Itō-Formel

Die Itō-Formel (auch Itō-Döblin-Formel; selten auch Lemma von Itō), benannt nach dem japanischen Mathematiker Itō Kiyoshi, ist eine zentrale Aussage in der stochastischen Analysis. In seiner einfachsten Form ist es eine Integraldarstellung für stochastische Prozesse, die Funktionen eines Wiener-Prozesses sind. Es entspricht damit der Kettenregel bzw. Substitutionsregel der klassischen Differential- und Integralrechnung.

Itô publizierte 1951 einen Beweis.^[1]

Sei ${\displaystyle (W_{t})_{t\geq 0}}$ ein (Standard-)Wiener-Prozess und ${\displaystyle h\colon \mathbb {R} \to \mathbb {R} }$ eine zweimal stetig differenzierbare Funktion. Dann gilt

${\displaystyle h(W_{t})=h(W_{0})+\int _{0}^{t}h'(W_{s})\,{\rm {d}}W_{s}+{\frac {1}{2}}\int _{0}^{t}h''(W_{s})\,{\rm {d}}s\,.}$

Dabei ist das erste Integral als Itō-Integral und das zweite Integral als ein gewöhnliches Riemann-Integral (über die stetigen Pfade des Integranden) zu verstehen.

Für den durch ${\displaystyle Y_{t}=h(W_{t})}$ für ${\displaystyle t\geq 0}$ definierten Prozess lautet diese Darstellung in Differentialschreibweise

${\displaystyle {\rm {d}}Y_{t}=h'(W_{t})\,{\rm {d}}W_{t}+{\frac {1}{2}}h''(W_{t})\,{\rm {d}}t\,.}$

Ein stochastischer Prozess ${\displaystyle (X_{t})_{t\geq 0}}$ heißt Itō-Prozess, falls

${\displaystyle X_{t}=X_{0}+\int _{0}^{t}a_{s}\,{\rm {d}}s+\int _{0}^{t}b_{s}\,{\rm {d}}W_{s}}$

für zwei stochastische Prozesse ${\displaystyle a_{s}}$, ${\displaystyle b_{s}}$ gilt (genaueres dazu unter stochastische Integration). In Differentialschreibweise:

${\displaystyle {\rm {d}}X_{t}=a_{t}\,{\rm {d}}t+b_{t}\,{\rm {d}}W_{t}\,.}$

Ist ${\displaystyle h\colon \mathbb {R} _{+}\times \mathbb {R} \to \mathbb {R} }$ eine in der ersten Komponente einmal und in der zweiten zweimal stetig differenzierbare Funktion, so ist auch der durch ${\displaystyle Y_{t}:=h(t,X_{t})}$ definierte Prozess ein Itō-Prozess, und es gilt^[2]

${\displaystyle {\begin{aligned}{\rm {d}}Y_{t}&={\frac {\partial h}{\partial t}}(t,X_{t})\,{\rm {d}}t+{\frac {\partial h}{\partial x}}(t,X_{t})\,{\rm {d}}X_{t}+{\frac {1}{2}}{\frac {\partial ^{2}h}{\partial x^{2}}}(t,X_{t})({\rm {d}}X_{t})^{2}\\&=\left({\frac {\partial h}{\partial x}}(t,X_{t})\,a_{t}+{\frac {\partial h}{\partial t}}(t,X_{t})+{\frac {1}{2}}{\frac {\partial ^{2}h}{\partial x^{2}}}(t,X_{t})\,b_{t}^{2}\right){\rm {d}}t+{\frac {\partial h}{\partial x}}(t,X_{t})\,b_{t}\,{\rm {d}}W_{t}\,.\end{aligned}}}$

Hierbei bezeichnen ${\displaystyle {\tfrac {\partial h}{\partial t}}}$ und ${\displaystyle {\tfrac {\partial h}{\partial x}}}$ die partiellen Ableitungen der Funktion ${\displaystyle h}$ nach der ersten bzw. zweiten Variablen. Die zweite Darstellung folgt aus der ersten durch Einsetzen von ${\displaystyle ({\rm {d}}X_{t})^{2}=b_{t}^{2}\,{\rm {d}}t}$ und Zusammenfassen der ${\displaystyle {\rm {d}}t}$- und ${\displaystyle {\rm {d}}W_{t}}$-Terme.

Die Formel lässt sich auf ${\displaystyle n}$ Itō-Prozesse ${\displaystyle X=(X_{1},\dots ,X_{n})}$ verallgemeinern. Sei ${\displaystyle h:[0,\infty )\times \mathbb {R} ^{n}}$ in ${\displaystyle C^{1}}$ in der ersten und ${\displaystyle C^{2}}$ in den restlichen Variablen. Definiere ${\displaystyle Y(t):=h(t,X(t))}$ dann gilt

${\displaystyle {\rm {d}}Y(t)={\frac {\partial h}{\partial t}}(t,X(t))\,{\rm {d}}t+\sum \limits _{i=1}^{n}{\frac {\partial h}{\partial i}}(t,X(t))\,{\rm {d}}X_{i}(t)+{\frac {1}{2}}\sum \limits _{i,j=1}^{n}{\frac {\partial ^{2}h}{\partial i\partial j}}(t,X(t)){\rm {d}}[X_{i},X_{j}](t).}$

Sei ${\displaystyle (X_{t})_{t\geq 0}=(X_{t}^{1},\dotsc ,X_{t}^{d})_{t\geq 0}}$ ein ${\displaystyle \mathbb {R} ^{d}}$-wertiges Semimartingal und sei ${\displaystyle F\in C^{2}(\mathbb {R} ^{d},\mathbb {R} )}$. Dann ist ${\displaystyle (F(X_{t}))_{t\geq 0}}$ wieder ein Semimartingal und es gilt

${\displaystyle {\begin{aligned}F(X_{t})-F(X_{0})=&\sum _{j=1}^{d}\int _{0+}^{t}{\frac {\partial F}{\partial x^{j}}}(X_{s-}){\rm {d}}X_{s}^{j}+{\frac {1}{2}}\sum _{j,k=1}^{d}\int _{0+}^{t}{\frac {\partial ^{2}F}{\partial x^{j}\partial x^{k}}}(X_{s-}){\rm {d}}[X^{j},X^{k}]_{s}^{c}\\&{}+\sum _{0<s\leq t}\left(F(X_{s})-F(X_{s-})-\sum _{j=1}^{d}{\frac {\partial F}{\partial x^{j}}}(X_{s-})\Delta X_{s}^{j}\right).\end{aligned}}}$

Hierbei ist ${\displaystyle \textstyle X_{s-}=\lim _{u\uparrow s}X_{u}}$ der linksseitige Grenzwert und ${\displaystyle \Delta X_{s}^{j}=X_{s}^{j}-X_{s-}^{j}}$ der zugehörige Sprungprozess. Mit ${\displaystyle [X^{j},X^{k}]^{c}}$ wird die quadratische Kovariation der stetigen Anteile der Komponenten ${\displaystyle X^{j}}$ und ${\displaystyle X^{k}}$ bezeichnet. Falls ${\displaystyle X}$ ein stetiges Semimartingal ist, verschwindet die letzte Summe in der Formel und es gilt ${\displaystyle [X^{j},X^{k}]^{c}=[X^{j},X^{k}]}$.

Schreibt man den Ausdruck ${\displaystyle [X^{j},X^{k}]_{t}^{c}:=[X^{j},X^{k}]_{t}-\sum \limits _{s\leq t}\Delta X_{s}^{j}\Delta X_{s}^{k}}$ aus, so erhält man für eine Funktion ${\displaystyle f\in C^{2}(\mathbb {R} ^{d},\mathbb {R} )}$ die Form

${\displaystyle {\begin{aligned}f(X_{t})-f(X_{0})=&\sum _{j=1}^{d}\int _{0+}^{t}{\frac {\partial f}{\partial x^{j}}}(X_{s-}){\rm {d}}X_{s}^{j}+{\frac {1}{2}}\sum _{j,k=1}^{d}\int _{0+}^{t}{\frac {\partial ^{2}f}{\partial x^{j}\partial x^{k}}}(X_{s-}){\rm {d}}[X^{j},X^{k}]_{s}\\&{}+\sum _{0<s\leq t}\left(\Delta f(X_{s})-\sum _{j=1}^{d}{\frac {\partial f}{\partial x^{j}}}(X_{s-})\Delta X_{s}^{j}-{\frac {1}{2}}\sum _{k,j=1}^{d}{\frac {\partial ^{2}f}{\partial x^{j}\partial x^{k}}}(X_{s-})\Delta X_{s}^{j}\Delta X_{s}^{k}\right).\end{aligned}}}$

wobei ${\displaystyle \Delta f(X_{s}):=f(X_{s})-f(X_{s-})}$.

Das Integrationsgebiet ${\displaystyle 1_{[0+,t]}}$ bedeutet ${\displaystyle 1_{(0,t]}}$.

Sei ${\displaystyle X=(X^{1},\dots ,X^{n})}$ ein ${\displaystyle \mathbb {R} ^{n}}$-Semimartingal und ${\displaystyle f\in C^{2}(\mathbb {R} ^{n},\mathbb {R} )}$, dann ist ${\displaystyle f(X)}$ ein Semimartingal und es gilt^[3]

${\displaystyle f(X_{t})-f(X_{0})=\sum \limits _{i=1}^{n}\int _{0+}^{t}{\frac {\partial f}{\partial x_{i}}}(X_{s-})\circ dX_{s}^{i}+\sum \limits _{0<s\leq t}\left(f(X_{s})-f(X_{s-})-\sum \limits _{i=1}^{n}{\frac {\partial f}{\partial x_{i}}}(X_{s-})\Delta X_{s}^{i}\right).}$

Hans Föllmer erweiterte die Formel von Itō auf (deterministische) Funktionen mit beschränkter quadratischer Variation.^[4]

Sei ${\displaystyle f\in C^{2}}$ eine reell-wertige Funktion und ${\displaystyle x:{[0,\infty [}\to \mathbb {R} }$ eine Càdlàg-Funktion mit endlicher quadratischer Variation. Dann gilt

${\displaystyle {\begin{aligned}f(x_{t})&=f(x_{0})+\int _{0}^{t}f'(x_{s-})\mathrm {d} x_{s}+{\frac {1}{2}}\int _{]0,t]}f''(x_{s-})d[x,x]_{s}\\&+\sum _{0\leq s\leq t}\left(f(x_{s})-f(x_{s-})-f'(x_{s-})\Delta x_{s}-{\frac {1}{2}}f''(x_{s-})(\Delta x_{s})^{2})\right).\end{aligned}}}$

• Für ${\displaystyle Y_{t}=\sin(W_{t})}$ gilt ${\displaystyle {\rm {d}}Y_{t}=\cos(W_{t})\,{\rm {d}}W_{t}-{\tfrac {1}{2}}\sin(W_{t})\,{\rm {d}}t}$.

• Mit Hilfe der Formel kann man einfach beweisen, dass die geometrische brownsche Bewegung

${\displaystyle S_{t}=S_{0}e^{rt-{\frac {1}{2}}\sigma ^{2}t+\sigma W_{t}}}$

eine Lösung der stochastischen Differentialgleichung von Black und Scholes

${\displaystyle {\rm {d}}S_{t}=rS_{t}\,{\rm {d}}t+\sigma S_{t}\,{\rm {d}}W_{t}}$

ist.

Hierzu wählt man ${\displaystyle X_{t}=W_{t}}$, also ${\displaystyle a_{t}=0,\;b_{t}=1}$.

Dann ergibt die Formel mit ${\displaystyle h(t,x)=S_{0}e^{rt-{\frac {1}{2}}\sigma ^{2}t+\sigma x}}$:

${\displaystyle {\rm {d}}S_{t}=\left[\left(r-{\frac {\sigma ^{2}}{2}}+{\frac {\sigma ^{2}}{2}}\right)S_{0}e^{rt-{\frac {1}{2}}\sigma ^{2}t+\sigma W_{t}}\right]{\rm {d}}t+\left[\sigma S_{0}e^{rt-{\frac {1}{2}}\sigma ^{2}t+\sigma W_{t}}\right]{\rm {d}}W_{t}=rS_{t}\,{\rm {d}}t+\sigma S_{t}\,{\rm {d}}W_{t}\,.}$

• Ist ${\displaystyle (\mathbf {W} _{t})_{t\geq 0}}$ ein ${\displaystyle d}$-dimensionaler Wiener-Prozess und ${\displaystyle F\colon \mathbb {R} ^{d}\to \mathbb {R} }$ zweimal stetig differenzierbar, dann gilt für ${\displaystyle Y_{t}=F(\mathbf {W} _{t})}$

${\displaystyle \mathrm {d} Y_{t}=\nabla F(\mathbf {W} _{t})^{\mathsf {T}}\cdot \mathrm {d} \mathbf {W} _{t}+{\frac {1}{2}}\Delta F(\mathbf {W} _{t})\,\mathrm {d} t}$,

wobei ${\displaystyle \nabla F}$ den Gradienten und ${\displaystyle \Delta F}$ den Laplace-Operator von ${\displaystyle F}$ bezeichnen.

Es gibt verschiedene Varianten von Itō-Formeln für unendlich-dimensionale Räume (z. B. Pardoux^[5], Gyöngy-Krylow^[6], Brzezniak-van Neerven-Veraar-Weis^[7]).

• Euler-Maruyama-Verfahren

• Philip E. Protter: Stochastic Integration and Differential Equations (2nd edition), Springer, 2004, ISBN 3-540-00313-4.

1. ↑ Kiyoshi Itô: On a formula concerning stochastic differentials. In: Nagoya Math. J. Band 3, 1951, S. 55–65 (projecteuclid.org). 
2. ↑ Hui-Hsiung Kuo: Introduction to Stochastic Integration. Springer, 2006, ISBN 978-0387-28720-1, S. 103 (eingeschränkte Vorschau in der Google-Buchsuche).
3. ↑ Philip E. Protter: Stochastic Integration and Differential Equations. Hrsg.: Springer. 2004, ISBN 3-540-00313-4, S. 277–278. 
4. ↑ Hans Föllmer: Calcul d'Ito sans probabilités. In: Séminaire de probabilités de Strasbourg. Band 15, 1981, S. 143–144 (numdam.org). 
5. ↑ E. Pardoux, E: Équations aux dérivées partielles stochastiques de type monotone. In: Séminaire Jean Leray. Nr. 3, 1974 (numdam.org). 
6. ↑ I. Gyöngy und N. V. Krylov: Ito formula in banach spaces. In: Springer, Berlin, Heidelberg (Hrsg.): Arató, M., Vermes, D., Balakrishnan, A.V. (eds) Stochastic Differential Systems. Band 36, 1981, doi:10.1007/BFb0006409. 
7. ↑ Z. Brzezniak, J. M. A. M. van Neerven, M. C. Veraar und L. Weis: Ito's formula in UMD Banach spaces and regularity of solutions of the Zakai equation. 2008.