Формула Фейнмана — Каца — математическая формула, устанавливающая связь между дифференциальными уравнениями с частными производными (специального типа) и случайными процессами. Названа в честь физика Ричарда Фейнмана и математика Марка Каца .

В частности, эта формула дает метод решения уравнения с частными производными с помощью траекторий случайного процесса (так называемый метод Монте-Карло ). И наоборот, математическое ожидание случайного процесса может быть вычислено как решение соответствующего уравнения с частными производными.

Формулировка в одномерном случае

Рассмотрим дифференциальное уравнение

${\displaystyle {\frac {\partial u}{\partial t}}+\mu (x,t){\frac {\partial u}{\partial x}}+{\tfrac {1}{2}}\sigma ^{2}(x,t){\frac {\partial ^{2}u}{\partial x^{2}}}-V(x,t)u+f(x,t)=0\qquad (*)}$

с неизвестной функцией ${\displaystyle u=u(x,t)}$ , в котором ${\displaystyle x\in \mathbb {R} }$ и ${\displaystyle t\in [0,T]}$ — независимые переменные, ${\displaystyle \mu ,\sigma ,V,f}$ — известные функции. Формула Фейнмана — Каца утверждает, что решение уравнения (*) с начальным (в обратном времени) условием

${\displaystyle u(x,T)=\psi (x),}$

может быть выражено как условное математическое ожидание

${\displaystyle u(x,t)=E^{Q}\left[\int _{t}^{T}e^{-\int _{t}^{s}V(X_{\tau })\,d\tau }f(X_{s},s)ds+e^{-\int _{t}^{T}V(X_{\tau })\,d\tau }\psi (X_{T})\ {\bigg |}\ X_{t}=x\right],}$

где ${\displaystyle Q}$ — вероятностная мера, такая что случайный процесс ${\displaystyle X_{t}}$ является , описываемым стохастическим уравнением

${\displaystyle dX_{t}=\mu (X_{t},t)\,dt+\sigma (X_{t},t)\,dW_{t}^{Q},\qquad (**)}$

в котором ${\displaystyle W_{t}^{Q}}$ — винеровский процесс , с начальным условием

${\displaystyle X_{0}=x}$ .

Многомерный вариант

Формула Фейнмана — Каца имеет многомерный аналог, когда переменная ${\displaystyle x=(x_{1},\ldots ,x_{n})\in \mathbb {R} ^{n}}$ .

В этом случае дифференциальное уравнение (*) имеет вид

${\displaystyle {\frac {\partial u}{\partial t}}+\sum _{i=1}^{n}\mu _{i}(x,t){\frac {\partial u}{\partial x_{i}}}+{\tfrac {1}{2}}\sum _{i=1}^{n}\sum _{j=1}^{n}\gamma _{ij}(x,t){\frac {\partial ^{2}u}{\partial x_{i}\partial x_{j}}}-V(x,t)u+f(x,t)=0}$

и n -мерный случайный процесс ${\displaystyle X_{t}}$ описывается стохастическим уравнением

${\displaystyle dX_{t}=\mu (X_{t},t)\,dt+\Sigma (X_{t},t)\,dW_{t}^{Q},}$

в котором ${\displaystyle \mu }$ — это вектор-столбец ${\displaystyle (\mu _{1},\ldots ,\mu _{n})}$ , ${\displaystyle W_{t}^{Q}}$ — n -мерный винеровский процесс , ${\displaystyle \Sigma =(\sigma _{ij})}$ — квадратная матрица порядка n, связанная с матрицей ${\displaystyle \Gamma =(\gamma _{ij})}$ формулой

${\displaystyle \Gamma =\Sigma \cdot \Sigma ^{*},}$

звёздочка означает транспонирование.

См. также

• Стохастическое дифференциальное уравнение
• Формула Ито
• Уравнение Колмогорова — Чепмена
• Уравнение Фоккера — Планка

Литература

• Оксендаль Б. Стохастические дифференциальные уравнения. Введение в теорию и приложения. — М. : Мир, 2003.
• Protter P. E. Stochastic Integration and Differential Equations. — Springer, 2005.
• Simon B. Functional Integration and Quantum Physics. — Academic Press, 1979.
• Klebaner, F.C. Introduction to Stochastic Calculus With Applications. — London, UK: Imperial College Press, 2005.
• Knill, O. Probability Theory And Stochastic Processes With Applications. — Overseas Press, 2009.