不完全市场中的凸套期保值

2022-5-11 14:07:23

不完全市场中的凸套期保值*2007年4月3日摘要在不完全金融市场中，并非所有或有债权都可以通过自我融资策略复制。由此产生的短缺风险可以通过凸风险度量来衡量，最近由F¨ollmer和Schied（2002）提出。为使短缺的凸风险最小化的自我融资策略提供资金的动态优化问题可以分为静态优化问题和表示问题。因此，最优策略包括修改后的索赔额e~nH，其中H是索赔额的支付额，e~n是静态优化问题的解决方案，即最优随机测试。在本文中，我们将使用凸对偶方法推导静态问题的必要和有效最优性条件。静态优化问题的解决方案是一个具有典型0-1结构的随机测试。关键词和短语：套期保值、短缺风险、凸风险度量、凸性、广义内曼-皮尔逊-勒马杰分类：G10、G13、D81数学学科分类（2000）：60H30、62F03、91B281简介在不完全金融市场中，并非所有未定权益都是可实现的，等价鞅测度不再是唯一的。因此，布莱克-斯科尔斯-默顿模型中的完美对冲不再可能。因此，我们面临着搜索策略的问题，这些策略可以尽可能降低由此产生的短路风险。人们仍然可以使用“超级边缘”策略保持安全。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:07:25

但从实际出发*普林斯顿大学运筹学与金融工程系，美国新泽西州普林斯顿08544，电子邮件：brudlo off@Princeton。这项工作得到了维也纳科学技术基金（WWTF）P158 89G05的部分支持。从这个角度来看，超级磨边的成本往往太高。出于这个原因，我们认为投资的资本可能低于负债的超高价格。这会导致短缺，通过适当的风险度量，应将其风险降至最低。这个问题已经通过概率（Follmer和Leucert，1999）、损失函数的期望（Follmer和Leucert，2000）和一致的风险度量（Naka no，2003，2004；Rudlo Off，2005）来研究，以量化短缺风险。在我们的方法中，我们使用凸风险度量，即一致风险度量的一般化。与上述问题类似，寻找凸短缺风险最小化的可容许策略的动态优化问题可分为静态优化问题和表示问题。最佳策略包括对修改后的claime~nH进行超边缘化，其中H是索赔的报酬，而e~n是静态优化问题的解决方案，这是一种最优随机测试。本文证明了静态问题解的存在性。我们用Fenchel dua的方法推导出一个关于解的结构的最优随机测试的必要和有效条件。这些结果都是新的，甚至是改进的，当局限于不同的风险度量时，这些结果是由Nakano（2003年、2004年）获得的（见Rudloffe，2006年，第4.1.3节）。本文组织如下：在第2节中，我们陈述了短缺问题的公式，并回顾了凸风险度量的定义。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-5-11 14:07:28

然后，我们证明了将动态优化问题分解为静态问题和表示问题的可能性。在第四节中，我们分析了静态优化问题。我们证明了一个解的存在性，建立了对偶问题，并证明强对偶性成立。因此，最优解是一个函数的鞍点，具体的第4.2条。为了解决这个问题，我们首先考虑4.3节中的内部问题，并推导出一个扩展的内曼-皮尔逊引理。然后，我们解决了第4.4节中的鞍点问题。静态优化问题的最优解是典型0-1结构的随机试验。2问题的公式d标的资产的贴现价格过程被描述为n IRd值半鞅S=（St）t∈完全概率空间上的[0，T](Ohm, F、 P）带过滤（Ft）t∈[0，T]。过滤应满足通常的条件（见Karatzas和Shreve（1998））。我们写土地∞为了我(Ohm, F、 P）和L∞(Ohm, F、 P），分别。我们捐赠土地∞使用范数拓扑。然后，LCA的拓扑对偶空间可以用L来识别∞L的拓扑对偶空间∞你能和ba打交道吗(Ohm, F、 P）上的完全可加集函数空间(Ohm, F）有界变化，绝对连续到P（见Yosida，1980年，第四章，9，例5）。设hX，Y为L之间的双线性形式∞还有巴(Ohm, F、 P）：hX，yi=ROhm所有的∈ L∞, 十、∈ ba(Ohm, F、 P）。为了X∈ Lit减少到hX，yi=E[XY]，其中eDenote是关于P的数学期望。LetbQ是所有概率测度的集合(Ohm, F）关于P是绝对连续的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-5-11 14:07:31

问∈bQ我们用eqa表示关于Q的期望，用ZQ表示theRadon-Nikodym导数dQ/dP。一个IRd值半鞅S=（St）t∈如果存在一个IRd值鞅M和一个M-可积的可预测IR+值过程ξ，如St=RtξsdMs，T，则称[0，T]为sigma鞅∈ [0，T]（见Delbaen和Schachermayer（20 06），第14.2节）。设Pσ表示概率测度P的集合*等价于P，使得S是关于P的sigmamatingale*. 由于我们想排除套利机会，我们假设Pσ6=. 更具体地说：当且仅当Pσ6= （定理14.1.1，Delbaen和Schachermayer（2006））。“风险为零的无套利”的概念是对一般半鞅模型中必须使用的“无套利”概念的一种轻微强化。在有限可能性空间的情况下Ohm 如果用“无套利”替换“无免费午餐和消失风险”，用等价鞅测度集P替换集Pσ，则上述断言成立。在IRd值（局部）有界半鞅S的情况下，可以用等价（局部）鞅测度集P（loc）替换集Pσ（见Delbaen和Schachermayer（2006），第9章）。随机变量之间的方程和不等式通常被理解为P-a、美国的自我融资策略由初始资本V给出≥ 0和一个可预测的过程ξ，结果值processVt=V+ZtξsdSs，t∈ [0，T]定义明确。如果相应的值过程Vt满足Vt，则这种策略（V，ξ）称为可容许≥ 0代表所有t∈ [0，T]。考虑或有索赔。其收益由FT可测量的非负性变量H给出∈ 我们假设*∈PσEP*[H] <+∞.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-5-11 14:07:34

（1）上述方程是超边际价格U的对偶特征，最小量Vsuch存在一个可容许策略（V，ξ），其值过程VT满足VT≥ H（见Delbaen和Schachermayer（2006），定理14.5.20）。相应的策略称为索赔H的超边缘策略。同样，在S是IRd值（局部）有界半鞅的情况下，可以用等价（局部）鞅测度集P（loc）替换集Pσ。在完全情形下，等价的西格玛鞅测度P*是唯一的，U=EP*[H] 是未定权益的唯一无套利价格。由于在不完全市场中，超边缘可能非常昂贵（参见Gushchin和Mordecki（2002）），我们寻找投资者可以用较小的数值V<U实现的最佳对冲。换句话说，我们寻找0<V的容许策略（V，ξ）≤EV使短缺{ω：VT（ω）<H（ω）}造成的损失风险最小化，这意味着我们希望将-（H）- VT）+。风险将通过ConverxRisk测度ρ来度量，最近由F¨ollmer和Schied（2002）引入。因此，我们考虑了一个动态优化问题，即找到一个可接受的策略来求解（V，ξ）ρ- （H）- （VT）+（2）在资本约束下，投入的资本低于超边际价格0<V≤为了方便读者，我们回顾了对流风险度量的定义和一些性质。与F¨ollmer和Schied（2002）相比，其中ρ：L∞→ IR，我们认为在LTH上定义的凸风险度量也可以获得该值+∞ 对于任何不可接受的投资。定义2.1（凸风险度量）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

能者818

2022-5-11 14:07:36

函数ρ：L→ 红外光谱∪ {+∞} ρ（0）=0是一个凸风险度量，如果它满足所有X，X∈ L：（i）单调性：X≥ 十、=> ρ（X）≤ ρ（X），（ii）翻译性质：c∈ 红外光谱=> ρ（X+c1）=ρ（X）- c、（iii）凸性：λ∈ [0, 1] => ρ（λX+（1）- λ）十）≤ λρ（X）+（1）- λ） ρ（X）。几乎可以肯定，等于1的随机变量在（ii）中表示为1。假设ρ（0）=0是合理的，并确保ρ（X）可以解释为风险调整资本要求。集合A:={X∈ L：ρ（X）≤ 0}被称为风险度量ρ的接受集。众所周知，每一个下半连续凸风险测度都允许一个对偶表示（参见F¨ollmer and Schied（2002）中的风险测度关于L∞关于一般空间，请参见Ruszczynski和Shapiro（2006）、Hamel（2006）、Rudlo Off（2006））。函数ρ：L→ 红外光谱∪ {+∞} 是一个低阶连续凸风险测度，当且仅当存在ρ（X）=supQ形式的表示∈Q{EQ[-X]- 苏佩克斯∈AEQ[-eX]}，（4）其中Q:={Q∈bQ:ZQ∈ L∞}. 共轭函数ρ*ρ是非负的，凸的，真的，弱下半连续的，domρ* {-ZQ:Q∈ Q} 和ρ*所有人的满足感∈ L∞与E[Y]=-1ρ*（Y）=supX∈AE[XY]。（5）备注2.2。L etα（Q）：Q→ 红外光谱∪ {+∞} 成为infQ的功能工程师∈Qα（Q）=0。那么，ρ（X）：=supQ∈Q{EQ[-X]- α（Q）}是一个凸风险度量。函数α称为惩罚函数，ρ*(-ZQ）=：对于Q，αmin（Q）∈ Q是Q上表示ρ的最小惩罚函数（seeF¨ollmer and Schied（2004））。惩罚函数α描述了概率模型Q的严重程度∈ 问：伊斯塔肯。凸风险测度ρ（X）的值是预期损失序列的最坏情况[-十] 减少α（Q），接管所有模型Q∈ Q（F¨ollmer and Schied（2004），第3.4节）。Art zner et al.（1999）和Delbaen（200 2）中介绍的一致性风险度量，是一种额外正齐性的经济凸风险度量。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:07:39

对于相干风险度量，对偶表示（4）简化为：ρ是一个下半连续相干风险度量，当且仅当存在一个非空的{ZQ:Q的概率度量子集∈eQ}凸与L中的弱*闭∞, 使得ρ（X）=supQ∈eQEQ[-十] 。（6）如果ρ允许（4）且A为圆锥体，则满足该条件，这意味着supx∈AEQ[-十] =IeQ（Q）是一个指示函数，对于Q等于零∈情商和+∞否则动态问题的分解动态优化问题（2），（3）可分为以下两个问题：1。静态优化问题：找到一个最佳的修正索赔eH，其中e是一个随机测试解min∈Rρ（（ψ）- 1） H），（7）R={~n：Ohm → [0,1]，英尺- 可测量的，补充*∈PσEP*[~nH]≤eV}（8）2。代表性问题：为修改后的claime~nH找到一种超边缘策略。这一想法是由Follmer和Leucert（1999年，2000年）引入的，使用损失函数的预期作为风险度量，并在Nakano（2003年，2004年）中用于一致的风险度量；鲁德罗夫（2005年，2006年）也有类似的说法。我们得到了凸风险测度的以下定理：定理3.1。设eа为极小化问题（7）的解，le t（eV，eξ）为可容许策略，其中eξ为权利要求eаH的s超套期保值策略。然后该策略（eV，eξ）求解优化问题（2），（3），并保持（V，ξ）ρ(-（H）- VT）+=最小值∈Rρ（（ψ）- 1） H）。（9）证据。设（V，ξ）与V≤这可能是一种可接受的策略。我们将相应的成功率φ=φ（V，ξ）定义为φ（V，ξ）：=I{VT≥H} +VTHI{VT<H}，其中IA（ω）是随机指示函数，等于ω的1∈ A，否则为零。因此-（H）-VT）+=（ν）-1） H.因为VT是一个Pσ-超马氏体（Delbaen和Schachermayer（2006），定理14.5.5）和φH≤ 及物动词：P*∈ Pσ：EP*[~nH]≤ EP*[VT]≤ 五、≤因此，eV∈ R

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-11 14:07:43

因此，ρ(-（H）- VT）+=ρ- 1） H）≥ ρ（（e）- 1）H），（10）式中，e~n是静态优化问题（7）的解决方案。考虑可采性策略（V，eξ），其中eξ是修改后的索赔e~nH和V的超边缘策略∈ [eU，eV]，其中eU=supP*∈PσEP*[e k H]是修正索赔e k H的超边际价格（见定理14.5.2 0，Delbaen和Schachermayer（2006））。不等式（10）对于可接受策略（V，eξ）的成功率尤其令人满意。因此，ρ（（η（V，eξ）- 1） H）≥ ρ（（e）- 1） H）。（11）为了说明反向不等式，让我们考虑一下φ（V，eξ）H=min（eVT，H），其中eVT=V+RTeξsdSs。因为U+RTeξSDS≥ e k H（超边缘）和V∈ [eU，eV]，itholdseVT=V+ZTeξsdSs≥ e~nH+V-欧盟≥ 因此，φ（V，eξ）H≥ 由于凸风险测度ρ是单调的，我们得到ρ（（Ⅴ（V，eξ）- 1） H）≤ ρ（（e）- 1） H）。与（11）一起，我们可以看到φ（V，eξ）达到静态优化问题（7）的最小值。由于（10），我们现在有min（V，ξ）ρ(-（H）- VT）+）≥ ρ(-（H）-eVT）+）。因此，（V，eξ）与V∈ [eU，eV]是在动态优化问题（2）、（3）和等式（9）中达到最小值的策略。备注3.2。如果风险度量允许通过Neyman-Pearson引理直接构造eа（参见F¨ollmer和Leucert（1999）以及F¨ollmer和Leucert（2000）的一些特殊情况），可以看到EU=EV，因为最佳测试达到了界限（8）。在本文的定理4.9，方程（30）中，我们将证明在凸化的情况下，边界也是通过最优检验得到的。因此，最优策略是（eV，eξ）。在下一节中，我们将考虑静态优化问题（7）。为了解决这个问题，我们改进了Rudloff（2006）中使用的方法。4静态优化问题mNow，我们将证明静态优化问题（7）存在一个解，并推导出必要和有效的最优性条件。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:07:47

因此，我们将构造（7）的对偶问题，对对偶问题的内部问题推导出一个解的结构的结果，然后求解整个问题。4.1生命问题及其解决方案我们假设在本文的剩余部分中，ha将得到满足：假设4.1。设ρ：L→ 红外光谱∪ {+∞} 是一个较低的半连续凸风险度量，在某些情况下是连续的和有限的（φ- 1） H带φ∈ R.备注4.2。凸风险测度ρ：L→ 红外光谱∪ {+∞} 在其域的内部是连续的（不假设低连续性）（扩展的Namioka定理，见Ruszczynski和Shapiro（2006），命题3.1或Fr ittelli和Biagini（2006），定理2）。特别是，如果ρ（X）<+∞ 对于所有X∈ 五十、凸风险度量接受表示（4），并且是连续的。但是对于扩展的实值凸风险测度，我们仍然需要下半连续的假设来获得表示（4）。让我们考虑可测空间（Pσ，S），其中S是由Pσ的所有子集生成的σ-代数。我们用∧+表示（Pσ，S）上的有限测度集。我们概述了静态优化问题的求解过程：（i）证明原问题（7）（定理4.3）p=minа的解eа的存在性∈Rρ（（ψ）- 1） H）=最小值∈R{supQ∈Q{EQ[（1）- ν）H]- 好的∈AEQ[-十] }}。（ii）通过芬切尔对偶将对偶问题推到（7）：d=supQ∈Q{inf∈R{EQ[（1）- ν）H]- 好的∈AEQ[-十] 证明了强对偶p=d的有效性（定理4.5）。我们得到了对偶解的存在性，并证明了该问题是鞍点问题。（iii）考虑任意变量Q的对偶问题（12）的内部问题∈ Q:pi（Q）：=最大值∈需求量（单位：英寸）。（13）证明解e k Qto（13）的存在性（引理4.6）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:07:52

用Fenchel对偶推导（13）的对偶问题：di（Q）=infλ∈∧+nZOhm[HZQ- HZPσZP*dλ]+dP+eVλ（Pσ）o.证明强对偶pi（Q）=di（Q）的有效性，并推导出内部问题（13）解的必要有效结构（定理4.8）。（iv）将定理4.5和4.8应用于原始问题（7），并推导出（7）的解eа的必要和有效结构（定理4.9）。静态优化问题（7）的解eа的存在可以通过Nakano（2004年，命题1.3）的例子来说明，其中考虑了一致的风险度量。定理4.3。存在一个e~n∈ r求解静态优化问题（7）和ρ（（e）- 1） H）是有限的。证据一组随机测试r={~n：Ohm → [0,1]，英尺- 可测}作为弱紧单位球面L的弱闭子集是弱紧的∞（邓福德和施瓦茨（1988），定理V.4.2，V.4.3）。自从马匹7号以来→晚餐*∈PσEP*在弱*拓扑中，[νH]是下半连续的，受约束的集是弱*闭的，因此是弱*紧的。因为φ7的下半连续性→ supQ∈Q{EQ[（1）- ν）H]- 好的∈AEQ[-十] }在弱小的顶层，存在一个∈ 解决（7）。ρ（（e）- 1） H）是有限的，因为ρ在某些情况下是有限的- 1） H带φ∈ R（假设4.1）。备注4.4。对于严格凸的风险度量，我们还可以证明任意两个解是一致的- a、 s.关于{ω：H>0}（见F¨ollmer and Leucert，2000年，命题3.1）。凸风险度量不可能是严格凸的，因为ρ（定义2.1（ii））和ρ（0）=0的翻译属性意味着ρ在由等于1 A.s的随机变量生成的L的一维子空间上的线性（关于翻译f函数的进一步性质，见Hamel（2006））。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:07:56

这意味着对于凸风险测度，只能证明解的存在性，而不能证明解的本质唯一性。4.2杜阿尔问题在本小节中，我们将构造（7）的对偶问题，并证明强对偶的有效性。我们得到了对偶解的存在性，并证明了该问题是一个鞍点问题。定理4.5。强大的对偶性：原始问题（7）和它的对偶问题的值是相等的（p=d），其中（7）的对偶问题的值为dd=supQ∈Q{inf∈R{EQ[（1）- ν）H]- 好的∈AEQ[-十] }}。（14）（eZQ，e~n）是函数式EQ[（1）的鞍点- ν）H]- 好的∈AEQ[-十] 式中，eа是（7）的解，而zq=deQdPis是（14）的解。因此，min~n∈R{maxQ∈Q{EQ[（1）-ν）H]- 好的∈AEQ[-十] }=maxQ∈Q{min∈R{EQ[（1）-ν）H]- 好的∈AEQ[-十] }}。证据问题（7）可以重写为asp=min~n∈L∞{ρ ((φ - 1） H）+IR（ν）}。我们表示f（φ）：=IR（φ）和g（Aφ）：=ρ（Aφ）- H） =ρ（（ψ）- 1） H），其中线性连续算子A:L∞→ 定义为Aа：=Hа。芬切尔对偶问题是（见Ekeland和Temam（1976），第三章，等式（4.18））d=supY∈ L∞{-F*（A）*Y）- G*(-Y）}，（15）其中*相邻的歌剧是t还是A和f*, G*分别是fand g的共轭函数。原始问题的p值是有限的（定理4.3）。函数f:L∞→ 红外光谱∪ {+∞} 是凸的，因为R是凸的。函数G:L→ 红外光谱∪ {+∞} 是凸的，因为ρ是凸的。由于ρ在某些情况下被假定为连续和有限的- 1） H带φ∈ R（假设4.1）我们有强对偶YP=d（Ekeland和Temam（1976）中的定理III.4.1和备注III.4.2）。邻接算子A*: L∞→ ba(Ohm, F、 P）必须通过定义以下方程式来满足： Y∈ L∞, φ ∈ L∞: 哈*Y、 ~ni=hY，A~ni=E[~nhY]。（16）为了建立对偶问题，我们计算了共轭函数f*和g*.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:07:59

通过（16），我们得到*（A）*Y）=supа∈L∞{hA*Y、 ~ni- f（~n）}=sup~n∈RE[~nHY]。函数g由g（X）=ρ（X）定义- H）。它的共轭函数g*: L∞→红外光谱∪ {+∞} is（Zalinescu，2002，定理2.3.1（vi））：g*（Y）=ρ*嗨。自domρ* {-ZQ:Q∈ Q} a和ρ*（Y）=supX∈AE[XY]代表Y∈ L∞用e[Y]=-1（见等式（5）），值为d isd=supQ的对偶pr问题（15）∈Q{inf∈R{EQ[（1）- ν）H]- 好的∈AEQ[-十] }}。（17）对偶问题的解Nezqt的存在源于强对偶的有效性（见定理III.4.1，Ekeland和Temam，1976）。设eа为主要问题（7）的解（见定理4.3）。Sincep=supQ∈Q{EQ[（1）- e~n）H]- 好的∈AEQ[-十] }≥ EeQ[（1）- e~n）H]- 好的∈AEeQ[-十] ，d=inf~n∈R{EeQ[（1）- ν）H]- 好的∈AEeQ[-十] }≤ EeQ[（1）- e~n）H]- 好的∈AEeQ[-十] 由于强大的二元性，我们有Eeq[（1- e~n）H]- 好的∈AEeQ[-X]≤ p=d≤ EeQ[（1）- e~n）H]- 好的∈AEeQ[-十] 。因此，min~n∈R{maxQ∈Q{EQ[（1）-ν）H]- 好的∈AEQ[-十] }=maxQ∈Q{min∈R{EQ[（1）-ν）H]- 好的∈AEQ[-十] }}。因此，（eZQ，e~n）是函数EQ[（1）的鞍点- ν）H]- 好的∈AEQ[-十] .4.3对偶问题的内部问题在这一小节中，我们考虑对偶问题（14）的内部问题，对于任意的，但固定的Q∈ 问：我们给出了一个关于解的结构的结果。这使得我们有可能在下一小节的主要定理中推导出定理4.5的鞍点的结果。也就是说，我们得到了一个关于静态优化问题（7）解的结构的结果。首先，让我们考虑Q的对偶问题（14）的内部问题∈ Q和letus用pi（Q）表示其最佳值：pi（Q）：=max~n∈需求量（单位：英寸）。（18）引理4.6。存在一个解决方案e~nQto问题（18），pi（Q）是确定的。证据以下是Ris弱*紧（见定理4.3的证明）和φ7→ 对于所有Q，EQ[~nH]在弱*拓扑中是连续的∈ Q、备注4.7。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-5-11 14:08:02

问题（18）可以确定为测试理论问题。设R={~n：Ohm → [0,1]，英尺- 可测量的}是一组随机测试，让我们确定测量值O和O*= O*（P*) bydOdQ=H和do*数据处理*= H代表P*∈ Pσ。问题（18）变成了最大值∈REO[~n]受制于P*∈ Pσ：EO*[φ] ≤eV=：α。这相当于在测试复合假设H={O时寻找最佳测试e k qo*（P*) : P*∈ Pσ}，由一类等价的Sigmamatingale测度参数化，在广义上反对简单的替代假设H={O}。在广义测试问题（Witting，1985，定理2.79）中*不一定是概率测度，但测度和显著水平α被推广为正连续函数α（P*). Witting（1985）推导出了最佳测试e k q的有效最优性条件，并验证了弱性的有效性。我们想证明强对偶是可以满足的。在这种情况下，典型的0-1-结构e k Qis是有效的，并且是最优性所必需的。我们赋予（18）以下Fenchel对偶问题，并用di（Q）表示其最优值di（Q）=infλ∈∧+nZOhm[HZQ- HZPσZP*dλ]+dP+eVλ（Pσ）o.（19）以下强对偶定理成立。定理4.8。问题（18）和（19）的强对偶何为真f，即。，Q∈ Q:di（Q）=pi（Q）。此外，对于每个Q∈ Q存在一个解λQto（19）。最佳随机化测试e k Qof（18）具有以下结构：e k Q（ω）=1:HZQ>HRPσZP*deλQ（P*)0:HZQ<HRPσZP*deλQ（P*)P- a、 s.（20）安第普*[e~nQH]=夏娃λQ- a、 s.（21）证据。设L是（Pσ，S）上所有有界可测r真函数的线性空间，具有逐点加法、实数乘法和逐点偏序L≤ L<=> L- L∈ L+：={L∈ L:P*∈ Pσ：l（P*) ≥ 0}.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:08:07

我们记得Sis是由Pσ的所有子集生成的σ-代数。设∧是有界变差（Pσ，S）上所有σ-加性符号测度的空间。我们将L和∧视为与双线性形式hl相关联的对偶对，对于L，λi=RPσldλ∈ L和λ∈ ∧，见Aliprantis和Border（1999年，定理13.5）。我们赋予空间L以Mackey拓扑τ（L，λ），这确保了拓扑对偶（L，τ（L，λ））是∧，并且L是桶装空间（Husain and Khaleella（1978），推论II）。二,二,。4).我们定义了一个线性和连续的歌剧t或B：（L）∞, k·kL∞) → （L，τ（L，λ））乘以（Bа）（P）*) := -EP*[H~n]用于P*∈ Pσ。B是连续的，因为对于每一个序列φn→ ~nin（L）∞, k·kL∞), 这是为什么→ B~nin（L，k·kL），其中kL:=supP*∈Pσ| l（P*)|,辛塞苏普*∈Pσ| B（|n）- ν）（P）*)| ≤ k k n- ~nkL∞U和U<+∞ （不平等（1））。因此，在较弱的拓扑τ（L，λ）中，Bаn也收敛。我们定义了函数1，0∈ 路过P*∈ Pσ：1（P*) = 1.∈ IR，0（P*) = 0∈ IR。问题（18）ismax~n∈需求量（单位：英寸），P*∈ Pσ：EP*[~nH]≤埃夫。（22）该约束（22）可以被重写为aseV1+B~n≥ 0<=> B~n∈ L+-eV1。然后，我们可以将问题（18）等效为- pi（Q）=最小值∈L∞N- 等式[~nH]+IR（~n）+IL+-eV（B~n）o.（23）让我们定义函数f（~n）：=-等式[~nH]+IR（~n）和g（B~n）：=IL+-eV（B k）在（23）中。我们想建立Ekeland和Temam（1976）（第三章，等式（4.18））中的f（23）对偶问题：- di（Q）=supλ∈λn- F*（B）*λ) - G*(-λ） o.（24）g isg的共轭函数*（λ） =苏佩尔∈Lnhel，λi- 伊尔+-eV（el）o=supel∈L+-eVhel，λi=supl∈L+hl-eV1，λi=supl∈L+hl，λi-eVZPσdλ=IL*+(λ) -eVλ（Pσ），其中L*+是L+的负双锥。建立ff的共轭函数*（B）*λ） =sup~n∈L∞nhB*λ、 i+EQ[H]- IR（~n）o，我们必须计算hB*λ、 νi，其中B*: Λ → ba(Ohm, F、 P）是B的邻接运算符。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:08:10

根据B的定义*, 方程hB*λ、必须满足所有的φi=hλ，Bφi∈ L∞, λ ∈ ∧（见Aliprantis and Border（1999），定义6.51）。因此φ ∈ L∞, λ ∈ ∧：hB*λ、 νi=ZPσ-EP*[~nH]dλ。因此f的共轭函数是*（B）*λ） =sup~n∈注册护士-ZPσEP*[~nH]dλ+EQ[~nH]o.对偶问题（24）变成-di（Q）=supλ∈λn- sup~n∈注册护士-ZPσEP*[~nH]dλ+EQ[~nH]o- 我-L*+(λ) -eVλ（Pσ）o，di（Q）=infλ∈-L*+nsup~n∈注册护士-ZPσEP*[~nH]dλ+EQ[~nH]o+eVλ（Pσ）o，其中-L*+= {λ ∈ Λ : L∈ L+：hl，λi≥ 0}. 不难看出-L*+= ∧+是（Pσ，S）上的一组有限测度。因此，di（Q）=infλ∈∧+nsupа∈注册护士-ZPσEP*[~nH]dλ+EQ[~nH]o+eVλ（Pσ）o.（25）空间(Ohm, F、 P）和（Pσ，S，λ）forλ∈ λ+是正的有限度量空间。此外，函数f（ω，P*) = H（ω）ZP*（ω）对于所有人来说，都是可测量的∈ 它代表着所有λ∈ ∧+和所有的∈ RZPσZOhm|HZP*|dP dλk|kL∞≤1.≤ 晚餐*∈PσkHZP*kLλ（Pσ）（1）<+∞.因此，我们可以应用Tonelli定理（Dunford and Schwartz，1988，推论III.11.15），并得出积分阶可以改变，即对于llλ∈ ∧+和所有的∈ RZPσZOhmHZP*νdP dλ=ZOhmZPσHZP*νdλdP<+∞ .因为在（25）中只有元素λ∈ ∧+和∈ 必须考虑R，我们可以改变积分的顺序，得到di（Q）=infλ∈∧+nsupа∈RE[~n（HZQ- HZPσZP*dλ）]+eVλ（Pσ）o.（26）因为∈ R是一个随机试验，是所有试验的上确界∈ 在（26）中的R由φ（ω）=（1:HZQ>HRPσZP）获得*dλ0:HZQ<HRPσZP*dλP- a、 s.如果我们表示HZQ- HRPσZP*dλ=：νλ（ω），对偶问题的值isdi（Q）=infλ∈∧+nZOhmν+λ（ω）dP+eVλ（Pσ）o.（27）这是定理4.8的等式（19）。为了验证强对偶的有效性，我们使用了一个比定理4.5中使用的更弱的正则化条件。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:08:19

在Borwein和Zhu（2006，定理5）中，证明了如果f和g是凸的和低阶连续的，并且如果存在一些φ，则强对偶成立∈ dom f使得Bа∈ 核心（L）+-eV1），其中core（M）是集合M的代数内部o。如果我们取≡ 0, 0 ∈ dom f，我们必须证明B~n=0∈ 核心（L）+-eV1）foreV>0。从那时起，这就是事实∈ 存在一个s=s（L）>0，这样所有0≤ T≤ s（l）它保持0+tl∈ （L）+-eV1）。我们可以选择s（l）=eV/klkL>0表示L6=0，s（l）=c>0表示l=0，c>0任意，其中klkL:=supP*∈Pσ| l（P*)|.函数f是凸的且下半连续的，因为集合R是凸的且闭的。函数g是凸的，因为集合（L+-eV1）是凸的，并且是低连续的w.r.t.Mackey拓扑τ（L，λ）当且仅当+-eV1）在Mackey拓扑τ（L，λ）下是闭合的。为了证明这一点，我们使用凸集是闭的w.r.t.Mackey拓扑τ（L，λ）当且仅当它是闭的w.r.t.弱拓扑σ（L，λ）。取（l）中的净lα+-eV1）弱收敛于l。因此，对于所有λ∈ λit ho ldsRPσlαdλ→RPσldλ和所有P*∈ Pσ和它包含的所有αlα（P*)+电动汽车≥ 0.假设t存在aP∈ S和aλ∈ λ+与λ（P）>0和λ（Pσ\\P）=0使得l（P*) +所有患者的eV均<0（P*∈ 那么，RPσ（l）（P*) +eV）dλ<0，这是矛盾的*) +eV）dλ=limαRPσ（lα（P*) +eV）dλ≥ 所有λ均为0∈ Λ+. 因为S包含Pσ的一个点子集，所以l∈ （L）+-eV1）。因此，强烈的二元性是正确的。证明所选测量值Q的相关性∈ Q我们分别使用原解和对偶解的符号e~nQandeλqf。解的存在性∈ 在引理4.6中证明了原始问题。现在，由于具有强对偶性，双解λQ的存在性与原目标函数和对偶目标函数在eаQ处的值分别重合。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-11 14:08:24

这就产生了一个必要且有效的临时条件。我们考虑原始目标函数e[~nHZQ]=ZOhm~nHZQdP=ZOhm~nhHZQ- HZPσZP*dλidP+ZPσZOhm~nHZP*dP dλ=ZOhmνν+λ（ω）dP-ZOhmφν-λ（ω）dP+ZPσZOhm~nHZP*dP dλ并从双目标函数中减去它。由于强烈的二元性，在e k Q处的差异必须为零，分别为λQ:ZOhmh1- e~nQiν+eλQ（ω）dP+ZOhme~nQν-eλQ（ω）dP+ZPσheV-ZOhme~nQHZP*dPideλQ=0。这三个非负积分之和为零当且仅当∈ 定理4.8的条件（20）和（21）。为了强调λ是Pσ上的一个度量，我们在定理4.8中使用了no-tationλ（P*).每个Q∈ Q分别存在一个原始解和一个对偶解e~nQ，eλQ。如果Q=eq是（14）的外部问题的解，e~neq是静态优化问题（7）的解。4.4鞍点现在，让我们考虑定理4.5中描述的鞍点问题。用理论4。8.下面是maxq∈Qmin~n∈R{EQ[（1）- ν）H]- 好的∈AEQ[-十] }=maxQ∈Q{EQ[H]- π（Q）- 好的∈AEQ[-十] }=maxQ∈Q{EQ[H]- di（Q）- 好的∈AEQ[-十] }=maxQ∈Qnmaxλ∈∧+n- EP[（HZQ- HZPσZP*dλ）+]-eVλ（Pσ）o+EQ[H]- 好的∈AEQ[-十] o=maxQ∈Q、 λ∈∧+nEP[HZQ∧ HZPσZP*dλ]-eVλ（Pσ）- 好的∈AEQ[-十] o，X在哪里∧ y=最小值（x，y）。定理4.5允许EQ达到最大值。r、 t.Q∈ Q.定理4.8证明了aeλ=eλeqt的存在性，它达到了最大值。r、 t.λ∈ Λ+. 因此，存在一对（eQ，eλ）解Maxq∈Q、 λ∈∧+nEP[HZQ∧ HZPσZP*dλ]-eVλ（Pσ）- 好的∈AEQ[-十] 现在，我们的主要定理如下。定理4.9。设（eQ，eλ）为（28）中的最优对静态优化问题的解（7）ise~n（ω）=1:HeZQ>HRPσZP*deλ（P*)0:hzq<HRPσZP*deλ（P*)P- a、 s.（29）带EP*[e~nH]=夏娃λ- a、 s.（30）o（e~n，eZQ）是定理M4.5的鞍点（eV，eξ）解决了动态凸套期保值问题（2），（3），其中eξ是修改后的索赔e~nH的超边缘策略。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝