最后，eY-埃克桑迪-如果他们必须独立，否则他们就不会跟着ν走。我们现在演示MOT并考虑独立样本（X，X），（XI，XI）和（Y，Y），（YI，YI）分别按u和ν分布。我们设置euI=IPIi=1δ（Xi-XI，XI-XI）和eνI=IPIi=1δ（Yi-\'易，易-‘YI），其中‘X’I=IPIi=1X’I和‘Y’I=IPIi=1Y’I。我们使用euI和eνIrather，而不是使用经验度量uI和νisinces。我们在实验中注意到，它们更好地近似u和ν（见图1），并为近似MOT问题提供了更好的结果（见[2]）。在此我们要提到的是，在金融应用中，通常可以从经验度量uIandνj计算euIand和eνif，因为u和ν的平均值由标的资产的当前价格给出。为了计算（euI）P（eνI），我们必须解决等式（1.1）中描述的线性约束的二次优化问题，其中%=2。因此，问题的维数等于I。我们在数值实验中使用了COIN-OR解算器，这使我们能够为I求解（1.1）到500。一次（euI）P（eνI）=IPIi=1δ（eXi，eXi）？然后，我们可以解决（euI）P（eνI）和eνI之间的离散MOT问题。在图3中，对于%=2.5，我们绘制了yi- 彝语的xiin功能- xi对于MOT中正概率的点（xi，yi）（（euI）P（eνI），νI）。我们记得，连续MOT的最佳耦合由（X，Y）和X给出~ u和Y=X+Z，Z是一对独立的Rademacher随机变量。自Y起-Y=X-X+Z-赞德Z- Z在中生成值{-2，0，2}，我们希望观察到点是围绕线y=x聚集的-2，y=x和y=x+2，如图3所示。此检查是算法的实现。

此外，我们在100次独立运行中计算了I=100时（（euI）P（eνI），νI）的离散MOT值：平均值等于2.0064，标准偏差等于0.2213，这使得[1.9631，2.0498]为95%置信区间，这与连续MOT值非常接近。在最佳选项上建立自由边界模型。设（G，G）是协方差矩阵为∑的中心高斯向量。我们用u表示（X，X）定律，其中X`=exp（G`- “`”的∑`/2）∈ {1，2}，通过ν（Y，Y）定律，Y`=exp(√2G`- Σ``). 在金融背景下，这种边际法则的选择是常见的，并对应于二维BlackScholes模型：（X，X）是时间t>0时两种资产的价格，（Y，Y）是凸阶概率测度的抽样价格212.0 1.5 1.0 0 0.5 0.0 0 0.5 1.0 1.5 2.0432101234图3。彝族情节-xi的一因功能-xi对于MOT中正概率为（（euI）P（eνI），νI）的点（xi，yi），I=100。以红色绘制线y=x- 2，y=x和y=x+2。时间2t时的这些资产。我们感兴趣的是一个支付最高（Y-十、 Y型-十、 0），即两项资产的最佳算术性能，如果为正。在Black-Scholes模型中，该期权的价格可以使用蒙特卡罗算法轻松计算。设（X，X），（XI，XI）和（Y，Y），（YI，YI）表示分别按u和ν分布的独立样本。我们设置euI=IPIi=1δ（eXi，eXi）和eνI=IPIi=1δ（eYi，eYi），其中（eXi，eXi）=（Xi+1-XI，XI+1-XI，（eYi，eYi）=（Yi+1-\'YI，YI+1-\'YI），\'X\'I=IPIi=1X\'I和\'Y\'I=IPIi=1Y\'I。

我们再次使用二次优化解算器COIN-OR计算（euI）P（eνI），然后解决（euI）P（eνI）和eνI.22 AUR\'ELIEN ALFONSI之间的离散问题，JACOPO CORBETTA和BENJAMIN JOURDAIN0 1 2 3 4 50.00.51.01.52.02.5资产1101234567资产20.00.51.01.52.02.53.03.54.00.20.00.20.40.60.81.01.2资产1101234567资产20.00.51.01.52.53.03.54.00.20.20.40.60 1 2 3 5 60.51.52.53.03.54.0资产1101234567资产20.51.01.52.02.53.03.54.00.20.00.20.40.60.81.01.2图4。对于最小化问题（顶部）和最大化问题（底部），维度2中的离散MOT（I=100）。凸阶概率测度的抽样23我们现在转到图4所示的示例。我们考虑了以下协方差矩阵∑=0.5 0.10.1 0.1. 有了这种选择，期权的布莱克-斯科尔斯价格大约等于0.345。当I=100时，我们计算了100次独立运行的最小化和最大化程序的值，然后计算平均值。因此，我们得出下限价格为0.2293，上限价格为0.4111。相应的标准偏差分别为0.0848和0.1422，这使得95%的置信区间为半长0.017和0.028。在图4中，我们将最小化和最大化问题的离散MOT绘制在同一样本上。准确地说，我们已经绘制了点（eXi，eXi）？，我∈ 超平面z=0中的{1，…，I}，以及超平面z=1中的点（eYi，eYi）。点之间的边（eXi，eXi）？和（eYj，eYj）表明，最佳耦合为相应的跃迁提供了正权重。这两个最佳耦合之间的差异是显而易见的。我们可以试探性地解释以下图表。

成本函数c（x，y）=max（y-x、 y型-x、 0）对于两项资产中的一项资产的大幅增加将是积极的。因此，为了将成本降到最低，必须将资产1和资产2的大量增加集中起来。相反，为了使成本最大化，最好将一种资产的增加与另一种资产的减少结合起来。表2中报告了计算Wasserstein投影和线性编程问题所需的CPU时间。表的维度d=1行对应于成本函数max（y）x和y定律之间的MOT问题-x、 0）。影响计算时间的主要因素是必须找到最优矩阵（rij）的维数Iin。概率测度基础空间的维数d对二次问题（1.1）的计算时间影响较小，因为等式约束2I的数量不会随d而变化。相反，它对线性规划问题（1.3）有一定影响，因为等式约束（2+d）I的数量随d而增加。尽管如此，由于线性问题的求解比二次问题的求解耗时少得多，因此维数d对总体计算时间的影响相当小。I 100 150 200 300 500二次问题（1.1），d=1 1.5s 4.8s 18s 88s 673s二次问题（1.1），d=2 1.3s 10s 22s 105s 807s线性问题（1.3），d=1 0.3s 0.78s 2s 6.6s 41s线性问题（1.3），d=2 0.43s 2s 4.5s 19.5s 120稳定2。在2.6GHz的CPU Intel Core i7上计算时间，同时计算维度d=1和d=2.5.3的二次和线性问题。进一步说明。鉴于命题3.1和3.2，最好证明ifπ的稳定性∈对于弱收敛拓扑或Wassersteinstantion，关于P（Rd）中的u和ν的∏M（u，ν）ZRd×Rdc（x，y）π（dx，dy）。

在图3的数值示例中，连续MOT是明确的，离散最优成本向连续最优成本的收敛性似乎成立。我们计划在未来的工作中调查这一财产。请注意，对于满足所谓Spence-Mirrlees条件的成本函数（见[17]），Juillet[18]获得的左帘联轴器的稳定性是朝着这个方向迈出的重要一步。为了克服线性规划解算器计算问题（1.3）解的样本量限制，可以考虑对该问题引入熵正则化，类似于Benamou等人[9]提出的离散最优传输。对于uI=PIi=1piδxi≤cxνJ=PJj=1qjδyjandε>0，正则化问题是xi=1JXj=1rεij的最小化c（xi，yj）+ε（ln rεij- 1)在约束rεij下≥ 0，对于j，PIi=1rεij=qjj∈ {1，…，J}，PJj=1rεij=piandPJj=1rεijyj=pixifor i∈ {1，…，I}。由于约束是有效的，这个问题可以通过【9】中提出的迭代Bregman投影来解决。特别是，通过迭代第一个边缘定律约束、第二个边缘定律约束和鞅约束上的连续熵投影得到的解。这两个项目是明确的（例如，见命题1[9]）。可以使用Darroch和Ratcliff提出的广义迭代缩放算法计算马丁格尔约束上的熵投影【10】。Guo和Obl\'oj最近研究了这种结合鞅约束放松的方法[16]。附录A.技术引理A.1。Letu，ν∈ P（Rd）。那么，我们有u≤cxν当且仅当，φ：Rd→ R凸且这样supx∈Rd |φ（x）| 1+| x |<∞,ZRdφ（x）u（dx）≤ZRdφ（x）ν（dx）。证据Letφ：Rd→ R是一个凸函数。

我们定义φ*（y） =supx∈Rdx·y- φ（x）φ和haveφ（x）=φ的legendre-Fenchel变换**（x） =supy∈Rdx·y- φ*（y） 。函数φ*: 研发部→ [-φ(0), +∞] 是凸下半连续函数。因此，对于任何n≥ 1，存在带欧氏范数的yn | yn |≤ n和inf | y|≤nφ*（y） =φ*（yn）。存在n个∈ N*这样φ*（yn）<∞ 对于n≥ n、 否则我们会有φ*= +∞然后φ=-∞. 我们设置φn（x）=sup | y|≤nx·y- φ*（y） 对于n≥ nx·yn- φ*（yn）≤ φn（x）≤ n | x |+φ（0）。因此，φnis具有一定的增长，因此φn（x）u（dx）≤RRdφn（x）ν（dx）。根据单调收敛定理，积分Rrd（φn-φn）（x）u（dx）（分别为RRd（φn-φn）（x）ν（dx））收敛toRRd（φ- φn）（x）u（dx）（分别为RRd（φ- φn）（x）ν（dx））作为n→ ∞. 我们得出RRDφ（x）u（dx）≤RRdφ（x）ν（dx）。引理A.2。设f，g：[0，1]→ R是两个凸函数，h表示凸hullof- g、 然后是f- h是凸的。证据让0≤ p<q≤ 1和α∈ [0, 1]. 如果h（αp+（1-α） q）=（f-g） （αp+（1-α） q），然后，使用g的凸性，那么h从上面以f为界的事实- g对于凸25阶不等式中概率测度的二抽样，我们得到（f- h） （αp+（1- α） q）=g（αp+（1- α） q）≤ αg（p）+（1- α） g（q）=α（f（p）- （f）- g） （p））+（1- α） （f（q）- （f）- g） （q））≤ α（f- h） （p）+（1）- α） （f）- h） （q）。（A.1）否则，h是某个区间[r，s]上的一个函数，0≤ r<αp+（1- α） q<s≤ 1，h（r）=（f-g） （r）和h（s）=（f-g） （s）。如果r∈ （p，αp+（1-α） q），然后用q替换α-rq公司-引脚（A.1），我们得到（f-h） （r）≤q-rq公司-p（f-h） （p）+r-pq-p（f-h） （q）以便（f-h） （r）∨p）≤q-r∨pq-p（f-h） （p）+r∨p-pq-p（f-h） （q）。

以对称方式，（f-h） （s）∧q）≤q-s∧qq-p（f-h） （p）+s∧q-pq-p（f-h） （q）。因此，s∧ q- （αp+（1- α） q）s∧ q- r∨ p（f- h） （r）∨ p） +（αp+（1- α） q）- r∨ 聚苯乙烯∧ q- r∨ p（f- h） （s）∧ q）≤ α（f- h） （p）+（1）- α） （f）- h） （q）。通过区间[r]上f的凸性和h的a ffne性质∨ p、 s∧ q] 含αp+（1- α） q，左侧不小于（f- h） （αp+（1- α） q）。引理A.3。设f：（0，1）→ R是一个非递减函数，η表示U均匀分布在（0，1）上时f（U）的概率分布。然后是f和分位数函数f-如果f是左连续的，则1η与它们的公共不连续的最可数集重合，甚至在（0，1）上的任何地方都重合。证据随机变量f（U）和f-1η（U）均按η分布。此后p∈ （0，1），P（f（U）≤ F-1η（p））=p（F-1η（U）≤ F-1η（p））≥ p使F-1η（p）≥ 谱仪半定量分析∈（0，p）f（q）。按对称性，f（p）≥ 谱仪半定量分析∈（0，p）F-1η（q），上确界等于F-F的左连续性和单调性为1η（p）-1η. 因此f（p）≥ F-1η（p）≥ 谱仪半定量分析∈（0，p）f（q），当f保持连续时，supremum等于f（p）。引理A.4。对于x∈ R、 {η的任何非空子集px∈ P（R）：RRyη（dy）=x}对于凸阶有一个上限π。此外，对于所有q∈ [0，1]，RqF-1π（p）dp=infη∈PxRqF-1η（p）dp。证据Kertz和R¨osler【20】第162页给出了内模的存在性。这些作者用累积分布函数来刻画凸序。通过（2.2）中提到的分位数函数更方便的表征，足以检查所有q∈ [0，1]，eψ（q）：=infη∈PxRqF-1η（p）dp=RqF-某些概率测度π的1π（p）dp∈ P（R）使得rryπ（dy）=x。对于η∈ Px，RF-1η（p）dp=x，对于所有q∈ [0，1]，RqF-1η（p）dp≥ (1 - q） x.因此对于所有q∈ [0，1]，eψ（q）≥ (1 -q） x，eψ（0）=x，eψ（1）=0。

函数eψ在[0，1]上是凹的，作为凹函数的上限，它在（0，1）上是连续的。自η起∈ Px，eψ（q）≤RqF-1η（p）dp，eψ在0和1连续，因此在[0，1]上。用f表示其左手导数，一个hasR | f（p）| dp<∞ 对于所有q∈ [0，1]，eψ（q）=Rqf（p）dp，f不递减。最后，我们用f将π定义为（0，1）上勒贝格测度的图像。引理A.5。设%>1和η，η，η∈ P%（Rd）。然后新%%η,η+ η≤W%%（η，η）+W%%（η，η）, （A.2）26 AUR’ELIEN ALFONSI、JACOPO CORBETTA和BENJAMIN Jourdain此外，当η相对于Lebesgue测度绝对连续或d=1且η没有原子时，当且仅当η=η时，等式成立。最后，当d=1时，语句主要有效，η+η替换为分布“ηofF”-1η+F-1η（U），U在[0，1]上均匀分布。证据设η=η+η。对于i∈ {1，2，3}，存在一个最优概率测度πi∈满足W%%（η，ηi）=RRd×Rd | y的∏（η，ηi）-x |%πi（dx，dy）。自π+π∈ π（η，η），我们有w%%η,η+ η≤ZRd×Rd | y- x |%π+π（dx，dy）=W%%（η，η）+W%%（η，η）. （A.3）我们现在假设η相对于Lebesgue测度是绝对连续的。我们通过[4]中的定理6.2.4知道概率测度πi∈ π（η，ηi）满足w%%（η，ηi）=RRd×Rd | y-x |%πi（dx，dy）是唯一的，并且为某些Borel映射Ti:Rd写入πi（dx，dy）=η（dx）δTi（x）（dy）→ Rd.如果（A.2）是一个等式，那么（A.3）中的不等式也是一个等式，并且通过唯一性，π+π=π。因此η（dx）δT（x）（dy）=η（dx）δT（x）（dy）+δT（x）（dy）,它给出了T（x）=T（x）=T（x），η（dx）-a.e.，并表示η=η。当d=1时，如果η没有原子，根据[25]中的定理2.9，πiis仍然唯一，由η（dx）δF给出-1ηi（Fη（x））（dy），因此相同的结论成立。

当d=1时仍然如此，sinceF-1’η=F-1η+F-1η，命题2.17[25]和x 7的严格凸性→ |x |%，W%（(R)η，η）=Z（F）-1η（p）+F-1η（p））- F-1η（p）%数据处理≤Z | F-1η（p）- F-1η（p）|%dp+Z | F-1η（p）- F-1η（p）|%dp=W%%（η，η）+W%%（η，η）具有同等效力的dp a.e.F-1η（p）=F-1η（p），即η=η。引理A.6。设%>1和u，ν∈ P%（R）。函数（0，1）3 p 7→ F-1ν%(R)P（u）（P）- F-1ν（p）是非递减的。证据检查η就足够了∈ P%（R）∩？P（u），使P 7→ F-1η（p）-F-1ν（p）不是非递减的，那么W%%（ν，ν？p（η））<W%%（ν，η）（实际上是F-1ν′P（η）（P）-F-1ν（p）为非递减且ν'p（η）∈(R)P（η）(R)P（u））。根据命题2.17【25】和ν′P（η）的定义，W%（ν，ν′P（η））=Z | F-1ν′P（η）（P）- F-1ν（p）|%dp=Z | f（p）|%dp，其中f（p）表示[0，1]3 q 7的凹壳ψ（q）的左手导数→φ（q）：=RqF-1η（p）- F-1ν（p）dp。自从q∈ [0，1]，RqF-1η（p）- F-1ν（p）dp≤RqF-1η（p）dp-qRF-1ν（p）dp，其中右侧是q的凹函数，eψ（1）=φ（1）=0，eψ（0）=φ（0）=RF-1η（p）-F-1ν（p）dp。现在ψ和φ在[0，1]和F上重合-1η-F-1ν为非递减或开集{q∈ [0，1]：eψ（q）>φ（q）}为非空，并作为大气可数单位SI写入∈具有0的不相交区间的I（pi，qi）≤ pi<qi≤ 1，eψ（pi）=φ（pi），eψ（qi）=φ（qi）和[pi，qi]上的ψa ffene。对于非空集i中的每个i，对于所有p∈ （pi，qi），f（p）=eψ（qi）-eψ（pi）qi-pi=φ（qi）-φ（pi）qi-pi=RqipiF-1ν（q）-F-1η（q）dqqi-根据Jensen的不平等，我∈ 一、 Zqipi | f（p）|%dp<Zqipi | f-1ν（p）- F-1η（p）|%dp。（A.4）p的凸阶概率测度抽样27∈ （0，1]\\Si∈I（pi，qi），Iψ等于φ在por的左侧邻域上存在间隔（（pin，qin））n的累积∈用（in）n表示p的左侧∈I，qin不同元素的序列<所有n的p∈ N和limn→∞秦=p。

对于第一种情况下p的左侧邻域中的q和{qin:n∈ N} 在第二个方程中，eψ（p）-eψ（q）=φ（p）-φ（q）=RpqF-1ν（r）-F-1η（r）dr.由q 7的左连续性→ F-1ν（q）-F-1η（q）和f的定义，我们得出结论：f（p）=f-1ν（p）- F-1η（p）。因此{p/∈硅∈I（pi，qi）}| f（p）|%dp=R{p/∈硅∈I（pi，qi）}| F-1ν（p）- F-1η（p）|%dp，结合（A.4）和命题2.17【25】导致toR | f（p）|%dp<R | f-1ν（p）-F-当ψ和φ在[0，1]上不重合时，1η（p）|%dp=W%%（ν，η）。备注A.7。引理2.6可以用类似的论点来证明。但显示eη∈ P（ν），W%（u，eη）≤ W%%（u，η）和F-1eη- F-η为1u时不增加∈ P（ν）是指f-1η- F-1u不是非递增的，我们选择了一个更基本的变换，直接利用单调性的缺乏来代替uP（η）。引理A.8。Letu，ν∈ P（R）是两个不同的概率度量，使得u≤cxν和（tn，tn），1≤ n≤ N∈ N*∪ {∞} 是（u，ν）的不可约组分。那么，我们有q∈ [0,1]，ZqF-1u（p）dp>ZqF-1ν（p）dp=N[N=1（Fu（tn），Fu（tn-)).证据对于η∈ P（R），设Дη（t）=Rt-∞t的Fη（x）dx∈ R、 ψη（q）=RqF-q为1η（p）dp∈ [0，1]和ψη（q）=+∞ 对于q 6∈ [0, 1]. 其中一个具有Дu（t）=RR（t-x） +u（dx）≤RR（t-y） +ν（dy）=对于所有t∈ R和（tn，tn），1≤ n≤ N∈ N*∪{∞} 是不相交区间的可数族，使得{t∈ R：νu（t）<ν（t）}=∪Nn=1（tn，tn）。（A.5）由于Дη和ψη是两个倒数非递减函数的反导数，因此众所周知，它们是彼此的Legendre-Fenchel变换，即Дη（t）=supq∈R{qt-ψη（q）}。事实上，对于t∈ R、 如果Fη（t-) > 0然后是F-1η（q）<t表示q∈ （0，Fη（t-)), 如果Fη（t）<1，则F-1η（q）>t表示q∈ （Fη（t），1）和如果Fη（t-) < Fη（t）然后F-1η（q）=t表示q∈（Fη（t-), Fη（t）]。我们推断supq∈R{qt- ψη（q）}=Fη（t）t- ψη（Fη（t））=RFη（t）（t-F-1η（p））dp=R（t- F-1η（p））+dp=Дη（t）和t型∈ R、 {q∈ R、 qt- ψη（q）=Дη（t）}=[Fη（t-), Fη（t）]。

（A.6）因此，我们有{t∈ R、 νu（t）<ν（t）} {t∈ Rq∈ [Fν（t-), Fν（t）]，qt- ψu（q）<qt- ψν（q）}={t∈ Rq∈ [Fν（t-), Fν（t）]，ψu（q）>ψν（q）}。因此[1≤n≤N（Fν（tn），Fν（tn-)) [1≤n≤N【t】∈（tn，tn）[Fν（t-), Fν（t）] {q∈ [0，1]，ψu（q）>ψν（q）}。（A.7）现在，我们观察到（0，1） ∪t型∈R[Fu（t-), Fu（t）]，对于t∈ R使得Fu（t-) < Fu（t），ψu（q）表示q∈ [Fu（t-), Fu（t）]。利用ψν的凸性，我们得到{q∈ [0，1]，ψu（q）>ψν（q）}[t∈R： ψu（Fu（t））>ψν（Fu（t））或ψu（Fu（t-))>ψν（Fu（t-))[Fu（t-), Fu（t）]。28 AUR\'ELIEN ALFONSI、JACOPO CORBETTA和BENJAMIN Jourdain如果ψu（Fu（t））>ψν（Fu（t）），我们得到了νu（t）=Fu（t）t-ψu（Fu（t））<Fu（t）t-ψν（Fu（t））≤ νν（t），通过使用该νν是ψν的勒让德变换。类似地，ψu（Fu（t-)) > ψν（Fu（t-)) ==>νu（t）<ν（t），我们得到{q∈ [0，1]，ψu（q）>ψν（q）}[t∈R： νu（t）<ν（t）[Fu（t-), Fu（t）][1≤n≤N【Fu（tn），Fu（tn-)].如果tn>-∞, ψu（Fu（tn））=tnFu（tn）-^1u（tn）。由于νu（tn）=νν（tn），且ν的勒让德变换ψν不大于ψu，我们推断ψu（Fu（tn））=ψν（Fu（tn））。同样，如果tn<+∞, 然后ψu（Fu（tn-)) = ψν（Fu（tn-)) 所以{q∈ [0，1]，ψu（q）>ψν（q）}[1≤n≤N（Fu（tn），Fu（tn-)). （A.8）现在，（A.5）表示Fu（tn）≤ Fν（tn）。如果Fu（tn）<Fν（tn），则必须有tn>-∞,对于q∈ （Fu（tn），Fν（tn）），我们有F-1ν（q）≤ TN和F-1u（q）>tn，因为Fu是右连续的。因此，我们有RPFu（tn）F-1u（q）dq>RpFu（tn）F-1ν（q）dq，因此ψu（p）>ψν（p）表示p∈ （Fu（tn），Fν（tn）]。同样，我们证明了对于q，ψu（q）>ψν（q）∈ [Fν（tn-), Fu（tn-)),其中（A.7）和（A.8）给出了索赔。参考文献[1]Aur\'elien Alfonsi、Jacopo Corbetta和Benjamin Jourdain。凸阶概率测度的抽样与鞅最优运输问题的逼近。ArXiv eprint 1709.052872017。[2] 奥尔·埃林·阿方西、雅各布·科尔贝塔和本杰明·乔尔丹。

凸阶一维概率测度的抽样和鲁棒期权价格界的计算凸阶概率测度和鲁棒期权价格界的计算。将于2019年22日在《国际理论与应用金融杂志》上发表。[3] Jean-Jacques Alibert、Guy Bouchte和Thierry Champion。优化运输规划的一类新成本。预印本hal-017416882018年3月。[4] Luigi Ambrosio、Nicola Gigli和Giuseppe Savar\'e.度量空间和概率测度空间中的梯度流。数学讲座ETH Z¨urich。Birkhauser Verlag，巴塞尔，2005年。[5] Julio Backho ff Veraguas、Mathias Beiglb¨ock和Gudmun Pammer。弱运输成本的存在性和周期单调性。ArXiv电子打印1809.058932018年9月。[6] 大卫·贝克。具有特定边值的鞅。论文，皮埃尔和玛丽·居里大学-巴黎六世，2012年12月。[7] 马蒂亚斯·贝格洛克、皮埃尔·亨利·劳德埃和弗里德里希·彭克纳。期权价格的模型独立界限——一种大众运输方法。财务Stoch。，17(3):477–501, 2013.[8] Mathias Beiglb¨ock和Nicolas Juillet。关于边际鞅约束下的最优运输问题。安。概率。，44(1):42–106, 2016.[9] Jean-David Benamou、Guillaume Carlier、Marco Cuturi、Luca Nenna和Gabriel Peyr\'e.针对正规化运输问题的迭代Bregman预测。暹罗科学杂志。计算。，37（2）：A1111–A1138，2015年。[10] J.N.Darroch和D.Ratcliff。对数线性模型的广义迭代缩放。安。数学统计员。，43:1470–1480, 1972.[11] 克劳德·德拉切里和保罗·安德烈·梅耶。《概率与潜力》，北荷兰数学研究第29卷。纽约阿姆斯特丹北荷兰出版公司；北荷兰出版公司。，阿姆斯特丹，纽约，1978年。[12] Nicolas Fournier和Arnaud Guillin。

关于经验测度的Wasserstein距离的收敛速度。概率。《理论相关领域》，162（3-4）：707–7382015。[13] Nathael Gozlan和Nicolas Juillet。关于Brenier定理和Strassen定理的混合。ArXiv e-print1808.026812018年8月。[14] Nathael Gozlan、Cyril Roberto、Paul Marie Samson、Yan Shu和Prasad Tetali。线上一类弱输运熵不等式的特征。安。Henri Poincar\'e Probab研究所。《统计》，54（3）：1667–169320018年。凸阶概率测度抽样29【15】Nathael Gozlan、Cyril Roberto、Paul Marie Samson和Prasad Tetali。一般运输成本和应用的Kantorovich对偶。Arxiv，1412.7480v42015。[16] 郭高跃和Jan Obl\'oj。鞅最优运输问题的计算方法。arXiv电子打印，第arXiv页：1710.07911，2017年10月。[17] 皮埃尔·亨利和尼扎尔·图齐。一维Brenier定理的显式鞅版本。财务Stoch。，20(3):635–668, 2016.[18] 尼古拉斯·朱伊莱。阴影投影和左侧窗帘耦合的稳定性。安。HenriPoincar\'e Probab研究所。《统计》，52（4）：1823–184320016年。[19] Robert P.Kertz和Uwe R¨osler。随机序和凸序以及概率测度的格，带有鞅解释。以色列J.数学。，77(1-2):129–164, 1992.[20] Robert P.Kertz和Uwe R¨osler。概率测度的完备格及其在鞅理论中的应用。在博弈论，最优停止，概率和统计，第35卷的IMS讲师Monogr。序列号：。，第153-177页。仪器数学。统计员。，贝奇伍德，俄亥俄州，2000年。[21]阿尔弗雷德·穆勒和马可·斯卡西尼。随机序关系和概率测度格。西亚姆杰。优化。，16(4):1024–1043, 2006.【22】吉勒·帕格斯和雅克·普林特姆斯。

数值的最佳二次量化：高斯情况。蒙特卡罗方法应用。，9(2):135–165, 2003.【23】吉勒·帕格斯和贝内迪克特·威尔伯茨。矢量量化的内在平稳性：双重量化的基础。暹罗J.数字。分析。，50(2):747–780, 2012.大卫·波拉德。《测量理论概率的用户指南》，剑桥统计与概率数学系列第8卷。剑桥大学出版社，剑桥，2002年。【25】菲利波·桑坦布罗吉奥。应用数学家的最佳传输。非线性微分方程及其应用进展，87。Birkhauser/Springer，2015年。【26】Moshe Shaked和J.George Shanthikumar。随机订单。统计学中的斯普林格级数。斯普林格，纽约，2007年。[27]沃尔克·斯特拉森。具有给定边缘的概率测度的存在性。安。数学统计员。，36:423–439, 1965.