 长时间行为、爆破概率、稳定性的标准参考。