Процесс Орнштейна-Уленбека¶

Процесс Орнштейна — Уленбека — это математическая модель случайного процесса, описывающая эволюцию величины, стремящейся вернуться к некоторому среднему значению под воздействием случайных флуктуаций. Относится к классу гауссовских марковских процессов и является единственным стационарным процессом такого типа. Широко используется в физике, финансах, биологии и других науках для моделирования систем с возвратом к равновесию.

¶Определение и математическая формулировка

Процесс Орнштейна — Уленбека (англ. Ornstein–Uhlenbeck process, OU-процесс) определяется как решение стохастического дифференциального уравнения (СДУ):

\[ dX_t = \theta (\mu - X_t) dt + \sigma dW_t \]

где:

• \(X_t\) — значение процесса в момент времени \(t\);
• \(\theta > 0\) — параметр скорости возврата (сила возвратной силы);
• \(\mu\) — долгосрочное среднее значение, к которому стремится процесс;
• \(\sigma > 0\) — параметр волатильности (интенсивность случайных возмущений);
• \(dW_t\) — приращение винеровского процесса (стандартного броуновского движения).

Уравнение описывает процесс, который под действием детерминированной составляющей \(\theta (\mu - X_t)\) притягивается к среднему \(\mu\), а под действием случайной составляющей \(\sigma dW_t\) испытывает флуктуации. Чем больше отклонение от \(\mu\), тем сильнее возвратная сила.

Решение уравнения имеет явный вид:

\[ X_t = X_0 e^{-\theta t} + \mu (1 - e^{-\theta t}) + \sigma \int_0^t e^{-\theta (t-s)} dW_s \]

Первые два члена — детерминированная часть, определяющая экспоненциальное затухание начального отклонения и сдвиг к среднему. Третий член — стохастический интеграл Ито, описывающий накопленные случайные возмущения.

¶Свойства

¶Стационарность

Процесс Орнштейна — Уленбека является стационарным в широком смысле (при \(t \to \infty\)), если начальное распределение \(X_0\) является гауссовским с математическим ожиданием \(\mu\) и дисперсией \(\sigma^2 / (2\theta)\). В стационарном режиме распределение процесса в любой момент времени — нормальное:

\[ X_t \sim \mathcal{N}\left(\mu, \frac{\sigma^2}{2\theta}\right) \]

¶Корреляционная функция

Автокорреляционная функция стационарного OU-процесса имеет экспоненциальный вид:

\[ \text{Cov}(X_t, X_{t+\tau}) = \frac{\sigma^2}{2\theta} e^{-\theta |\tau|} \]

Коэффициент корреляции убывает экспоненциально с характерным временем \(1/\theta\). Это свойство делает процесс марковским — его будущее зависит только от текущего состояния, а не от всей предыстории.

¶Спектральная плотность

Спектральная плотность мощности OU-процесса (преобразование Фурье автокорреляционной функции) имеет вид лоренциана:

\[ S(f) = \frac{\sigma^2}{\theta^2 + (2\pi f)^2} \]

На низких частотах спектр приблизительно постоянен (белый шум), на высоких — убывает как \(1/f^2\).

¶История

Процесс впервые был предложен в 1930 году голландскими физиками Леонардом Орнштейном и Джорджем Уленбеком для описания скорости броуновской частицы. Классическая модель броуновского движения (винеровский процесс) предсказывала неограниченный рост дисперсии скорости, что противоречило физической реальности — частица в вязкой среде должна испытывать трение и возвращаться к нулевой средней скорости. Орнштейн и Уленбек модифицировали модель, введя возвратную силу, пропорциональную отклонению от равновесия. Математически строгое обоснование процесса было дано позже, в 1940-х годах, в работах Норберта Винера и Киёси Ито.

¶Применения

¶Физика

• Броуновское движение: OU-процесс описывает скорость броуновской частицы в вязкой жидкости (модель Ланжевена). Координата частицы при этом является интегралом от OU-процесса.
• Тепловой шум: Моделирование флуктуаций напряжения в резисторах (шум Джонсона — Найквиста).
• Оптика: Описание фазовых флуктуаций в лазерных полях.

¶Финансовая математика

• Моделирование процентных ставок: Модель Васичека (Vasicek model) — одна из первых моделей процентных ставок, основанная на OU-процессе. Используется для оценки стоимости облигаций и управления риском.
• Валютные курсы и товарные цены: Моделирование цен на сырьё (например, нефть), которые имеют свойство возвращаться к долгосрочному равновесию (mean reversion).
• Стохастическая волатильность: OU-процесс применяется для моделирования логарифма волатильности в моделях типа Heston.

¶Биология и нейронауки

• Моделирование нейронной активности: OU-процесс используется для описания мембранного потенциала нейронов в моделях типа LIF (leaky integrate-and-fire). Случайные флуктуации моделируют синаптический шум.
• Популяционная динамика: Моделирование численности популяций в случайной среде с возвратом к ёмкости среды.

¶Обработка сигналов и машинное обучение

• Фильтрация и сглаживание: OU-процесс используется в фильтрах Калмана для отслеживания медленно меняющихся параметров.
• Генеративные модели: В диффузионных моделях (например, Denoising Diffusion Probabilistic Models) OU-процесс применяется для постепенного зашумления данных и последующего восстановления.

¶Связь с другими процессами

• Винеровский процесс: При \(\theta \to 0\) OU-процесс вырождается в винеровский (нестационарный, дисперсия растёт линейно со временем).
• Процесс Коши — Орнштейна — Уленбека: Обобщение, в котором вместо винеровского используется устойчивый процесс Леви (например, процесс Коши). Применяется для моделирования скачкообразных флуктуаций.
• Процесс Феллера (Cox–Ingersoll–Ross, CIR): Модификация OU-процесса с квадратичной волатильностью, гарантирующая неотрицательность. Используется для моделирования процентных ставок и волатильности.

¶Примеры и численные симуляции

Для численного моделирования OU-процесса на дискретной сетке с шагом \(\Delta t\) используется приближение Эйлера — Маруямы:

\[ X_{t+\Delta t} = X_t + \theta (\mu - X_t) \Delta t + \sigma \sqrt{\Delta t} \, \varepsilon \]

где \(\varepsilon\) — стандартная нормальная случайная величина. Точное решение (без дискретизации) для любого \(t\) можно получить, используя явную формулу с экспоненциальным затуханием.

Пример: моделирование дневной температуры воздуха в некотором регионе. Температура колеблется вокруг среднего сезонного значения (например, 15 °C) с возвратом к нему. Параметр \(\theta\) определяет, насколько быстро температура возвращается к среднему после отклонения, а \(\sigma\) — амплитуду случайных колебаний (погодных флуктуаций).

¶Критика и ограничения

• Гауссовость: OU-процесс предполагает нормальное распределение флуктуаций, что не всегда соответствует реальным данным (например, финансовые доходности имеют тяжёлые хвосты).
• Постоянные параметры: В классической версии параметры \(\theta, \mu, \sigma\) считаются константами. В реальных системах они могут меняться со временем.
• Марковость: Процесс не учитывает долговременную память (эффекты, длящиеся дольше характерного времени \(1/\theta\)). Для систем с долгой памятью используют дробные процессы (fractional OU).

Тем не менее, благодаря своей простоте, аналитической разрешимости и наглядной интерпретации, процесс Орнштейна — Уленбека остаётся одним из наиболее широко используемых стохастических процессов в прикладной математике.

¶Источники

• Ornstein, L. S.; Uhlenbeck, G. E. (1930). «On the Theory of the Brownian Motion». Physical Review, 36(5): 823–841.
• Uhlenbeck, G. E.; Ornstein, L. S. (1930). «On the Theory of the Brownian Motion. II». Physical Review, 36(5): 842–849.
• Doob, J. L. (1942). «The Brownian Movement and Stochastic Equations». Annals of Mathematics, 43(2): 351–369.
• Øksendal, B. (2003). Stochastic Differential Equations: An Introduction with Applications. Springer.
• Васичек, О. (1977). «An Equilibrium Characterization of the Term Structure». Journal of Financial Economics, 5(2): 177–188.