，d，然后N=0（直到P′-消失集）。引理4.5、推论4.6和命题4.7则得出以下结果。引理4.8。假设S=（St）t≥0在上具有强可预测的代表性属性(Ohm, F、 P）。然后b=（bSt）t≥0在（b）上具有强可预测表示属性Ohm,英国石油公司）。证据LetbN=（bNt）t≥0是（b）上的有界鞅Ohm,bF，bP），bn=0，与bnbsi相反∈ Mlo c（bP，bF），对于所有i=1，d、 很容易检查（bNbSi）bτn∈ M（bP，bF），对于alli=1，d和n∈ N、 其中bf停止时间{bτN}N∈如推论4.6的证明。根据引理4.5证明中使用的相同论点，存在（BE） O（F））-可测函数E×Ohm ×R+ （x，ω，t）7→ Nxt（ω）使得Nxt（ω）=bNxt（ω）对所有t保持sbp-a.s∈ R+和满意（Nxt）t≥0∈ M（P，F）和（Nxτn）∧tSiτn∧t） t≥0∈ M（P，F），代表所有x∈ E和yi=1，d和n∈ N、 其中F-停止时间{τN}N∈如推论4.6的证明。在最初扩大的过滤中，强可预测的表示性反过来，这意味着（NxtSit）t≥0∈ Mlo c（P，F），适用于所有x∈ E.根据命题4.7，S在(Ohm, F、 这意味着∈ E.SincebNxt（ω）=Nxt（ω）对所有t保持sbp-a.s∈ R+，这意味着bn=0，直到abP消失集。再次通过命题4.7，证明了b在（b）上具有强可预测表示性Ohm,英国石油公司）。特别地，上面的引理允许我们证明以下鞅表示结果，它同时适用于{（mxt）t族≥0:x∈ E} 可测量的过程，例如（mxt）t≥0∈ M（P，F），代表所有x∈ E.这代表了本小节的关键结果。提案4.9。假设S=（St）t≥0在上具有强可预测表示属性(Ohm, F、 P）。

让E×Ohm ×R+ （x，ω，t）7→ mxt（ω）be a（be）O（F））-可测函数满足自由[|mxt |]λ（dx）<∞, 尽管如此，t∈ R+，这样（mxt）t≥0∈ M（P，F），代表所有x∈ 然后存在一个（BE）P（F））-可测函数E×Ohm ×R+ （x，ω，t）7→ θxt（ω）∈ Rdθx∈ Lm（S；P，F），适用于所有x∈ E、 使得mxt（ω）=mx（ω）+（θx·S）t（ω）对所有t保持sbp-a.S∈ R+。证据根据引理4.5，它将th保持在（m·t）t≥0∈ M（bP，bF）。引理4.8给出了P（bF）-可测函数b的存在性Ohm ×R+ （x，ω，t）7→eθxt（ω）∈ Rdθ·∈ Lm（bS；bP，bF）使得m·t=m·+（eθ··S）对于所有t∈ R+。因为P（bF）=BE P（F），映射（x，ω，t）7→eθxt（ω）是（BE P（F））-可测量。此外，注意到[bS，bS]（x，ω）=[S，S]（ω），forall（x，ω）∈BOhm, 事实是eθ·∈ Lm（bS；bP，bF）和[Jac79，§（4.59）]可以很容易地表示eθx∈ Lm（S；P，F），适用于所有x b延伸到集合b∈ 比沃斯λ（B）=1。然后定义θxt（ω）：=eθxt（ω）1B（x），对于所有（x，ω，t）∈ E×Ohm 所以θx∈ Lm（S；P，F），适用于所有x∈ E.福尔特∈ R+，它认为BPm·t-m·=（θ··S）t=泽伊{mxt-mx=（θx·S）t}λ（dx）=ZBE{mxt-mx=（eθx·S）t}λ（dx）=λ（B）=1，这里我们取在x中可测的随机积分的一个版本，它由[SY78，定理2]存在。特别是，如果假设2.2成立，引理2.3表明函数（x，ω，t）7→ qxt（ω）满足命题4.9的假设。因此，存在一个（BE） P（F））-可测函数e×Ohm ×R+ （x，ω，t）7→ Hxt（ω）∈ RDHX∈ Lm（S；P，F），适用于所有x∈ E、 使得（4.4）qxt（ω）=qx（ω）+（Hx·S）t（ω）bP-a.S.对于所有t∈ R+4.4。辅助表示结果。在这一小节中，我们结合了前面两小节中获得的结果，并给出了一个辅助表示结果，它将成为第2.4节中所述鞅表示推导的关键步骤。

以下注意，鉴于[SY78]第133页的注释，假设(Ohm, A、 在[SY78，定理2]的证明中不需要P）是可分的。20 C.FONTANAresult依赖于命题4.4和4.9，并表明每个局部鞅(Ohm, G、 P）可以表示为S的随机积分，直到合适的“数值变化”。提案4.10。假设假设2.2成立，过程S=（St）t≥0在上具有强大的可预测表示属性(Ohm, F，P）。Le t M=（Mt）t≥0∈ M（P，G）。然后存在一个（BE） P（F））-可测函数E×Ohm ×R+ （x，ω，t）7→ Kxt（ω）∈ RDX∈ Lm（S；P，F），适用于所有x∈ E、 这样（4.5）Mt=qLtqLM+（KL·S）tP-a.s.适用于所有t∈ R+，其中随机积分在G证明中被理解为半鞅随机积分。如果我∈ 命题4.4给出了a（BE）的存在性 O（F））-可测函数（x，ω，t）7→ mxt（ω）使得（qxtmxt）t≥0∈ M（P，F），代表所有x∈ E、 因此，对于所有的t，Mt=mLtholdsP-a.s∈ R+。自映射（x，ω，t）7→ qxt（ω）也是（BE） O（F））-可测量（见引理2.3）andREE[|qxtmxt |]λ（dx）=E[|Mt |]∞, 尽管如此，t∈ R+，命题4.9意味着存在Rd值（BE P（F））-可测函数（x，ω，t）7→ Kxt（ω）满足Kx∈ Lm（S；P，F），对于所有x∈ E、 使得（4.6）qxt（ω）mxt（ω）=qx（ω）mx（ω）+（Kx·S）t（ω）bP-a.S.对于所有t∈ R+。根据[SY78，定理2]，存在一个（BE O（F））-随机积分Kx·S的可测版本。此外，由于每个F-半鞅都是G-半鞅（见[Jac85，定理1.1]），[Jeu80，命题2.1]意味着对于每个x，Kx·S都被定义为G中的S-半鞅随机积分∈ E（即Kx∈ L（S；P，G）每x∈ E） 。

此外，在[JS03，命题III.6.25]的观点中，随机积分Kx·S在考虑F和G两个滤波器时是相同的，因此在考虑滤波器G时，也存在一个x-可测版本的Kx·S。目前假设G-可预测过程Kl=（KLt）t≥0属于L（S；P，G），随机积分KL·S在G中有很好的定义。此外，（Kx·S）| x=Lis与KL·S不可区分。如果Kx=k（x）k，对于一些可测有界函数k:E，这一点很明显→ R和一些F-可预测边界过程K=（Kt）t≥0，而一般情况来自单调类参数，使用[SY78，命题5]和随机积分的支配收敛定理（见[Pro04，定理IV.32]）。回顾qLt>0 P-a.s.，我们可以得出结论，对于所有∈ R+，Mt=mLt=qLt（qxtmxt）x=L=qLtqxmx+（Kx·S）tx=L=qLtqLM+（KL·S）tP-a.s.要完成证明，还需要证明KL∈ L（S；P，G）。为此，让Scand Sd分别表示S的连续和纯不连续F-局部m artin gale部分（见[JS03，定理I.4.18]）。根据[Jac85，定理1.1]，Scand是G中的特殊半鞅。因此，让Sc=eS（c）+A（c）和Sd=eS（d）+A（d）分别表示初始放大过滤21Sd中Scand的强可预测表示性质的G-正则分解，其中（c），eS（d）∈ Mlo c（P，G）和DA（c），A（d）是G-可预测的变化过程。

因此，我们可以写=S+Sc+Sd=S+eS（c）+eS（d）+A（c）+A（d）。在证据的剩余部分，我们将根据[Jac85]证明KL∈ Lm（eS（c）；P、 G）∩ Lm（eS（d）；P、 G）∩ L（A（c）；P、 G）∩ L（A（d）；P、 G） L（S；P，G），其中L（A（c）；P、 G）表示所有Rd值G-可预测过程的空间，这些过程对于有限变化过程A（c）是可积的（在[JS03，III.§6b]的意义上），对于L（A（d）也是可积的；P、 G）。（i） ：假设每x∈ E、 它认为Kx∈ Lm（S；P，F） Lm（Sc；P，F）。因此，Rt（Kxs）dhSc，SciFsKxs<∞ P-a.s.适用于所有t∈ R+和x∈ E.鉴于[Jac79，备注9.20]，我认为heS（c），eS（c）iG=hSc，SciF。然后应用公式（4.1）得出，对于所有t∈ R+，PZt（吉隆坡）dheS（c）、eS（c）iGsKLs<∞= PZt（吉隆坡）dhSc，SciFsKLs<∞=ZEEhqxt{Rt（Kxs）dhSc，SciFsKxs<∞}iλ（dx）=ZEE[qxt]λ（dx）=1，从而证明KL∈ Lm（eS（c）；P、 G）。（ii）：根据[Jac85，定理2.1]，它认为A（c）=R·qLs-dhSc，qxiFsx=L=R·qLs-dhSc，SciFsHLs，其中第二个等式来自（4.4）。步骤（i）中使用的相同参数可以证明G-可预测过程HL=（HLt）t≥0满意度（HLs）dhSc，SciFsHLs<∞ 所有的P-a.s∈ R+。因此，事实是RT（KLs）dhSc，SciFsKLs<∞ P-a.s.适用于所有t∈ R+（见第（i）步）和渡边坤田不等式意味着RT |（KLs）dhSc，SciFsHLs |∞ P-a.s.适用于所有t∈ R+。自进程1/qL以来-是局部有界的，这证明了KL∈ L（A（c）；P、 G）。（iii）：让uS（ω；dt，dy）表示S的跳跃度量，在[JS03，位置II.1.16]的意义上，并且νS，F（ω；dt，dy）表示F中相应的补偿度量。如果W：Ohm ×R+×Rd （ω，t，y）7→W（ω，t，y）是a（P（F） BRd）-可测函数，我们用W表示* （uS）- νS，F）关于随机测度uS的随机积分（当它存在时）- 按照[JS03，定义II.1.27]的定义，νS，F。

我们用Glo c（uS；F）表示所有（P（F）的集合 BRd）-可测函数，如s-tochastic积分W*（uS）-νS，F）存在。鉴于[JS03，推论II.2.38]，它支持Sd=y* （uS）- νS，F），其中y表示映射（ω，t，y）7→ Y∈ 因为S在上有StrongPredicted representation属性(Ohm, F、 P），纯间断F-局部鞅partqx，dof qx表示形式为qx，d=（qx-Ux）* （uS）- νS，F），每x∈ E、 这里是映射（x，ω，t，y）7→ Ux（ω，t，y）是（BE） P（F） BRd）-可测量且可选择以满足[Jac85，命题3.14]的性质（ii）-（iii）-（iv）。此外，[Jac85，定理4.1]表明，滤波器G中的补偿器νS，Gofu由（4.7）νS，G（ω；dt，dy）给出=1+UL（ω）（ω，t，y）νS，F（ω；dt，dy）。22 C.丰塔纳比（4.6），它认为（Kx）S=（qxmx）bP-a.s.，因此（KL）S=（qLmL）P-a.s.自（qxtmxt）t≥0∈ M（P，F），代表所有x∈ E、 [ACJ15，命题4]意味着（qLtmLt）t≥0是G中一个特殊的半马丁盖尔。在图尔n中[JS03，位置II.2.29]，这意味着过程P0<s≤·（（吉隆坡）（Ss）∧ |（吉隆坡）Ss |=P0<s≤·(（qLmL）s）∧ |（qLmL）s |是G-局部可积的。因此，尽管如此∈ R+，它认为，（4.8）ZtZRd（吉隆坡）Y∧（吉隆坡）YνS，G（ds，dy）=ZtZRd（吉隆坡）Y∧（吉隆坡）Y1+UL（s，y）ds，νS<∞ 我们使用的P-a.s.（4.7）。而且自从Kx∈ Lm（S；P，F） Lm（Sd；P，F），每x∈ E、 Sd=y* （uS）- νS，F），它认为（Kx）Y∈ Glo c（uS；F），每x∈ E（参见[HWY92，定理11.23]）。反过来，注意到RrdyνS，F（{t}×dy）=0直到一个消失集，并且根据[JS03，定理II.1.33]，这意味着，对于所有∈ R+，ZtZRd（Kxs）Y∧（Kxs）YνS，F（ds，dy）<∞ P-a.s。

为了所有的x∈ E.根据公式（4.1），最后一个属性意味着，对于所有t∈ R+，（4.9）PZtZRd（吉隆坡）Y∧（吉隆坡）YνS，F（ds，dy）<∞=ZEEhqxt{RtRRd（（Kxs）y）∧|（Kxs）y |）νS，F（ds，dy）<∞}iλ（dx）=ZEE[qxt]λ（dx）=1。此时，利用（4.8）-（4.9），在[Jac85]中等式（4.9）和（4.13）之间给出的相同参数（带（KLt）y=：W（t，y）和νS，F（dt，dy）=：ν（dt，dy），在[Jac85]的符号中允许推导出，对于所有t∈ R+，ZtZRd（吉隆坡）yUL（s，y）νS，F（ds，dy）<∞ P-a.s.由于过程a（d）允许表示a（d）=R·RRdyUL（s，y）νs，F（ds，dy）（参见[Jac85，定理2.5的证明]），这证明了KL∈ L（A（d）；P、 G）。（iv）：由于SDS是G中一个特殊的半鞅，G-局部鞅（d）允许代表（d）=y*（uS）-νS，G）（见[Jac79，提案3.77]）。G-可预测过程klm（eS（d）；P、 G）当且仅当过程（P0<s≤·（（吉隆坡）eS（d）s）1/2是G-局部可积的。自从eS（d）=Sd-  A（d）=s- A（d），它保持着thatX0<s≤·（吉隆坡）eS（d）s!1/2=X0<s≤·（吉隆坡）党卫军-（吉隆坡）A（d）s!1/2≤X0<s≤·（吉隆坡）党卫军!1/2+X0<s≤·（吉隆坡）A（d）s!1/2初始放大过滤中的强可预测表示性23≤X0<s≤·（吉隆坡）党卫军!1/2+X0<s≤·（吉隆坡）A（d）s.（4.10）后两个过程都是G-局部可积的。事实上，正如第（iii）步所述，（qLtmLt）t≥0是G中的特殊半鞅，因此过程（P0<s≤·(（qLmL）s）1/2是G-局部可积的。自（吉隆坡）S=（qLmL），如步骤（iii）所示，可以得出（4.10）中出现的第一个过程是G-局部可积的。（4.10）中出现的第二个过程也是G-局部可积的，因为如步骤（iii）所示，KL·A（d）被定义为一个有限变化过程。这证明了KL∈ Lm（eS（d）；P、 G），从而完成证明。备注4.11。

请注意，随机积分KL·S允许两种可能的解释：第一种，作为G-可预测过程相对于KLS的随机积分；第二种是在x=L时评估的随机积分Kx·S的x-可测量版本。从放大的过滤图G中看，这实际上是命题4.10结果的一部分，即两种解释一致（直至不可区分）。备注4.12。命题4.10和[AFK16，命题3.4]表明，过程（1/qLt）t≥0提供了G-鞅和F-鞅之间的精确联系。在我们的上下文中，进程（1/qLt）t≥0的作用类似于引言中提到的鞅保持概率测度的密度。下面的引理更明确地描述了进程（1/qLt）t的结构≥0并基于[ACJ15，引理5]。引理4.13。假设假设2.2成立，S=（St）t≥0在上具有强可预测表示属性(Ohm, F、 P）。然后过程（1/qLt）t≥0允许重新呈现（4.11）qLt=qL-HL（qL）-)·s-qL·[S，qL],这辆车在哪儿 P（F））-可测函数（x，ω，t）7→ Hxt（ω）如（4.4）所示。证据回顾第一次在1/qLtis的定义，对于所有t∈ R+，由[Jac85，推论1.11]得出。命题4.10证明中使用的相同元素表明，（4.4）中的随机积分Hx·sapearing也在放大过滤G中得到了很好的定义，并允许在x中可以测量的版本。此外，它认为HL∈ L（S；P，G）和HL·S=（Hx·S）x=L=qL- qLP-a.s.与[ACJ15，引理5]中类似，是It^o公式与fact24 C的应用。

FONTANAthat[qL，qL]=（qL）c，（qL）c+P0<u≤·(qLu）则表示qL=qL-（qL）-)· qL+（qL-)·（qL）c，（qL）c+X0<u≤·qLu-qLu-+qLu（qLu）-)=qL-（qL）-)· qL+qL（qL-)· [qL，qL]=qL-（qL）-)·qL-qL·[qL，qL]=qL-HL（qL）-)·s-qL·[S，qL],其中，最后一个等式遵循随机积分的结合性。4.5. 第2.4节所述主要结果的证明。我们现在给出第2.4节中给出的结果的证明。根据命题4.10和引理4.13，我们可以完成定理2.6的证明。在这最后一步，命题2.4的结果至关重要。定理2.6的证明。设M=（Mt）t≥0∈ M（P，G）。根据命题4.10，存在一个RDBE P（F））-可测函数（x，ω，t）7→ Kxt（ω）使得（4.5）成立。然后，分部积分公式意味着M=M+KLqL-· S+qLM+（KL·S）-·qL+KL·hS，qLi=M+KLqL-·s-qL·[S，qL]+qLM+（KL·S）-·qL，其中第二个等式利用了hs，qLi=-qLqL-· [S，qL]，这可以通过应用It^o公式轻松验证。继续，引理4.13和命题2.4意味着M=M+KLqL--qLM+（KL·S）-HL（qL）-)·s-qL·[S，qL]= M+KLqL--qLM+（KL·S）-HL（qL）-)· SG（4.12）-KLqL--qLM+（KL·S）-HL（qL）-)·Sηx[[ηx，∞[[p、 Fx=L。关注上述表述中的最后一项，它认为KLqL--qLM+（KL·S）-HL（qL）-)·Sηx[[ηx，∞[[p、 Fx=L初始放大过滤中的强可预测表示性25=qL-·KxηxSηx[[ηx，∞[[-qxmx+（Kx·S）ηx-HxηxSηxqxηx-[[ηx，∞p，F鉴于（4.6），它认为集合{ηx<∞}KxηxSηx=（qxmx）ηx=-qxηx-mxηx-回顾表示（4.4），在集合{ηx<∞} 它认为qxmx+（Kx·S）ηx-HxηxSηxqxηx-= qxηx-mxηx-qxηxqxηx-= -qxηx-mxηx-,从而表明（4.13）消失了P-a.s。

加上（4.12）和定义G-可预测过程（4.14）的规定，φ：=KLqL--qLM+（KL·S）-HL（qL）-),这表明每个鞅(Ohm, G、 P）可以用f形式表示，M=M+~n·SG。由于一般情况下会出现局部化（参见[HWY92，引理13.2]），这就完成了定理2.6的证明。推论2.7的证明。首先注意P（ηx<∞) = λ-a.e.x为0∈ E意味着这个过程Sηx[[ηx，∞分解（2.2）中出现的[[对于λ-a.e.x而言为空∈ E.根据[Jac85，推论1.11]，过程（1/qLt）t≥0的定义很明确。Rd+1-值过程Y:=（1/qL，S/qL）的G-局部鞅性质来自[AFK16，命题3.6]（或[ACJ15，命题9]）。回顾[S，qL]=-qLqL-·[S，qL]（参见定理2.6的证明）并使用分部积分公式，它认为sg=S-qL·[S，qL]=S+qL-·hS，qLi=S+qL-·SqL- s-·qL-qL-· s= S+qL-·SqL- （qL）-s-) ·qL.（4.15）适用于任何∈ L（SG；P，G），设φn:=φ1{k~nk≤n} ，代表n∈ N.每N∈ N、 因为~nnis有界且ql-和S-都是局部束缚的ed，（4.15）意味着φn·SG=ψn·Y，wher e（ψnt）t≥0是由ψn定义的Rd+1值G-可预测局部边界过程，1:=-qL-s-与ψn，i+1:=qL-νn，i，对于所有i=1，d、 自从∈ L（SG；P，G），则随机积分φn·SG在Emery的拓扑中收敛到φ·SG。根据[JS 03，命题III.6.26]，这意味着对于某些ψ，ψn·Y也将不等式拓扑收敛到ψ·Y∈ L（Y；P，G），从而表明~n·SG:~n∈ L（SG；P，G）ψ·Y:ψ∈ L（Y；P，G）.因为L的可分性(Ohm, A、 P）仅用于确保该过程的双F-可预测投影的x-m可测量版本的存在（见备注2.5），这解释了为什么在推论2.7、命题2.9和推论2.10.26 C的公式中不需要可分性假设。

Fontanate这一主张源于SGon的str on g可预测表示属性(Ohm, G、 P），这符合定理2.6。现在让我们来看命题2.9的证明。尽管命题2.9可以作为推论2.7的特例得到，但事实证明，它可以通过依赖命题4.10的辅助表示结果很快得到证明，如下面的证明所示。命题2.9的证明。如果νt~ λ保持所有t的P-a.s∈ [0，T]，f或一些T<∞, [Ame00，定理3.1]暗示（qL/qLt）t∈[0，T]∈ M（P，G），因此概率测度P被很好地定义并等价于P，因为qLT>0 P-a.s。此外，根据[Ame00，定理3.2]，它认为mlo c（P，F） Mlo c（eP，G），所以∈ Mlo c（eP，G）。设N=（Nt）t∈[0，T]∈ M（eP，G）。作者：Bayes’ru le（qLNt/qLt）t∈[0，T]∈ 因此，命题4.10给出了G-pr可预测过程KL的存在性，使得nt=N+qL（KL·S）t=N+KLqL·StP-a.s.适用于所有t≥ 0.一般情况下会出现本地化（见[HWY92，引理13.2]）。我们以推论2.10的证明作为结论，该证明基于推论2.7以及与命题2.9的证明类似的论点。推论2.10的证明。在推论2.7中，P（ηx<∞) = λ-a.e.x为0∈ E意味着（1/qLt）t≥0∈ Mlo c（P，G）。设{τn}n∈Nbe一系列G停止时间，将P-a.s.增加至完整性，从而（1/qLτn∧t） t≥0是上的一致可积鞅(Ohm, G、 P），对于所有的n∈ N.与命题2.9的证明类似，定义度量dePn:=（qL/qLτN）dP和停止过滤Gn=（GτN）∧t） t≥0，每n∈ N.自S/qL以来∈ Mlo c（P，G）（见推论2.7），Bayes规则暗示（Sτn∧t） t≥0∈ Mlo c（ePn，Gn），适用于所有n∈ N.设N=（Nt）t≥0∈ M（ePn，Gn）。

贝叶斯规则意味着（qLNt/qLτn∧t） t≥0∈ M（P，Gn），并且通过依赖于表示（4.5），过程n将其表示为S的随机积分。因此，停止的过程Sτnhas在(Ohm, 永远的，永远的∈ 因为S是一个特殊的半鞅(Ohm, 根据[J ac85，定理2.5]和Pn~ P、 每n∈ N、 [Jac79，推论7.29]意味着[S，qL/qL]τnis是(Ohm, Gn，ePn），为埃弗林∈ N.然后，作为[HWY92，定理13.12]的结果（尽管其证明延续到d维情况），停止的过程（\'SG）τN=SτN-qL-·hS，qxiF，τnx=L∈ mloc（P，Gn）具有强可预测的表示性质(Ohm, Gn，P），每n∈ N.因为序列{τN}N∈将P-a.s.增加到整数，然后在索赔后面加上[HWY92，引理13.2]。初始放大过滤中的强可预测表示性27附录A。第4.1节解释了F-martingal ESA族的表示结果，我们引入了乘积空间（bOhm,bF，bP），从而建立了P位置4.9的鞅表示结果，它提供了一个同时适用于{（mxt）t族的随机积分表示≥0:x∈ E} F-鞅的可测性依赖于xin，从而确保表示中出现的被积函数具有良好的可测性。如注4.1所述，可以直接证明原空间上同时鞅表示结果的存在性(Ohm, F、 P）。这是以下提议的内容，它允许以依赖更复杂的工具为代价，避免开发第4.3小节。

我们用uS（ω；dt，dy）表示局部鞅S的Rd值的跳跃测度，用νS，F（ω；dt，dy）表示滤波F中相应的补偿测度。如果Ohm ×R+×Rd （ω，t，y）7→ W（ω，t，y）是a（P（F） BRd）-可测量函数，wedenote by W* （uS）- νS，F）关于随机测度uS的随机积分（当它存在时）- νS，F，在[JS03，定义II.1.27]的意义上。我们用Glo c（uS；F）表示所有（P（F）的集合 BRd）-可测函数（ω，t，y）7→ W（ω，t，y）使得随机积分* （uS）- νS，F）存在。我们还用Scand-sds分别表示S的连续和纯不连续的F-局部鞅部分（见[JS03，定理I.4.18]）。提议A.1。假设S=（St）t≥0具有很强的可预测代表性(Ohm, F、 P）。让E×Ohm ×R+ （x，ω，t）7→ mxt（ω）be a（be） O（F））-可测函数，如（mxt）t≥0∈ M（P，F），代表所有x∈ 然后存在一个（BE） P（F））-可测函数e×Ohm ×R+ （x，ω，t）7→ θxt（ω）∈ Rd满足θx∈ Lm（S；P，F），适用于所有x∈ E、 such thatmxt（ω）=mx（ω）+（θx·S）t（ω）对所有t保持P-a.S∈ R+和所有x∈ E.证据。由于F-局部m-artin gale S在上具有强可预测的表示性质(Ohm, F、 P）强可预测表示性意味着弱可预测表示性（参见[HWY92，定理13.14]），它认为（A.1）mx=mx+hx·Sc+Wx* （uS）- νS，F），每x∈ E、 where（hxt）t≥0∈ Lm（Sc；P，F）和Wx∈ Glo c（uS；F），每x∈ E.更准确地说，过程（hxt）t≥0可以选择为任何F-可预测过程，使得（A.2）[mx，Sc]=[（mx）c，Sc]=hx·[Sc，Sc]，对于每x∈ E.由于[mx，Sc]在x中是可测量的（见[SY78，命题2]），因此可以找到一个P（F））-可测函数（x，ω，t）7→ hxt（ω）∈ RDS满足（A.2）。

此外，通过遵循[Jac85，命题3.14的证明]第b部分的解释，我们还可以发现a（是 P（F） BRd）-可测函数（x，ω，t，y）7→ Wx（ω，t，y）这样 mxt（ω）=Wx（ω，t，St（ω））1{St（ω）6=0}直到一个不可变集，对于每x∈ E.因为S在28 C.FONTANA上具有强可预测的表示性(Ohm, F、 [Jac79，定理4.80]暗示存在一个{（αi（t，·））t族≥0:i=1，Rd值F-可预测过程的d+1}，使得集B（t，ω）：={αi（t，ω）：i=1，…，d+1}由线性无关的点和满足组成St（ω）∈ B（t，ω）（达到一个瞬逝集）。每x∈ E、 定义Rd+1值F-可预测过程（Vxt）t≥0byVx，it（ω）：=Wxω、 t，αi（t，ω）, 对于i=1，d+1和t∈ R+。观察过程（Vxt）是否≥0在x中是可测量的。遵循蕴涵证明（b）中的构造=>（a） 在[Jac79，定理4.80]中，纯间断F-局部鞅Wx* （uS）-如果存在可预测解（Hxt）t，则νS，F）可以表示为Hx·sdt形式的随机积分≥0到线性系统（A.3）Vx，i- Zx=dXj=1Hx，jαji，对于i=1，d+1，其中，在[Jac79]符号之后，（Zxt）t≥0是一个F-可预测的过程，取决于xin的可测量方式。如[Jac79]所述，系统（A.3）允许一个唯一的解决方案（Hxt）t≥0和themap（x，ω，t）7→ Hxt（ω）是（BE） P（F））-可测量，因为（A.3）中出现的所有过程都是（BE P（F））-可测量。因此，我们为所有x建立了（A.4）mx=mx+hx·Sc+hx·Sd表示∈ E、 其中两个被积函数都以可测的方式依赖于x。最后，因为S h是x上的强可预测表示性质(Ohm, F、 P），[Jac79，定理4.82]和[Jac79，定理4.73]意味着∈ {~n·S:~n∈ Lm（S；P，F）}和Sd，i∈ {~n·S:~n∈ Lm（S；P，F）}，对于所有i=1。

因此，存在两个Rd×d值F-可预测过程（ψct）t≥0和（ψdt）t≥0使得行向量（ψc，i·t）t≥0和（ψd，i·t）t≥0属于Lm（S；P，F），对于每个i=1，d、 Sc=ψ·S和sd=ψd·S。根据局部鞅随机积分的结合性，该断言随后由（x，ω，t）7表示→ θxt（ω）：=ψct（ω）hxt（ω）+ψdt（ω）Hxt（ω），也就是（BEP（F））-可测量。备注A.2。在上面的p屋顶中，一个关键成分由Rd值过程{（αi（t，·）t）族表示≥0:i=1，d+1）}这样圣∈ {αi（t，·）：i=1，…，d+1}。在最近的文献[Son15b]中，这种性质被称为有限F-可预测约束条件。在命题A.1的证明中，基于[Jac79，定理4.80]的构造可以被[Son15b，定理3.5]的直接应用所取代，因为每个F-局部m artin gale Xk（在[Son15b]的旋转中）都可以写成S的随机积分，只要S在(Ohm, F、 P）。参考文献[ABS03]J.阿蒙丁格、D.贝切勒和M.施韦泽。portfoliooptimization中初始信息的货币值。金融斯托赫。，7:29–46, 2003.最初扩大的过滤29[ACJ15]A.Aksamit、T.Choulli和M.Jeanblanc中的强可预测表示性。关于一个可选的半鞅分解和放大滤波中的一个导数的存在性。在C.Donati Martin、A.Lejay和A.Rouault中，编辑，InMemoriam Marc Yor-S\'eminaire de Probabilit\'es XLVII，数学课堂讲稿第2137卷，第187-218页。斯普林格，2015年。[AFK16]B.Acciaio、C.Fontana和C.Kardaras。第一类套利和金融模型中的过滤放大。斯托克。过程。应用程序。，126(6):1761–1784, 2016.[AIS98]J.Amendinger、P.Imkeller和M.Schweizer。内幕消息的附加对数效用。

斯托克。过程。应用程序。，75(2):263–286, 1998.[Ame00]J.阿蒙丁格。初始放大滤波的鞅表示定理。斯托克。过程。应用程序。，89(1):101–116, 2000.[Bau03]F.Baudoin。对金融市场中的预期进行建模。R.Carmona等人，《2002年巴黎普林斯顿大学数学金融学》编辑，第43-94页。柏林海德堡斯普林格，2003年。[Cam05]L.坎皮。关于内幕交易二次套期保值的一些结果。斯托克。斯托克。代表，77（4）：327–3482005。[CCFM17]H.N.Chau、A.Cosso、C.Fontana和O.Mostovyi。具有中间收益的最优投资，不存在风险有界的无界收益。J.阿普尔。Probab。，即将出版，2017年。[CJZ13]G.Callegaro、M.Jeanblanc和B.Zargari。迦太基扩大过滤。《概率与统计》，17:550–5662013。[CT15]H.N.Chau和P.Tankov。具有最优套利的市场模型。暹罗J.金融数学。，6:66–85,2015.[DMM92]C.Dellacherie、B.Maisonneuve和P.-A.Meyer。可能性和潜力。第十七章第二十四章。马尔可夫过程（FIN），计算随机性的补充。赫尔曼，巴黎，1992年。[DS94]F.Delbaen和W.Schachermayer。资产定价基本定理的一般版本。数学安。，300(3):463–520, 1994.[EI15]N.埃斯迈埃利和P.伊姆凯勒。信息不对称和反映BSDE的美国操作。伯努利，即将出版，2015年。[EKJJ10]N.El Karoui、M.Jeanblanc和Y.Jiao。默认情况下会发生什么：条件密度方法。斯托克。过程。应用程序，120(7):1011–1032, 2010.[EL05]A.埃罗·卢瓦塞尔。带放大过滤的倒向随机微分方程：金融市场中有跳跃的内幕交易者的期权对冲。斯托克。过程。应用程序。，115(11):1745–1763, 2005.[FI93]H.F–ollmer和P.Imkeller。被Girsanov变换抵消的预期：维纳斯空间的悖论。

《中华人民共和国年鉴》，B部分，29（4）：569-5861993年。[GP98]A.格罗鲁德和M.庞蒂埃。连续时间市场模型中的内幕交易。Int.J.Theor。阿普尔。《金融》，1（3）：331-3471998。[GP01]A.格罗鲁德和d M.庞蒂埃。信息不对称和不完全市场。Int.J.Theor。阿普尔。《金融》，4（2）：285-3022001年。[GVV06]D.Gasbarra、E.Valkeila和L.Vostrikova。价格模型中过滤和附加信息的扩大：贝叶斯方法。《从随机微积分到数学金融》编辑Y.卡巴诺夫、R.利普采尔和J.斯托亚诺夫，第257-285页。柏林斯普林格，2006年。[HWY92]何世伟、王俊杰和严俊杰。半鞅理论和随机演算。科学出版社，北京，1992年。[Jac79]J.Jacod。《计算随机性与鞅问题》，数学课堂讲稿第714卷。柏林斯普林格，1979.30 C.丰塔纳[Jac85]J.贾科德。粗体字首字母，缩略词（H\'），和其他词。在T.Jeulin和M.Yor主编的《粗滤：et应用范例》，数学课堂讲稿第1118卷，第15-35页。柏林斯普林格——海德堡，1985年。[Jeu80]T.Jeulin。《半鞅与Grossissement d\'une过滤》，数学课堂讲稿第833卷。柏林斯普林格，1980年。[JLC09]M.Jeanblanc和Y.Le Cam。随着初始时间的增加，过滤逐渐扩大。斯托克。过程。应用程序。，119(8):2523–2543, 2009.[JLC10]M.Jeanblanc和Y.Le Cam。浸入式房地产和信用风险建模。在F.Delbaen、M.R\'asony和C.Stricker的《优化与风险：数学金融的现代趋势》中，编辑：ed itors，第99-132页。斯普林格，2010年。[JS03]J.Jacod和A.N.S.hiryaev。随机过程的极限定理，Grundlehren Dermathematichen Wissenschaften第288卷。柏林斯普林格出版社，第二版，2003年。[JS15]M.Jeanblanc和S.Song。

逐步放大滤波中的鞅表示性质。斯托克。过程。应用程序。，125(11):4242–4271, 2015.[JYC09]詹布兰科先生、约尔先生和切斯尼先生。金融市场的数学方法。斯普林格金融公司。斯普林格，伦敦，2009年。[KK07]I.Karatzas和C.Kardaras。半鞅金融模型中的num’eraire投资组合。金融斯托赫。，11(4):447–493, 2007.[KLP13]Y.Kchia、M.Larsson和P.Protter。将渐进式和初始过滤扩张联系起来。在F.Viens，J.Feng，Y.Hu，an d E.Nualart，《Malliavin微积分和随机分析：David Nualart的Festschrift inHonor》，第34卷《Springer Proceedings In Mathematics&Statistics》，第469-487页。斯普林格，2013年。[Pro04]P.普罗特。随机积分和微分方程。数学应用。柏林斯普林格，2.1版，2004年。[Son87]S.宋。过度过滤和问题。1987年，巴黎第六大学博士论文。[Son14]S.宋。逐步扩大过滤的可选拆分公式。ESAI M：概率与统计，18:829–853，2014年。[Son15a]S.宋。关于扩大过滤的介绍。预印本可用athttps://arxiv.org/abs/1510.05212, 2015.[Son15b]S.宋。鞅表示过程及其在信息流扩张下市场生存能力中的应用。预印本可在http://arxiv.org/abs/1505.00560, 2015.[SY78]C.斯特里克和M.约尔。计算随机性。华尔希。没错。格比特，45（2）：109-1331978。Claudio Fontana，巴黎迪德罗大学（法国）概率与模型实验室电子邮件地址：fontana@math.univ-巴黎狄德罗。fr