（5.3）假设（DY）-)德维特≤ 0，P- a、 s.（5.4）我们有以下定理，该定理提供了关于数据ξ和f的条件，以确保Zt定律关于Lebesgue测度具有密度，这可以看作是[1，定理4.3]对随机Lipschitz定理5.1的扩展。让（Θ）保持不变，让（Y，Z）成为BSDE（5.1）的唯一解。设ξ在D2,2中，并且假设f对于toy是两次连续可微的。我们为任何0设置以下假设≤ t、 t≤ T:（f+）Dt-fy（T，Yt），（Dt-f）y（T，Yt）≥ 0，（f）-) Dt-fy（t，Yt），（Dt-f）y（t，Yt）≤ 0.假设存在A，使得P（A）>0，使得以下假设之一满足（DZ+）Dt（Dtξ）≥ 0，P- a、 e.，a上的Dt（Dtξ）>0，Dt（Dtf）（t，Yt）≥ 0（5.5）和假设（DY+）和（f+）保持不变，或假设（DY-) 和（f）-) 等等-)Dt（Dtξ）≤ 0，P- a、 在a上，Dt（Dtξ）<0，Dt（Dtf）（t，Yt）≤ 0（5.6）和假设（DY）-) 和（f+）保持，或假设（DY+）和（f-) 持有那么，zt定律对于任何t的Lebesgue测度是绝对连续的∈ （0，T）.证明.设（Y，Z）是BSDE（5.2）在D1,2×L（[0，T]；D1,2）中的唯一解，其中Malliavin导数是BSDE（5.2）的解。假设（DZ+）与假设（DY+）和（f+）一起为真。我们利用克拉克-奥肯公式表示的Z过程，遵循[1，定理4.3]的证明。现在使用一个线性化，并根据ClarkOcone公式，我们得到了zt=EQt“DtξeRTtfy（s，Ys）ds+zttdtdttf（s，Ys）eRstfy（u，Yu）duds#，其中dqdp=expRTθsdWs-RT |θs | ds. 让0≤ 五、≤ t、 我们有dvzt=EQt“Dv（Dtξ）eRTt＠fy（s，Ys）ds+DtξeRTt＠fy（s，Ys）dsZTtDv＠fy（s，Ys）ds+ZTteRst＠fy（u，Yu）duDv，tf（s，Ys）+Dtf（s，Ys）ZstDvfy（u，Yu）duds#。（5.7）因此，利用Dv、tf、不等式（5.3）、假设（f+）和假设（5.5）的定义（2.4），我们推断出≤ v<t≤ T，DvZt>0。

因此，ZT定律对任何t都有密度∈ （0，T]作为定理2.3的结果。假设（DZ+）（DY）下的证明-) 和（f）-) 通过使用（5.7）、不等式（5.4）、假设（ii）和假设（5.5）也类似。关于假设（DZ）-) 我们遵循完全相同的证明，对于任何0≤ 五、≤T≤ T，我们显示DvZt<0，P- a、 s。。备注5.2。定理5.1扩展了[1]中的结果。在本文中，θ被假定为发电机z部分后面的一个确定性映射，不同于[1]中研究的模型，其中z后面的系数是常数。此外，在我们的模型中，f是关于其y变量的随机Lipschitz，而在[1]中它被假定为Lipschitz。最后，我们讨论了BSDE的终端条件和生成器的非马尔可夫情况，而[1]考虑了只有终端条件是非马尔可夫的情况。5.2关于一般随机Lipschitz情形的一些评论研究了马尔可夫情形下二次增长BSDEsin[29]中Z分量密度的存在性。事实上，我们可以将这一证明适用于马尔可夫随机Lipschitz情形，并且可以证明，确保Zt分量定律具有密度的条件与针对马尔可夫二次增长BSDE获得的条件类似（参见[29，第4.3节]）。尽管在后一篇文章中，作者获得了确保Zt允许密度的条件，但我们不能在这里重复证明，因为它基本上是基于马尔可夫过程中的马张表示（见[28，引理2.4]）。

更准确地说，我们考虑以下正反向SDEXt=X+Ztb（s，Xs）ds+Ztσ（s，Xs）dWs，t∈ [0，T]，P- a、 s.Yt=g（XT）+ZTtf（s，Xs，Ys，Zs）ds-ZTtZsdWs，t∈ [0，T]，P- a、 然后，在某些条件下，在这种前后向系统的数据上，用（X，Y，Z）表示（5.8）的解，存在（DuXt，DuYt，DuZt）的一个版本，所有0<u≤ T≤ T其中满足：DuXt=Xt(（徐）-1σ（u，Xu），DuYt=Yt(（徐）-1σ（u，Xu），DuZt=Zt(（徐）-1σ（u，Xu），其中(十、YZ） 是以下FBSDE的解决方案：Xt=Ztbx（s，Xs）Xsds+Ztσx（s，Xs）XsdWs，Yt=g（XT）XT+ZTt（fx（s、Xs、Ys、Zs）Xs+fy（s、Xs、Ys、Zs）Ys+fz（s，Xs，Ys，Zs）Zs）ds-ZTtZsdWs。（5.9）据我们所知，对于依赖路径的SDE，同样的分解仍然是开放的。然而，在依赖路径的框架中，似乎很难获得类似的公式。例如，设YT=ξ=RTBsds。因此，YT∈ D1,2和DrYT=T-r、 为了分离马尔可夫BSDE的Malliavin积分变量r和时间变量T，如[28，引理2.4]中所述，我们可以类似地使用弗雷切特导数计算ξ空间中的梯度，表示为Fξ。设x在C（[0，T]；R）中，即[0，T]的R值连续函数的空间，并设置为任意0≤ t、 s≤ TBt，xs:=x（s）1s≤t+（xt+Bs）- Bt）1s≥t、 其中x（s）表示x到时间s的路径。然后，FBs=1，适用于任何s∈ [0，T]。韦图斯获得Fξ=RTFBsds=T。两者之间的关系Fξ和Drξ是不清楚的，我们不能希望用同样的方法得到与路径相关的SDE的[28，引理2.4]分解。研究Z分量的另一种方法可能包括研究与路径相关BSDE相关的路径相关PDE，参见。

[41, 14, 15, 43].事实上，在后几篇论文中，证明了依赖于磷灰石的BSDE解的Z分量可以通过路径依赖的偏微分方程解的Dupire导数来表示。然后利用这个关系和提升定理[10，定理6.1]来研究Z分量将是有趣的。然而，请注意，在第6节中提出的生物示例中，只有Y分量定律的密度的存在与验证提出的模型有关。在第7节提出的金融例子中，定价研究的模型将简化为求解BSDE（5.1），因此我们将证明YT定律和ZT定律都有关于勒贝格测度的密度。6基因表达模型的应用6。1基因表达的随机模型70年代引入了预测mRNA和蛋白质表达的随机模型（见例[44]）。在过去的几十年里，它已成为蛋白质合成研究的一个前沿领域，被称为“基因表达噪音”。本节是一个生物学问题的数学研究，我们考虑了一个合成一种蛋白质的活性基因，并通过关注机制的主要步骤，对蛋白质降解过程进行了非常简单的解释。有关更多详细信息，请参见示例[40]。第一步：转录。蛋白质合成的第一步是将一段DNA组成的基因翻译成mRNA。由一种酶催化的MRNAI的合成，RNA聚合酶的激活率用byR表示。第二步：翻译。在此步骤中，先前合成的mRNA由核糖体解码。转移RNA将氨基酸带到核糖体，利用遗传密码产生氨基酸链。mRNA的降解率用ρ表示。

在这一步的最后，蛋白质被合成。在这里，我们假设目前的蛋白质浓度是已知的，我们想研究之前的蛋白质浓度，从而得出观察到的浓度。为了说明这种现象，我们考虑了一个坏死细胞模型，在这个模型中，我们想要控制初始蛋白质浓度。文献[46]表明，这个问题可以简化为解决以下问题：BSDEYt=ξ+ZTt（f（Ys）- ρYs）ds-ZTtZsdWs（6.1），其中Yt是时间t的蛋白质浓度，ξ是末端蛋白质浓度，这通常是坏死模型中观察到的数据，f是蛋白质的降解/合成速率，取决于R、ρ和正常数a。在本研究中，在[46]之后，我们假设f是蛋白质的希尔函数，系数为2，即f（Ys）：=RaYs1+days。在生物化学中，f量化受体蛋白质上配体结合位点的分数。希尔系数为2，描述了合作效应。为了验证IR模型，[46]的作者需要将通过求解BSDE（6.1）得到的蛋白质浓度与Gillespie方法得到的数据（见[20]）进行比较。然而，在[46]中，作者含蓄地假设YT存在密度。在本节中，我们建议将第4.2节的结果应用于数学研究[46]中提出的模型，当ξ：=c+WT时，使用Malliavin演算。它可以看作是[46]中开发的模型的数学强化，通过使用努尔迪南德·维恩斯公式来获得密度估计值。提议6.1。设（Y，Z）为BSDE（6.1）的唯一解。假设ξ≥0，P- a、 s.（分别为ξ）≤ 0，P- a、 那么，对于任何t∈ [0，T]，Yt≥ 0，P- a、 s.（分别为Yt）≤ 0，P- a、 美国）。证据

我们在这里重现了[17]中针对BSDE（6.1）介绍的BSDE线性化方法。Yt=ξ+ZTt光线1+天- ρYsds-因此，通过设置Xt:=YteRt光线1+天-ρds，我们从伊藤公式中得到，dXt=dYteRt光线1+天-ρds+YteRt光线1+天-ρdsRaYt1+aYt- ρdt=-伊泰特光线1+天-ρdsRaYt1+aYt- ρdt+ZteRt光线1+天-ρdsdWt+YteRt光线1+天-ρdsRaYt1+aYt- ρ因此，Yt=Et“ξeRTt光线1+天-ρds#，其符号完全由ξ的符号决定。6.2保证高斯尾的模型。我们在本节中扩展了[46]中介绍的模型。我们假设R，ρ是两个实常数，ξ满足以下假设oξ是一个高斯FT可测随机变量，其均值用c表示，方差用σ表示。oξ在D1,2中，存在0<k≤ 对于任何一个r∈ [0，T]，0<k≤ ξ博士≤ k、 根据上述定理4.2和定理4.3，BSDE（6.1）允许一个唯一解（Y，Z），使得对于任何t∈ [0，T]，Yt∈ D1、2和Z∈ L（[t，t]；D1，2）。然后我们有以下建议。提议6.2。BSDE（6.1）溶液的第一组分Y在任何时间t都允许密度用ρyt表示∈ （0，T）。此外，ρYthas高斯估计，满足以下关于任意x的不等式∈ Rfi（x）≤ ρYt（x）≤ fs（x），（6.2），其中fi（x）=CYtkte-2Ca，R，ρ（T）-t） e-E-2Ca，R，ρ（T）-t） （十）-E[Yt]）2kt，fs（x）=CYtkte-2Ca，R，ρ（T）-t） e-E-2Ca，R，ρ（T）-t） （十）-E[Yt]）2kt，其中cyt:=E[|Yt]- E[Yt]|]，Ca，R，ρ：=Rra- ρ、 Ca，R，ρ=-Rra- ρ.证据设（Y，Z）为（6.1）的唯一解。我们从定理4.4推导出，对于任何t∈ （0，T），Yt定律允许用ρYt表示的密度。回想一下，（DY，DZ）满足以下线性BSDEDuYt=Drξ+ZTt2RaYsDuYs（1+days）- ρDuYsds-ZTtDuZsdWs，0≤ U≤ T≤ T、 P- a、 通过线性化，我们得到duyt=Et“DuξeRTt2天（1天以上）-ρds#。注意Ca，R，ρ：=Rpa-ρ是y7的最大值-→ 2日（1+1日）-ρ和Ca，R，ρ：=-Rpa- ρ是它的最小值。

因此，对于任何0≤ U≤ T≤ T，keCa，R，ρ（T-（t）≤ 杜伊特≤ keCa，R，ρ（T）-t） 。使用gYt的定义（2.5），任何t都可以得到∈ （0，T）| k | te2Ca，R，ρ（T）-（t）≤ gYt（x）≤ |k | te2Ca，R，ρ（T）-t） ，x∈ 因此，根据定理2.4，关系式（6.2）成立。6.3示例1:Shamarova Ramos Aguiar的模型为了验证[46]中提出的方法，我们必须分析Ytforany t定律的接近程度∈ （0，T]是吉勒西方法产生的高斯分布（见[46，第三节]）。请注意，在[46]中，Ytis定律是通过一种分配方式强调的，并没有得到严格的证明。为了验证Shamarova-Ramos-Aguiar模型，我们在本节中提出了一个更准确的证明。6.3.1 Yt定律通过使用统计测试，T（Y，Z）是BSDE（6.1）的唯一解，其中ξ具有正态分布。在[46]中，作者通过假设YT为正态分布来研究他们的模型，并将YT的一阶和二阶矩与具有正态分布的基准随机变量生成的矩进行比较。然而，目前尚不清楚该法律是否正常。然而，从统计学的角度来看，我们可以通过统计假设检验来验证这个假设。在本小节中，我们将统计学假设（H）“yth”设置为正态分布，并首先使用[46，a.自我调节基因]的数据进行Jarque-Bera检验。回想一下，Jarque Bera测试包括计算样本数据的样本偏度（用S表示）和样本峰度（用K表示），例如S:=MPMi=1（Yit- Yt）MPMi=1 | Yit- Yt|, K:=MPMi=1（Yit）- Yt）MPMi=1 | Yit- Yt|,其中M表示样本的大小，Yi表示第i个观测数据，Yi表示数据的算术平均值。

然后，我们用以下公式JB:=M定义用JB表示的Jarque Bera变量S+（K）- 3).在（H）项下，JB定律是具有两个自由度的卡方分布。因此，通过选择风险水平α=5%，关键区域为JB>5.99，也就是说，如果JB>5.99，我们拒绝（H）。有关此方法的更多详细信息，请参阅[23]。我们用[46，A.自我调节基因]：M=5000，R=1，ρ=0.001，T=400的数据对Yt进行了检验。结果见表1。表1：假设（H）的Jarque-Bera检验，数据为[46，A.自我调节基因]。时间t JB（H）400 2.62未被拒绝300 7.92拒绝200 5.52拒绝100 19.4拒绝50 11.45拒绝解释Jarque Bera测试不接受风险水平α=0.05的假设（H）。因此，从统计学的角度来看，尚不清楚Ythas是阿加西定律。问题在于模拟的数量必须很高。我们现在选择一些更相关的模拟，取M=100000。我们使用Jarque Bera测试和Kolmogorov-Smirnov测试，以从理论上验证[46]中开发的模型。回想一下，如果我们有一个样本（Yit）1≤我≤在观察数据中，我们设置了与样本对应的Kolmogorov-Smirnov统计量，定义为byKS：=√M supx{FM（x）- F（x）}，其中Fm是观测数据样本的经验分布函数，Fis是正态律的累积分布函数，参数为样本的算术平均值和方差。因此，对于水平α=0.05，通过使用KolmogorovSmirnov检验，我们在KS>1.36时拒绝假设（H）。结果如表2所示。表2：假设（H）的Jarque-Bera检验和Kolmogorov-Smirnov检验，数据为[46，A.自我调节基因]，M=100000。

我们写“不拒绝”代表“不拒绝”。统计测试时间t400 300 200 100 50Jarque Bera testJB 1.91 2.61 2.08 2.31 1.72（H）Not R.Not R.Not R.Not R.Not R.Not R.Kolmogorov-smirnoff testKS 0.501 0.500 0.501 0.501（H）Not R.Not R.Not R.Not R.Not R.Not R.Not R.Not R.解释Jarque Bera test与Kolmogorov-Smirnov test无法验证假设（H），风险水平α=0.05。因此，从统计学角度来看，[46]中开发的模型似乎是相关的。然而，我们在下一节中提出了对该模型的纯数学分析，方法是使用Malliavin演算，并将[29]的结果与第4.6.3.2节中获得的结果结合起来，使用Malliavin演算和Nourdin-Viens公式对模型进行验证，假设ξ=c+σWT，我们可以使用第6.2节的结果，我们推断BSDE（6.1）允许一个唯一的解（Y，Z），这样对于任何t∈ [0，T]，Yt∈ D1、2和Z∈ L（[t，t]；D1，2）。此外，根据命题6.2，对于任何t∈ [0，T]，相对于用ρYt表示的勒贝格测度，Yt表示密度。使得ρYthas为高斯估计，满足以下关于任意x的不等式∈ Rfi（x）≤ ρYt（x）≤ fs（x），其中fi（x）=CYtσte-2Ca，R，ρ（T）-t） e-E-2Ca，R，ρ（T）-t） （十）-E[Yt]）2tσ，fs（x）=CYtσte-2Ca，R，ρ（T）-t） e-E-2Ca，R，ρ（T）-t） （十）-E[Yt]）2tσ。我们在图1中说明了这些结果。图1:T，a，c，σ=1，R=1，ρ=0.001，以及使用Monte Carlo方法（例如参见[6]）计算BSDE（6.1）解的500000个模拟。对于t=0.9,0.75,0.6,0.5，我们表示ρyt。我们使用Nourdin和Viens的公式，以红色（分别以蓝色）表示ρ的上确界“fs”（分别以“fi”表示）。时间t 0.9 0.75 0.6 0.5E[Yt]101.089 101.228 101.357 101.446Var[Yt]0.89847 0.749607 0.599469 0.503076解释t离t越近，使用命题6的近似效果越好。2.

此外，该方法保证高斯尾能够控制极端事件，这是通过将获得的数据与Gillepsie方法得出的数据进行比较来验证[46]中开发的模型的基础（更多细节请参见[46]和[20]）。最后请注意，YT的方差似乎是时间的递减函数。这并不奇怪，因为Yi是确定性的。6.4示例2。非马尔可夫案例中的一个例子我们现在建议将Shamarova、Ramos和Aguiar开发的模型（参见前面的示例1）扩展到非马尔可夫环境。当我们研究某种细胞中蛋白质的合成时，这种扩展可能非常相关（例如参见[7,27,18]）。假设存在α∈ R、 β>0和γ≥ 0，使得ξ=α+βWT+γRTWsds。因此，BSDE（6.1）变成：Yt=α+βWT+γZTWsds+ZTt光线1+天- ρYsds-ZTtZsdWs（6.3）根据定理4.2和定理4.3，BSDE（6.3）允许一个唯一解（Y，Z），使得对于任何∈ [0，T]，Yt∈ D1、2和Z∈ L（[t，t]；D1，2）。根据命题6。2.对于任何t∈ [0，T]，yt允许关于由ρyt表示的勒贝格测度的密度，使得ρyth为高斯估计，满足以下关于anyx的不等式∈ Rfi（x）≤ ρYt（x）≤ fs（x），（6.4），其中fi（x）=CYt（β+γT）te-2Ca，R，ρ（T）-t） e-E-2Ca，R，ρ（T）-t） （十）-E[Yt]）2βt，fs（x）=CYtβte-2Ca，R，ρ（T）-t） e-E-2Ca，R，ρ（T）-t） （十）-E[Yt]）2（β+γT）T.7经典定价问题的应用7。1一般模型和注释使用BSDE进行金融定价的问题最早出现在[17]中。考虑一种金融市场，其中代理人投资于一种无风险资产，用S表示，其动态由市场的短期利率给出，用r表示，以及一种风险资产，用S表示，其动态由一个可预测的过程给出，称为风险溢价，用θ表示。现在让ξ成为一个未定权益。

经典的定价问题在于找到一个套期保值策略Z和一个价格Y，使得代理人的最终财富为ξ。[17]表明，当S是几何布朗运动DYT=（rtYt+θtZt）dt+ZtdWt，YT=ξ时，这个定价问题可以简化为求解以下随机线性BSDE。（7.1）更一般地说，我们设置了以下假设，这扩大了本研究的可能应用范围，让资产S，对于任何FT可测量的平方可积随机变量ξ，定价问题可以简化为研究BSDE（7.1），其中过程θ取决于S的动态。备注7.1。在这句话中，我们提供了两个经典的例子，说明过程满足之前的假设。（aB）假设资产S是一个算术布朗运动，其动力学常数为：∈ R、 其中b和σ是F-可预测过程，σt>0，P-a、 s。。给定一个FT可测平方可积随机变量ξ，利用自融资性质，可以很容易地证明相应的定价问题可以简化为求解θ=b的BSDE（7.1）-rσ。在这种情况下，过程Y提供问题的值，过程z/σ给出在时间t拥有的资产的最佳数量，以解决定价问题。（gB）假设资产的动态S由DST=btStdt+σtStdWt给出，S=x∈ R、 其中b和σ是F-可预测过程，σt>0，P-a、 s.给定一个FT可测平方可积随机变量ξ，在[17]中表明，相应的pricingproblem可以简化为求解θ=b的BSDE（7.1）-rσ。在这种情况下，过程Y提供了问题的价值，过程Z/σ给出了投资于风险资产以解决定价问题的最佳资金量。大多数模型都假设r是有界的，以简化研究。

然而，正如在[16]中所注意到的，关于短期利率r有界性的假设在市场中很少成立。在这一节中，我们研究了（7.1）解的各分量定律的密度的存在性。在该模型中，假设（A）和（A）（i）见第3节。4对于任何p>0，EhepRTrsdsi<+∞ 和R·θtdWt是BMO鞅。因此，我们有以下lemmaLemma 7.1。假设（H1）成立，并且对于任何p>0，E[|ξ| p]<+∞. 然后，BSDE（7.1）允许一个唯一的解决方案（Y，Z）∈ 对于任何p>1的情况，Sp×Hp。此外，如果ξ≥ 0，P- a、 s.（分别为ξ）≤ 0，P- a、 那么对于任何t∈ [0，T]，Yt≥ 0，P- a、 s.（分别为ξ）≤ 0，P- a、 证据。中唯一解（Y，Z）存在性的证明∈ Sp×Hp是定理3.5的推论。使用线性化，我们得到yt=EQthξe-RTtrsdsi，其中dqdp:=e-RTθsdWs-RT |θs | ds。因此，我们注意到，Y过程的符号由ξ.7.2应用于Vasìcek ModelLet a，b的符号给出≥ 0和$>0。假设市场利率r是以下SDE的解。drt=a（b）- rt）dt+dWt美元，r∈ R.（7.2）引理7.2。设r:=（rt）t∈[0，T]是SDE（7.2）的解决方案。然后，对于任何p>1，q≥ 1和任何t∈ [0，T]，rt∈ Dq，p.此外，对于任何0≤ U≤ t，Durt=$≥ 0，P- a、 对于任何q>1，Dqrt=0，P- a、 s。。证据设r:=（rt）t∈[0，T]是SDE（7.2）的解决方案。请注意，rtis Malliavin是可微分的（参见[35，定理2.2.1]）。此外，作为一个Ornstein-Uhlenbeck过程，Rtc可以被明确计算为yrt=re-at+b（1）- E-at）+e美元-atZteasdWs。（7.3）取Malliavin导数，直接得到任何rt的导数∈ Dq，p对于任何p>1，q≥ 1.除此之外，任何0≤ U≤ T≤ T，Durt=$≥ 0，P- a、 美国。

对于任何q>1，Dqrt=0，P- a、 由于我们的目标是应用布劳和赫希准则（见定理2.3），我们首先证明BSDE（7.1）的解的成分Yt和Zt是Malliavin可微分的。在本节中，我们将在假设（Θ）下工作（见第5.1节），因为我们的目标是应用第5.1节的结果来调查Yt和Zt组分的密度存在性。尽管这一假设确实有局限性，但正如备注4.1所解释的，我们无法做得更好。然而，对于以下关于YT和Zt的Malliavin差异性的结果，考虑到假设（A）成立，可以做出较弱的假设（Θ）。提议7.1。让ξ∈ D1，p对于任何p>1。设r是SDE（7.2）和θ满足假设（Θ）的唯一解。然后，BSDE（7.6）允许一个唯一的解决方案（Y，Z）∈ 对于任何p>1的情况，Sp×Hp。此外，对于任何p>1和t∈ [0，T]，Yt∈ D1，潘兹∈ L（[t，t]；D1，p）。证据通过注意到假设（A）、（A）、（DA）和（DA）成立，并应用定理3.6，我们推断BSDE（7.6）允许唯一解（Y，Z）∈ 对于任何p>1，如果t∈ [0，T]，Yt∈ D1和Z∈ L（[t，t]；D1，p）表示任何p>1。在这个特殊的模型中，如第5节所述，我们现在提供了ξ及其Malliavin导数的条件，以确保BSDE（7.1）解的Yt分量定律和Zt分量定律的密度存在。定理7.1。让ξ∈ D1，p对于任何p>1。假设（Θ）成立，并且以下两个假设中的一个满足 Ohm 使得P（A）>0（ξ+）≥ 0，Duξ≤ 0，λ（du）- a、 e.，Duξ<0，λ（Du）- a、 e.在（ξ）上-) ξ ≤ 0，Duξ≥ 0，λ（du）- a、 e.，Duξ>0，λ（Du）- a、 e。

在A上，那么对于任何t∈ （0，T），Ytis定律对于Lebesgue测度是绝对连续的∈ D2，p对于任何p>1，并假设除了（ξ+）thatDv（Duξ）≥ 0, (λ  λ） （杜，dv）- a、 e.，Dv（Duξ）>0，（λ） λ） （杜，dv）- a、 e.在（7.4）或（ξ）之外-) thatDv（Duξ）≤ 0, (λ  λ） （杜，dv）- a、 e.，Dv（Duξ）<0，（λ） λ） （杜，dv）- a、 e.在a上，（7.5），那么Zt定律有一个关于勒贝格测度的密度。证据我们用（Y，Z）表示BSDE（7.1）中任意p>1的唯一解，对于任意p>1和t∈ [0，T]，Yt∈ D1和Z∈ L（[t，t]；D1，p）使用命题7。1.假设（ξ+）为真。然后，根据定理4.5以及引理7.1和7.2，对于任何t∈ （0，T]关于勒贝格测度的密度定律。回想一下，在假设（ξ+）下，根据备注4.2，我们对任何T∈ （0，T），杜伊特≤ 0，λ（du） P- a、 e.此外，假设条件（7.4）成立，并应用定理5.1和f（t，Yt）：=-rtYt，我们推导出（DZ+）（DY-) 和（f）-) 持有然后，对于任何0，DvZt>0≤ v<t≤ 几乎可以肯定。因此，根据定理2.3，对于任何t，Zt定律都有一个关于Lebesgue测度的密度∈ （0，T.）（ξ）下的证明-) 类似于定理5.1的结果，通过展示假设（DZ-), （DY+）和（f）-) 持有7.2.1示例1：亚式期权在本节中，我们研究亚式期权的定价问题，即负债ξ是风险资产S平均值的函数。我们假设该假设成立，因此定价问题被简化，以解决有效的非马尔可夫BSDEYt=ξ-ZTt（rsYs+θsZs）ds-ztzsdws，ξ=fZTg（Ws）ds！，（7.6）式中，f，g是从R到R的两个连续映射。命题7.2。假设（Θ）保持不变。设r为SDE（7.2）的唯一解决方案。此外，假设f，g是两次可微λ（dx）-a.e。

以下假设之一满足（A1+（i）f≥ 0，f≥ 0，克≤ 在勒贝格测度为正的集合a上，f>0，g<0，（ii）f“≥ 0，克≥ 0，并且在A（A2+（i）f上f>0或g>0≥ 0，f≤ 0，克≥ 在勒贝格测度为正的集合a上，f<0，g>0，（ii）f“≥ 0，克≤ 0，且A（A1）上的f>0或g<0-)（i） f≤ 0，f≥ 0，克≥ 0和f>0，g>0在勒贝格测度为正的集合a上，（ii）f“≤ 0，克≤ 0，且A上的f<0或g<0。（A2-)（i） f≤ 0，f≤ 0，克≤ 0和f<0，g<0在Lebesgue（ii）为正的集合a上≤ 0，克≥ 然后，通过表示（Y，Z）BSDE（7.6）的唯一解，对于任何t∈ （0，T]Yt定律和Zt定律对于Lebesgue measure.Proof都是绝对连续的。注意，对于任何0≤ U≤ 我们有duξ=fZTg（Ws）ds！ZTug（Ws）ds，以及任何0≤ 五、≤ 我们有dV（Duξ）=fZTg（Ws）ds！ZTug（Ws）dsZTvg（Ws）ds+fZTg（Ws）ds！ZTu∧vg（Ws）ds。因此，通过注意假设（A1+）（i）或（A2+）（i）（分别为假设（A1-)（i） 或（A2）-) （i） ）确保（ξ+）和（ξ-)) 如果是真的，我们从上面第7.1条的第一部分推断，对于任何t∈ （0，T）。此外，如果假设（A1+）（ii）或（A2+）（ii）（分别假设（A1-) （ii）或（A2）-) （ii）保持，则条件（7.4）满足（分别为（7.5））。应用定理7.1，我们推导出YT和ZT关于勒贝格测度的绝对连续律。7.2.2示例2：回溯选项在本节中，我们旨在将定理7.1应用于回溯选项。假设为真。设置M:=（Mt）t∈[0，T]，其中Mt=sups∈[0，t]Ws。下面的引理是[21，引理1.1]，[24，备注8.16和问题8.17]的直接结果。引理7.3。Mt公司∈ D1、2和DrMt=1r≤τt，其中τ几乎肯定是唯一的，由Wτt=Mt定义。

更准确地说，对于任何0≤ s≤ t、 P（τt）≤ s） =π弧长。我们考虑非马尔可夫BSDEYt=ξ-ZTt（rsYs+θsZs）ds-ZTtZsdWs，ξ=f（MT），（7.7），其中f是从R到R的连续映射。我们有以下命题，这是引理7.3和定理4.5的结果。提议7.3。假设Y是BSDE（7.7）解决方案的第一个组成部分，因此对于任何t∈ （0，T），如果f是可微分的λ（dx）-a.e.，并且满足以下两个假设之一（lb+）f≥ 0和f≤ 在勒贝格测度为正的集合上（lb-) F≤ 0和f≥ 在一个勒贝格测度为正的集合上，如果f>0，则yti定律相对于勒贝格测度是绝对连续的。备注7.2。因为ξ：=mt不是两次Malliavin可微分的（见[21]），即ξ不属于D2，pwhatp≥ 1，我们不能复制命题7.2的证明来研究Zt的密度存在性问题。感谢作者感谢Dylan Possama"i和Anthony Réveillac在本文写作过程中的对话和宝贵建议。作者感谢法兰西地区的财政支持。参考文献[1]O.Aboura和S.Bourguin。一维反向SDE解的密度估计。潜力分析，38（2）：573–587，2013。[2] S.Ankirchner、P.Imkeller和G.Dos Reis。具有二次增长的BSDE的经典和变分可微性。电子J.Probab，12（53）：1418-14532007。[3] F.安东内利和A.科哈苏·希加。一维后向SDE的密度。潜力分析，22（3）：263-2872005。[4] 本德和科尔曼。具有随机Lipschitz条件的BSDE。康斯坦茨大学，法库特·弗尔数学与信息，2000年。[5] 吉咪。铋。最优随机控制中的共轭凸函数。数学分析和应用杂志，44（2）：384-4041973。[6] B.布查德和N.图兹。

倒向随机微分方程的离散时间近似和蒙特卡罗模拟。随机过程及其应用，111（2）：175–206，2004。[7] D·A·布拉特桑、D·N·沃尔夫森、J·哈斯蒂和L·S·齐姆林。非马尔可夫过程ingene法规（主题演讲）。SPIE第三届波动与噪声国际研讨会，第210-219页。国际光学与光子学学会，2005年。[8] P.Briand和F.Confortola。Hilbert空间中具有随机Lipschitz条件和二次偏微分方程的BSDE。《随机过程及其应用》，118（5）：818–8382008。[9] 布莱恩博士、德莱恩博士、胡耀东博士、帕杜博士和斯托伊卡博士。随机Lipschitz条件下BSD的LPS解。随机过程及其应用，108（1）：109–129，2003。[10] R.Cont和DA。福尼埃。函数演算和鞅的随机积分表示。《概率年鉴》，41（1）：109–13321013。[11] A.德布施和M.罗米托。高斯噪声驱动的三维Navier-Stokes方程密度的存在性。概率论及相关领域，158（3-4）：575–5962014。[12] F.德拉鲁、S.梅诺齐和E.努阿拉特。麦克斯韦分子的朗道方程和子（R）上的布朗运动。概率电子杂志，20:1-392014。[13] G.多斯赖斯和里卡多JN。多斯里斯。关于解耦二次FBSDE控制分量的共单调性和正性的注记。《随机与动力学》，13（04）：13500052013。[14] I.Ekren、C.Keller、N.Touzi和J.Zhang。关于路径依赖型微分方程的粘性解。《概率年鉴》，42（1）：204–236，2014年。[15] I.Ekren、N.Touzi和J.Zhang。完全非线性抛物面相关偏微分方程的粘性解：第一部分，（2012）。出现在《概率年鉴》上，arXiv预印本arXiv:1210.00062014。[16] N.El Karoui和SJ。黄。

倒向随机微分方程存在唯一性的一般结果。《皮特曼数学研究笔记》系列，第27-38页，1997年。[17] N.El Karoui、S.Peng和MC。昆内斯。金融中的倒向随机微分方程。数学金融，7（1）：1-711997。[18] V.弗罗米恩、E.莱昂奇尼和P.罗伯特。细胞中多种蛋白质产生的随机模型。arXiv预印本arXiv:1411.15722014。[19] C.盖斯和A.施泰尼克。随机函数的Malliavin导数及其在lévy驱动BSDE中的应用。arXiv预印本arXiv:1404.44772014。[20] DT。吉莱斯皮。耦合化学反应的精确随机模拟。《物理化学杂志》，81（25）：2340-23611977。[21]E.Gobet和A.Kohatsu Higa。使用Malliavin演算计算屏障和回望选项。电子Comm.Probab，8:51–62，2003年。[22]胡耀明、P.伊姆凯勒和M.穆勒。不完全市场中的效用最大化。《应用概率年鉴》，15（3）：1691-17122005。[23]C.M.Jarque和A.K.Bera。观察值和回归残差的正态性检验。《国际统计评论》/《国际统计评论》，第163-172页，1987年。[24]I.Karatzas和S.Shreve。布朗运动与随机微积分，第113卷。斯普林格科学，2012年。[25]N.Kazamaki。连续指数鞅与BMO。数学课堂讲稿，1994年。[26]A.Kohatsu Higa。一致椭圆随机变量Wiener空间密度的下界。概率论及相关领域，126（3）：421–457，2003。[27]E.莱昂奇尼。全面系统地了解嗜酸细胞的蛋白质生产。2013年毕业于巴黎理工学院，博士论文。[28]马杰和张杰。倒向随机微分方程的表示定理。《应用概率年鉴》，12（4）：1390-14182002。[29]T.Mastrolia、D.Possama"i和A。

雷韦拉克。BSDE的密度分析。《概率年鉴》预印本arXiv:1402.44162015。[30]T.Mastrolia、D.Possama"i和A.Réveillac。关于BSDE的Malliavin差异。出现在亨利·彭加勒学院年鉴上，arXiv预印本XIV:1404.10262015。[31]A.米利和M.桑兹·索莱。二维随机波动方程：定律的光滑性。《概率年鉴》，第803-844页，1999年。[32]G.Mokobodzki。1969年，超滤池-滨海急流区-密度相对可比性建筑。[33]C.穆勒和D.努亚尔特。随机热方程密度的正则性。电子J.Probab，13（74）：2248-22582008。[34]I.努尔丁和前景。维恩斯。密度公式和浓度不等式与Malliavin演算。电子J.Probab，14（78）：2287-23092009。[35]D.努亚拉特。Malliavin微积分和相关主题。概率及其应用（纽约）。施普林格·维拉格，柏林，第二版，2006年。[36]E.Nualart和L.Quer Sardanyons。任意维非线性随机热方程密度的高斯估计。《随机过程及其应用》，122（1）：418–447，2012。[37]M.纳茨。随机积分的路径构造。电子公社。Probab，17（24）：2012年1月至7日。[38]E.Pardoux和S.Peng。倒向随机微分方程的自适应解。系统与控制信件，14（1）：55-611990。[39]E.Pardoux和S.Peng。倒向随机微分方程和拟线性抛物偏微分方程。随机偏微分方程及其应用，第200-217页。斯普林格，1992年。[40]J.保尔森。随机基因表达模型。生命物理学评论，2（2）：157-1752005。[41]S.Peng和F.Wang。BSDE、路径相关偏微分方程和非线性费曼-卡夫拉公式。arXiv预印本arXiv:1108.43172011。[42]D.Possama"i，X。

谭和C.周。一类非线性核函数的随机控制及其应用。arXiv预印本arXiv:1510.08439，2015年。[43]任志强、N.头子和张杰。路径依赖型DES粘度溶液概述。《2014年随机分析与应用》第397-453页。斯普林格，2014年。[44]里格尼博士和WC。希耶夫。细菌群体中线性连续蛋白质合成的随机模型。理论生物学杂志，69（4）：761-7661977。[45]R.Rouge和N.El Karoui。通过效用最大化和熵定价。《数学金融》，10（2）：259-27620000。[46]E.Shamarova、F.Ramos和P.Aguiar。基因表达建模的反向SDE方法。预印本arXiv:1308.661192013。[47]H.Sugita。关于抽象Wiener空间上Sobolev空间的一个刻划。京都大学数学学报，25（4）：717-7251985。[48]J.Wang、Q.冉和Q.陈。随机Lipschitz条件下BSDE的LPS解。《国际随机分析杂志》，2007年。