[15，提案3.10]。因此，过程Zo可能不是真鞅，我们无法将Po定义为概率测度，而过程Bo只是一个漂移的P-布朗运动。然而，我们得到了与定理3.16相似的结果：唯一最优风险最小化交易策略^ζ=（^π，^ψ）∈ π（Go，x）和相应的财富过程x^ζ满足x^ζ（t）=x+Zt^πuσ（u，~Su）dBou+Zt^ψudNou=（Zo）-1tEhZoT^RoGoti，T∈ [0，T]。同样，让我们在本小节末尾给出一个与示例3.9中相同的效用和损失函数的示例。示例3.19。设U（k）=ln k，L（k）=-kbe已给出。现在，问题3.1的最佳终端值由^R=1+p1+12λ给出*^yZoT2^yZoT，其中^y和λ*对于最优财富过程X^ζ，它认为X^ζ（t）=X+Zt^πudsu+Zt^ψudNou=X+Zt^πuσudBou+Zt^ψudNou=E“1+p1+12λ*^yZoT2^yZoTGot#。此外，投资者的输出由U（Go，x）=E[U（R）]=E“ln1+p1+12λ给出*^yZoT2^yZoT！#。3.4。价格过程过滤。现在让我们考虑一下过滤FS：=（FSt）t∈[0，T]，其中我们称FStre表示截至时间T的风险资产pric e过程的知识，但随机时间不一定是FS停止时间。这种过滤是由中央市场推动的，投资者没有其他信息，例如市场参数何时会改变。首先，让我们陈述一下价格过程的代表性。这一过滤。引理3.20。（参见[15，引理4.2]）假设第2.1条和第3.10条（a）款规定了真实值。

存在anFS布朗运动\'W=（\'Wt）t∈[0，T]，以及平方可积的FS可预测过程‘u=（‘uT）T∈[0，T]，使得对于所有T∈ [0，T]，其中，u定义为uT：=p（1[0，τ]）Tu（T，S（T））+p（1（τ，T）））Tu（T，S（T））+p（1[0，τ]θ）Tσ（T，S（T））+p（1（τ，T]θ）Tσ（T，S（T）），其中pdenotes可预测投影，σ=（T）T∈（2）中给出了[0，T]。风险和不完全约束下的效用最大化和无差异值17正如注释3.8和3.18中所述，我们考虑了无套利的较弱条件：假设。它在过滤FS中持有（NA1）。这是等效侵权（(R)uu/σu）du<+∞, P-a.s.，参考【15，提案4.3】。让我们定义一个过程‘‘Z=（’Zt）t∈[0，T]由'Zt：=exp(-Zt？uuσud？Wu-Zt公司uuσudu），对于所有t∈ [0，T]。此外，定义一个漂移的FS布朗运动“B=（”Bt）t∈[0，T]乘以“Bt=”Wt+Zt“uuσudu，0≤ t型≤ T、 假设（NA1）定义良好。让我们区分以下三种情况：（a）相同的挥发性：σ（t，x）=σ（t，x）=：σ（t，x），对于所有（t，x）∈ [0，T]×R.（b）不同的波动率函数：σ（T，x）6=σ（T，x），对于任何（T，x）∈ [0，T]×R.（c）n开集上的挥发度差异：O：=（t，x）∈ [0，T]×R：σ（T，x）6=σ（T，x）,它既不是空集，也不是整个空间[0，T]×R。我们在接下来的小节中研究这些情况。3.4.1。相同的挥发性。

假设：σ（t，x）=σ（t，x）=：σ（t，x），对于所有（t，x）∈ [0，T]×R。在这种情况下，过滤FS中的~S的典型分解由以下公式给出（见mma 3.2 0）：~St=Ztuudu+Ztσ（u，~Su）d'Wu，对于所有T∈ [0，T]。连续过程σ（·，~S·）是FS自适应的，从不为零，因此它是FS可预测的。与定义3.5类似，我们分别用∏（FS，x）和x（FS，x）表示可接受交易策略和相应财富过程的集合，其中π∈ π（FS，x）我们有（27）xπ（t）=x+Ztπud？Su=x+Ztπu？uudu+Ztπuσ（u，Su）d？Wu，0≤ t型≤ T、 其中首字母大写x∈ 假设R大于零。假设（NA1）和Rt（πuσ（u，~Su））du<+∞, P-a.s.，方程式（27）定义得很好，因为Cauchy-Schwarz不等式表示RTπt'utdt<+∞, P-a.s.这一小节的主要结果是：定理3.21。假设假设2.1和3.10（a）以及（NA1）成立。此外，设E[(R)ZT·▄Iλ（y'ZT）]<+∞ 对于所有y∈ （0+∞). 然后，问题3.1的最优终端财富R由R=~Iλ给出*^y'ZT,where^y∈ （0+∞) 和λ*≥ 0表示（28）（Eh'ZT·'Iλ*（^y？ZT）i=x，EL(-(R)R）= ε。独特的最优交易策略‘∏∈ π（FS，x）和相应的财富过程x'π满足：x'π（t）=x+Zt'πuσ（u，Su）d'Bu='Z-1t·E\'ZT\'R | FSt.18 OLIVER Jankefroof。根据过程Z和B的定义，对于所有t∈ [0，T]，对于π∈ π（FS，x）财富过程xπ允许代表xπ（t）=x+ZtπudSu=x+Ztπuσ（u，~Su）d'Bu，对于所有t∈ [0，T]。因此，Xπ是FS适应的。现在，它认为每个进程M=（Mt）t∈[0，T]使过程“Z”M=（“Zt”Mt）T∈[0，T]是一个martingalew。r、 t。

过滤FSA的表示为（29）’Mt=’M+Ztπuσ（u，Su）d’Bu，0≤ t型≤ T、 对于某些π∈ π（FS，x），使用与引理3.7中相同的参数，其中我们使用鞅表示性质（参见[15，命题4.6]）：每个FS局部鞅'L=（'Lt）t∈[0，T]接受“Lt=”L+ZtudWu”形式的表示，对于所有T∈ [0，T]，式中|Μ=（|ΜT）T∈[0，T]是一个具有RT(R)Иtdt<+∞, P-a.s.接下来，我们证明了对于“R”，存在一个交易策略“π”∈ π（FS，x），使得x'π（t）='Z-1t·E\'ZT\'R | FSt.定义M（t）=Z-1tE\'ZT\'R | FSt, 0≤ t型≤ T因为对于0≤ s≤ 它保持：E“Zt”M（t）| FSs= E“Zt”Z-1t·E\'ZT\'R | FSt|FSs公司=\'Zs\'Z-1s·E\'ZT\'R | FSs=“Zs”M（s），“Z”M是一个鞅w.r.t。过滤FS。通过（29），我们得到：’M（t）=’M（0）+Zt’πuσud’Bu，0≤ t型≤ T、 带“M（0）=”ZE\'ZT\'R | FS= x、 因此，它认为x'π（t）=M（t）=中兴通讯\'ZT\'R | FSt≥ 0，因为“ZT”R为非负。所以，π确实在∏（FS，x）中。^y的存在∈ （0+∞) 和λ*≥ 0，使得方程（28）在附录A中成立。对于其余的证明，只需遵循定理3.6中的公式即可。在这种情况下，金融市场是完整的，在金融市场中，资产可以进行w.r.t.交易。其自身产生的融资是完整的，在这个意义上，所有有界FST可衡量的或有权益都可以通过可接受的交易策略完美复制–即使我们只主张（NA1）而不是（NFLVR），参见[15，推论4.7]。3.4.2。完全不同的波动性。假设：σ（t，x）6=σ（t，x），对于任何（t，x）∈ [0，T]×R。该条件意味着在停止时间τ之后的整个时间间隔（τ，T）上，S的波动性是不同的。在这种情况下，第3.3小节的所有结果对于过滤FS都是有效的，因为我们得到了以下结果。建议3.22。（参见[15，建议4.4]）假设假设假设2.1和3.10（a）成立。

然后，τisan FS停止时间与过滤FS和gse重合。3.4.3。S emi相同的挥发性。假设：O：=（t，x）∈ [0，T]×R：σ（T，x）6=σ（T，x）6. {, [0，T]×R}，σ（0，0）6=σ（0，0）。确定非递减序列（ρk）k∈Nof随机变量，迭代定义为：ρ=0，ρ2k-1=inf{ρ2k-2<t≤ T：（T，St）/∈ O}∨ T、 ρ2k=inf{ρ2k-1<t≤ T：（T，St）∈ O}∨ T、 引理3.23。（参见[15]）对于任何k∈ N、 随机变量ρkis是FS停止时间。风险和不完全约束下的效用最大化和无差异值19序列（ρk）k的成员∈可以这样选择，即在闭合区间i的并集上，两个波动率σ（t，St）和σ（t，St）相等：=∞[k=1[ρ2k-1，ρ2k]且在开放区间上不相等：=∞[k=1（ρ2k-2，ρ2k-1） ，因为O是一个开集。与定义3.13类似，我们分别用∏（FS，x）和x（FS，x）表示可接受的交易策略集和相应的财富过程集，其中ζ=（π，ψ）∈ π（FS，x）我们有0≤ t型≤ T（30）Xζ（T）=X+ZtπudSu+ZtψudNSu=X+Ztπu？uudu+Ztπuσud？Wu+ZtψudNSu，其中初始资本X∈ R的总和大于零，NSI的定义如引理3.12（ii）所示。假设（NA1）和Rt（πuσu）du<+∞, P-a.s.，（30）定义得很好，因为根据CauchySchwarz不等式，它认为RTπt|utdt<+∞, 此外，我们将考虑定义3.15中定义的风险最小化交易策略。本小节的主要结果如下：定理3.24。假设假设2.1和3.10（a）以及（NA1）成立。此外，设E[(R)ZT·▄Iλ（y'ZT）]<+∞ 对于所有y∈ （0+∞).

然后，问题3.1的最优终端财富^R由^R=~Iλ给出*^y'ZT,where^y∈ （0+∞) 和λ*≥ 0是指（31）Eh'ZT·'Iλ*（^y？ZT）i=x，EhL(-^R）i=ε。唯一最优风险最小化交易策略^ζ=（^π，^ψ）∈ π（FS，x）和相应的富裕过程x^ζ满足：x^ζ（t）=x+Zt^πuσud'Bu+∞Xk=1Zρ2k-1.∨tρ2k-2.∨t^ψudNSu=\'Z-1tEh'ZT^R'FSti。为了证明该定理，让我们首先陈述鞅表示定理，它是当波动率完全相同时，GS和FSF的相应鞅表示定理的推论。引理3.25。在与定理3.24相同的假设下，它认为每个过程^L=（^Lt）t∈[0，T]以使过程Z^L=（\'Zt^Lt）T∈[0，T]是一个鞅w.r.T。过滤FSI的形式为（32）Lt=L+Ztπuσud'Bu+∞Xk=1Zρ2k-1.∨tρ2k-2.∨tψudNSu，0≤ t型≤ T、 其中π=（πT）T∈[0，T]和ψ=（ψT）T∈[0，T]是满足rt（πuσu）du的FS可预测随机过程<+∞, P-a.s.，和RT |^ψt | | dASt | dt<+∞, P-a.s.证明。由于鞅r的表示性质也可以在局部集上定义，因此任何FS局部鞅在集上都具有引理3.17中给出的表示（ρ2k-2，ρ2k-1） ，k∈ N、 和（29）中给出的集合上的表示式[ρ2k-1，ρ2k-1] ，k∈ N我们现在给出这一小节主要结果的证明。定理3.24的证明。^y的存在∈ （0+∞) 和λ*≥ 0使得方程式（31）保留在附录A中。20 OLIVER JANKELet us表明存在交易策略^ζ=（^π，^ψ）∈ π（FS，x），对于相应的财富过程x^ζ，它保持：x^ζ（t）=Z-1tEh'ZT^R'FSti。定义M（t）=Z-1tEh'ZT^R'FSti，0≤ t型≤ T通过与定理3.21的证明相同的论证，它认为'ZM是一个P鞅w.r.t。过滤FS。

通过引理3.25，我们得到存在^ζ=（^π，^ψ）∈ π（FS，x），使得M（t）=M（0）+Ztπuσud'Bu+∞Xk=1Zρ2k-1.∨tρ2k-2.∨t^ψudNSu，0≤ t型≤ T、 当M（0）=E[\'ZT^R]=x时，它认为x^ζ（T）=M（T）=Z-1tEh'ZT^R'FSti。^ζ的最优性和唯一性以及定理3.16证明中的类似参数。同样，让我们在本小节末尾给出一个与示例3.9中相同的效用和损失函数的示例。示例3.26。设U（k）=ln k，L（k）=-kbe已给出。现在，问题3.1的最佳终端值由^R=1+p1+12λ给出*^y'ZT2^y'ZT，其中^y和λ*对于最优财富过程X^ζ，它认为X^ζ（t）=X+Ztπuσud'Bu+∞Xk=1Zρ2k-1ρ2k-2^ψudNSu=E“1+p1+12λ*^y'ZT2^y'ZTFSt#。此外，投资者的输出由U（FS，x）=E[U（^R）]=E“ln1+p1+12λ给出*^y？ZT2^y？ZT！#。3.5。效用差异值。现在让我们来评估额外信息的货币优势有多大。为此，让我们定义例如[3]中提到的效用差异值。定义3.27（效用差异值）。设F=（Ft）t∈[0，T]和G=（Gt）T∈[0，T]两个考虑过的过滤，使得F G、 附加信息G的效用差异值定义为方程（33）u（F，x）=u（G，x）的解c=c（x- c） 。效用差异值描述了投资者愿意为额外信息支付的最大价值，因此他不区分使用哪些信息从terminalwealth优化其效用。如果u（G，·）和u（F，·）是三次递增、连续和有限的，并且存在y>0，使得u（F，x）>u（G，y），则存在一个解。此外，由于∏（F，x） π（G，x），表示u（F，x）≤ u（G，x）表示所有x，因此c是非负的。

为了得到一些明确的结果，我们必须假设组合效用和损失函数有一个共同的类型，即它是幂函数或对数函数。因此，让我们考虑U（k）=-k+1和L（k）=-k、 然后满足定义2.4和2.6的所有特性。假设εmin≤ ε≤ 对应过滤的εmax。定理3.28。设F，G∈ {eGW，eGS，GW，GS，FS}这样F G和ZF，zg对应的密度。此外，假设2.1以及相应小节中的所有假设都成立。然后效用差值由（34）c（x）给出=1.-EqZGT | GEqZFT | F· x、 风险和不完全约束下的效用最大化和无差异价值证明。我们有▄Uλ（k）=-k+1-3λkandIλ（k）=q1+3λk。设H∈ {F，G}并让ZHbe在几个小节中定义相应的密度过程。然后，最优终端财富由^R=s1+3λ给出*^yZHT，它认为^y=E[qZHT（1+3λ*)]x个.此外，值过程u允许表示（35）u（H，x）=1-x个·EqZHT | H.我们只需替换（35）中的F和G，并计算相应的c。我们发现，效用差异价格仅取决于密度过程ZF和ZG。根据（34）的正条件，它认为E[qZFT | F]≥ E【qZGT | G】其中，两种条件预期的差异越大，G中包含的信息就越多。请注意，如果F或G最初是扩大过滤，那么公用事业差异价格是一个随机变量。结论在本文中，我们考虑了一个在风险约束下的期望效用最大化问题，该问题具有关于潜在布朗运动和随机变化点的不完全信息。这是通过不同的过滤建模的，其中随机时间是停止时间或确定性时间。

代理人的偏好由一般效用函数衡量，风险由基于效用的短缺风险衡量。对于五种不同的过滤，我们使用鞅方法给出了温和假设下的最优解。此外，我们还计算了一种特殊效用的效用差异值和损失函数，该函数用于衡量投资者获得额外信息的收益。与其他作者相比，我们只考虑了由一个布朗运动驱动的一只股票。未来研究可以将其扩展到多维模型，即使有多个变化点。此外，与考虑最优终端财富的最大化问题不同，可以在模型中添加消费过程，类似于[29]中的设置。需要进一步研究的一个有趣的问题是，在这种假设下，可以给出最优交易策略的显式公式。此外，预期效用和预期损失均采用w.r.t.相同过滤模型。当最大化代理和风险监管机构拥有由不同过滤建模的不同信息时，可以寻求最佳解决方案。这个问题还涉及过滤技术，是正在进行的研究的一部分。附录A.拉格朗日乘数的存在在本节中，我们证明了两个拉格朗日乘数y和λ的存在，从而满足预算约束和风险约束。证明对本文考虑的所有过滤都有效，我们将编写∈ {eGW、eGS、GW、GS、FS}以及相应的Ft∈ {eGWt，eGSt，GWt，GSt，FSt}，t∈ [0，T]，并考虑相应的基因ral密度过程Z∈ {eZW，eZS，ZW，ZS，\'Z}。我们将[1 9，引理6.1]的论点推广到非平凡σ-fieldsegwandegs。

因此，对于这些过滤，乘数不再是真实值，而是可测量的随机变量。假设U和L分别是定义2.4和定义2.6中定义的效用函数和损失函数。Le tus表示L的一阶导数与H的倒数：=（L′）-1、我们定义λ，y（x）：=U（x）- λL(-x）- yx，x∈ （0+∞).那么它成立了：引理A.1。（参见[19，引理A.1]）（i） gλ，yis在（0+∞).（ii）gλ，yis的最大值由x给出*（λ，y），这是方程U′（x）+λL′的唯一解(-x） =y.22 OLIVER JANKE（iii）函数x*: [0，∞) ×（0，∞) → （0，∞) 是连续的。（四）x*（λ，y）在λ固定时在y中减小，在λ固定时在λ中增大。（v） 我们有limy→∞x个*（λ，y）=0和limy→0x个*（λ，y）=+∞ 对于固定λ。（vi）对于α≥ 1它认为x*（αλ，αy）≤ x个*（λ，y）。（vii）损失函数L的导数的逆函数H在[0，L′（0）上连续且严格递增-)]. 如果e∈ （0，L′（0-)) u：=U′（H（e）），那么我们得到了所有λ≥ 0，thatx*（0，u）=x*（λ，u+λe）。（viii）让c:R+→ R+be随limx减小→∞c（x）=c>0。那么它认为limλ→∞x个*（λ，~c（λ）·λ）=-H（c）。此外，x*（λ，cλ）收敛到-H（c）从上面单调地。（ix）它认为supx>0{-λL(-x）- yx}=-λLHyλ+ yH公司λλ.现在，我们证明了预算和风险约束的拉格朗日乘数存在，并且这两个约束都被等式所满足。引理A.2。让假设（5）成立，让值（6）和（7）存在。此外，设E[ZT·Iλ（yZT））| F]<+∞, P-a.s。

然后存在F-可测随机变量^y∈ （0+∞) 和λ*≥ 0使得对于最优解^R=~Iλ*（^yZT），它认为EhZT·R | Fi=x，P a.s.，EhL(-^R）| Fi=ε，P-a.s。我们首先表明存在a^y∈ （0+∞) 使每个λ都能满足预算约束E[ZT·Iλ（^yZT））| F]=x，P-a.s≥ 0.对于固定λ≥ 0让我们定义函数Hω：（0+∞) → （0+∞] byHω（y）：=EhZT·￠Iλ（yZT））| Fi（ω）。然后我们得到以下结果。引理A.3。（参见[2，引理5.2]），如果它认为Hω对于P是有限的-几乎所有ω∈ Ohm, 然后存在一个可测的随机变量^y∈ （0+∞) 使得Hω（^y）=x，这表示P-a.eω∈ Ohm 唯一定义。接下来，我们证明了Second Lagrange乘子的存在性。这是通过几个步骤完成的。引理A.4。在与引理A.2相同的假设下，设^y（λ）为满足预算约束的值。然后，函数^y（λ）/λ为P-A.s.对于F-可测λ，减小∈ （0+∞) 特别是limitlimλ→∞^y（λ）λ∈ [0+∞)存在，P-a.s.证明。设0<λ<u，定义α：=u/λ>1。引理A.1（vi）中有thatx*（u，^y（u）ZT）=x*αλ，αλ^y（u）uZT≤ x个*λ、 λ^y（u）uZT.由此我们得到thatx=E[ZTx*（u，^y（u）ZT）| F]≤ EZTx公司*λ、 λ^y（u）uZT| F, P-a.s.现在，让我们假设^y（λ）/λ在λ中没有减少，即^y（u）/u>^y（λ）/λ，P-a.s.通过引理a.1（iv）让我们考虑y≥ λ^y（u）u>λ，使得x=E[ZTx*（λ，yZT）| F]，P-a.s.但通过Le mma a.3，溶液^y（λ）是唯一确定的，因此我们得到y=λy（u）u=λ，P-a.s。；矛盾。因此，^y（λ）/λ正在减小。定义R（λ）=Iλ（^y（λ）ZT）风险和不完全约束下的效用最大化和无差异值23非负F-可测随机变量λ。通过给定λ的^y（λ）的唯一性，可以很好地定义该表达式。引理A.5。

在与引理A.2相同的假设下，let（λn）n∈Nbe一个非负F可测随机变量序列，收敛到F可测λ≥ 0，P-a.s.则存在一个子序列（λnj）j∈确保^R（λnj）收敛到^R（λ），P-a.s.证明。考虑相应的正序^y（λn）n∈N、 然后，它认为它是P-a.s有界的，因为从另一个角度来看，会有一个子集N Ohm P（N）>0且子序列（nk）k∈n确保子序列（^y（λnk（ω）））k∈Nis随limk增加→∞^y（λnk（ω））=+∞ 对于所有ω∈ N、 Fo rλ*（ω） ：=最大∈NλN（ω）i根据引理A.1（iv）&（v）证明^R（λnk（ω））≤ x个*（λ*（ω） ，k的^y（λnk（ω））ZT）0→ ∞,这意味着，通过单调的c收敛theo-rem，x（ω）≤ 0表示所有ω∈ N矛盾。此外，序列^y（λn）n∈N将P-a.s.远离零，否则将有一个子集N′ OhmP（N′）>0且子序列e（nl）l∈n确保（^y（λnl（ω）））l∈Nis随liml降低→∞对于所有ω，^y（λnl（ω））=0∈ N′。Fo rλ*（ω） ：=明尼苏达州∈NλN（ω）由于引理A.1（iv）&（v），它认为^R（λnl（ω））≥ x个*（λ*（ω） ，^y（λnl（ω））ZT）+∞ 对于l→ ∞,这将通过单调c收敛theo-rem暗示x（ω）=+∞ 对于所有ω∈ N′；因此，对于P-a.e.ω∈ Ohm 序列（λn（ω））n∈n收敛，存在子序列（nj）j∈与非y（ω）∈ （0+∞) 这样limj→∞^y（λnj（ω））=y（ω）。有了这个，我们就有了limj→∞^R（λnj（ω））=x*（λ（ω），y（ω）ZT）。对于y*（ω） ：=最大值∈N^y（λnj（ω））和y*（ω） ：=minj∈N^y（λnj（ω））我们有界x*（λ*（ω） ，^y*（ω） ZT）≤^R（λnj（ω））≤ x个*（λ*（ω） ，^y*（ω） ZT），并通过x=limj的支配收敛定理→∞EhZT·R（λnj）| Fi=E【ZT·x】*（λ，yZT）| F]，P-a.s.，完成证明。然后我们用下面的引理A.6来总结证明。让引理A.2中的相同假设成立。对于P-a.e.ω∈ Ohm 函数kω：[0+∞) → R、 λ7→ 弹流润滑油(-^R（λ））| Fi（ω）是连续的。

此外，它认为limλ→0kω（λ）=εmax（ω），limλ→∞kω（λ）=εmin（ω），对于P-a.e.ω∈ Ohm, 式中，εmax和εmin分别在（7）和（6）中定义。证据我们首先证明函数k是P-a.s.c连续的：Let（λn）n∈Nbe正可测随机变量序列收敛到F可测λ，P-a.s.现在，选择一个子序列（nj）j∈确保limj→∞^R（λnj）=^R（λ），P-a.s.类似于我们对λ的引理a.5的证明*（ω） ：=minj∈Nλnj（ω）和y*（ω） ：=最大值∈N^y（λnj（ω）），引理A.1（iv）&（v）that0≤ L(-^R（λnj（ω）））≤ L(-x个*（λ*（ω） ，y*（ω） ZT））适用于所有j∈ N和P-a.e.ω∈ Ohm这样它就遵循了支配收敛定理thatlimj→∞kω（λnj）=limj→∞弹流润滑油(-^R（λnj））| Fi（ω）=弹流润滑(-^R（λ））| Fi（ω）=kω（λ）。现在，让（λn）n∈Nbe一个正F-可测随机变量序列，收敛到0，P-a.s.，然后它变为：limn→∞kω（λn）=kω（0）=弹流润滑(-^R（0））| Fi（ω），其中^R（0）=I（^y（0）ZT）=I（^y（0）ZT）。这正是没有风险约束的效用最大化问题的结果（参见[3，命题4.5]），也就是说，没有其他的或有条件条件使终端财富的预期效用最大化。因此，我们有→∞kω（λn）=弹流润滑(-^R（0））| Fi（ω）=εmax（ω），对于P-a.e.ω∈ Ohm.24 OLIVER Janke对于另一种说法，考虑F-可测随机变量c*:= limλ→∞^y（λ）/λ。显然，c*≥ 现在，假设c*（ω） ω=0∈ N Ohm 满足P（N）>0。Letω∈ N

然后我们发现ε（ω）>0对应的u（ω）>0使得对于任何λ（ω）≥ u（ω）我们通过引理A.1（iv）得到了^R（λ（ω））≥ x个*（λ（ω），λ（ω）ε（ω）ZT）。通过这个引理和引理A.1（viii），可以得出x（ω）=EhZT^R（λ）| Fi（ω）≥ E[ZTx*（λ，λεTT）| F]（ω）λ→∞-E[ZTH（εZT）| F]（ω），其中右侧等于+∞ 对于ε（ω）→ 损失函数L的性质为0；矛盾。因此，c*> 0，P-a.s.此外，如果λ>n表示n∈ N、 P-a.s.，根据引理a.1（vi）和（viii），它认为-H^y（n）n·ZT≤ x个*λ、 λ··^y（n）n·ZT, P-a.s.Next，引理a.1（iv）&（vi）和^y（n）n·λ≥ ^y（λ）≥ c*λ、 P-a.s.，它认为X*λ、 λ··^y（n）n·ZT≤^R（λ）≤ x个*（λ，c*λ·ZT）≤ x个*（1，c*· ZT），P-a.s。通过应用控制c收敛theo-rem和引理a.1（viii），我们得到了thatx=EhZT^R（λ）| Fiλ→∞-→ E类[-H（c*ZT）| F]，P-a.s.我们注意到，因此λ→∞^R（λ）=-H（c*ZT）、P-a.s.和c*是P-a.E.ω的方程x=E[ZTH（cZT）]的解∈ Ohm. 此外，通过引理A.1（viii），我们得到了thatlimλ→∞kω（λ）=limλ→∞弹流润滑油(-^R（λ））| Fi（ω）=E[L（H（c*· ZT））| F]（ω）对于P-a.e.ω∈ Ohm 这等于εminsince- H（c*· ZT）解决方案(-十） | F]-→ ess输入与预期效用最大化相同的参数。参考文献【1】Acerbi，C.&Tasche，D。（2002年），《预期短缺：风险价值的自然一致替代品》，载于：Banca Monte dei Paschi di Siena SpA的经济说明，31（2），第379-388页。[2] Amendinger，J.（2000），《最初扩大过滤的鞅表示定理》，载于：随机过程及其应用，89，第101-116页。[3] Amendinger，J.、Becherer，D.&Schweizer，M.（2003），《投资组合优化中初始信息的货币价值》，载于《金融与随机》，7（1），第29-46页。[4] Artzner，P.、Delbaen F.、Eber，J.-M.&Heath，D.（1999年），《连贯的风险度量》，载于《数学金融》，第9期，第203-228页。[5] Bertsimas，D.，Laprete，G.J。

&Samarov，A.（2004），《作为风险度量的短缺：属性、优化和应用》，载于《经济动力学与控制杂志》，第28期，第1353-1381页。[6] Bielecki，T.R.&Rutkowski，M.，（2002年），《信用风险：建模、估价和对冲》，斯普林格出版社。[7] Callegaro，G.、Jeanblanc，M.和Zargari，B.（2013），《迦太基扩大过滤》，载于：ESAIM：概率与统计，17，第550-566页。[8] Capponi A.、Figueroa Lopez，J.E.和Pascucci，A.（2015），《部分观察市场中的动态信贷投资》，载于《金融与随机》，19（4），第891-939页。[9] Covello，D.&Santacroce，M.（2010），《部分信息下的电力效用最大化：一些收敛结果》，载于：《随机过程及其应用》，第120页，2016-2036页。[10] Delbaen，F.和Schachermayer，W.（1994），《资产定价基本定理的一般版本》，载于：Mathematische Annalen 300，第463-520页。[11] El Karoui，N.，Jeanblanc，M.&Jiao，Y.（2010），《违约后的情况：条件密度法》，i N：随机过程及其应用，120，第1011-1032页。[12] F¨ollmer，H.&Schied，A.（2002），《风险与交易的凸度量》，载于《金融与随机》，第6期，第429-447页。[13] F¨ollmer，H.&Schweizer，M.（1991），《不完全信息下的未定权益对冲》，摘自：M.H.A.Davis andR。J、 Elliot（编辑），《应用随机分析》，Gordon和Break Science出版社，随机学专著，第5期，第389-414页。[14] F¨ollmer，H.和Sondermann，D.（1986），《非冗余或有权益对冲》，载于：Hildenbrand，W.和Mas Colell，A.（编辑），《数理经济学贡献》，北荷兰Elsevier，第205-223页。[15] Fontana C.、Grbac，Z.、Jeanblanc，M.和Li，Q.（2014），《具有变化点的资产价格模型的信息、无套利和完整性》，载于：随机过程及其应用，124（9），pp。

3009-3030。风险和不完全约束下的效用最大化和无差异价值25【16】Frey R.，Gabih，A.&Wunderlich，R.（2012），《专家期权部分信息下的投资组合优化》，载于《国际理论与应用金融杂志》，15（1），第1-18页。[17] Gabih，A.（2005），《有界短缺风险的投资组合优化》，论文，马丁·路德大学，哈列维滕贝格分校。[18] Goldberg，L.R.、Hayes，M.Y.&Mahmoud，O.（2013），《最小化短缺》，载于《量化金融》，第13（10）页，第15331545页。[19] Gundel，A.&Weber，S.（2008），《短缺风险约束下的效用最大化》，载《数学经济学杂志》，44（11），第1126-1151页。[20] Hahn M.，Putsch¨ogl，W.&Sass，J.（2007），《具有非恒定容量和部分信息的投资组合优化》，巴西概率统计杂志，21，第27-61页。【21】Jacod，J.（1985），《Grossissent initial，假说（H’）和theoreme de Girsanov》，摘自：Jeulin，T.&Yor，M.（编辑），《Grossissements过滤：示例和应用》，数学讲稿。1118年，斯普林格出版社，第15-35页。[22]Janke，O.&Li，Q.（2016），《短缺风险约束下的效用最大化》，载于：优化，65（9），第1733-1755页。【23】Jeanblanc，M.&Leniec，M.（2015），《信息在违约敏感或有债权定价中的作用》，载于《国际理论与应用金融杂志》，18（1），第1550007页。【24】Jeanblanc，M.&Song，S.（2015），《逐步扩大过滤中的鞅表示性质》，载于：随机过程及其应用，2015，125（11），第4242-4271页。[25]Jeulin，T.（1980），《半鞅与Grossissement d\'une过滤》，数学讲稿。833，斯普林格。[26]Karatzas，I.&Shreve，S.E.（1991），《布朗运动与随机微积分》，第二版，施普林格纽约-海德堡-柏林。[27]卡尔达拉斯，C。

（2012年），《缺乏第一类套利的市场生存能力》，载于《金融与随机》，第16期，第651-667页。[28]Kramkov，D.&Schachermayer，W.（1999），《效用函数的渐近弹性和不完全市场中的最优投资》，载于《应用概率年鉴》，9（3），第904-950页。[29]Lakner，P.（1995），《部分信息效用最大化》，i n：随机过程及其应用，56，pp.247-273。[30]Lakner，P.（1998），《投资者的最佳交易策略：部分信息的情况》，载于《随机过程及其应用》，76（1），第77-97页。[31]Leibowitz，M.L.和Henriksson，R.D.（1989），《短缺约束下的投资组合优化：管理下行风险的信心极限方法》，载于《金融分析师杂志》，45（2），第34-41页。【32】Mania，M.&Santacroce，M.（2010），《部分信息下的指数效用最大化》，载于《金融与随机》，第14期，第419-448页。[33]Merton，R.C.（1969），《不确定性下的终身投资组合选择：连续时间案例》，摘自《经济学与统计评论》，第51期，第247-257页。【34】Nagai，H.&Runggaldier，J.（2008），《隐藏马尔可夫因子市场模型效用最大化的PDE方法》，载于：随机分析、随机场和应用研讨会V，《概率进展》，59，第493-506页。[35]Nikeghbali，A.（2006），一篇关于随机过程一般理论的论文，载于：概率调查s，3，第345-412页。【36】Rockafellar，R.T.&Uryasev，S.（2000），《条件价值的优化》（Optimization of conditional value-at-R-isk），载于《风险杂志》，2（3），第21-41页。【37】Rudlo Off，B.、Sass，J.和Wunderlich，R.（2008），《效用最大化的熵风险约束》，摘自：Tammer，C.andHeyde，F.（编辑），《庆祝Wilfried Grecksch教授60岁生日的Festschrift》，亚琛Shaker Verlag，第149-180页。[38]约尔，M。

（1997），《布朗运动的一些方面》，第二部分：最近的一些鞅问题，数学讲座，巴塞尔，伯豪瑟，ethz¨urich。洪堡大学（Humboldt Universit）——德国柏林大学数学系，Unter den Linden 6，10099 Berlin。电子邮件地址：janke@math.hu-柏林。de公司