DOI: https://doi.org/10.1287/moor.2025.0896
تاريخ النشر: 2026-01-08
المؤلف: Julio Backhoff‐Veraguas وآخرون
الموضوع الرئيسي: العمليات العشوائية والتطبيقات المالية
نظرة عامة
في هذا القسم، يتناول المؤلفون تحدي تعريف تباين بين قوانين المارتينغالات المستمرة، والتي غالبًا ما تكون فريدة من نوعها. يبنون على مفهوم غانترت لحدود القياس النسبي، مقدّمين مفهوم القياس النسبي المحدد. لتعزيز نظرية التباينات بين المارتينغالات المستمرة، يقترح المؤلفون استخدام مقياس مختلف للاختلاف: القوة $p$ لمسافة فاسرشتاين. يؤدي هذا إلى تعريف تباين فاسرشتاين المحدد $p$.
تثبت الورقة أن تباين فاسرشتاين المحدد $p$ معرف بشكل جيد وتقدم تعبيرًا صريحًا له. يقارن المؤلفون هذا التباين مع القياس النسبي المحدد ومسافة فاسرشتاين المعدلة في سياق المعادلات التفاضلية العشوائية (SDEs). علاوة على ذلك، يستكشفون تحسين تباين فاسرشتاين المحدد $p$ على المارتينغالات الرابحة ويحددون الحلول لهذه المشاكل التحسينية لجميع $p > 0$. ومن الجدير بالذكر أنهم يحددون $p = 1/2$ كونه يمتلك خصائص احتمالية متفوقة، مما يبرز أهميته في دراسة المارتينغالات المستمرة.
مقدمة
تقدم مقدمة هذه الورقة مفهوم تباين جديد للمارتينغالات المستمرة، مع معالجة قيود مقاييس القياس النسبي التقليدية، مثل $H(Q||P) = \int \frac{dQ}{dP} \log \frac{dQ}{dP} \, dP$. يبرز المؤلفون أن المارتينغالات المستمرة غالبًا ما تظهر توزيعات فريدة، مما يؤدي إلى تباينات تافهة. للتغلب على ذلك، يقترحون نهج التقطيع، بناءً على الأعمال السابقة لغانترت وفولمر، والذي يسمح بمقارنة المارتينغالات في نقاط زمنية متقطعة والتحليل اللاحق في حد زمني مستمر. يؤدي هذا إلى تقديم تباين فاسرشتاين المحدد، الذي يستخدم مسافة فاسرشتاين بدلاً من القياس النسبي، بهدف إنشاء إطار عمل أكثر قوة لمشاكل تحسين التباين في أسواق التنبؤ.
يحدد المؤلفون ثلاث دوافع رئيسية لتطوير هذا المقياس الجديد للتباين. أولاً، يمكن أن يؤدي القياس النسبي المحدد إلى قيم غير نهائية تحت ظروف معينة، مما يتطلب افتراضات قوية للجدوى في الحدود المستمرة. بالمقابل، يظهر تباين فاسرشتاين المحدد خصائص أفضل فيما يتعلق بالنهاية والتقارب. ثانيًا، تسعى الورقة إلى توضيح المبادئ الأساسية التي تجعل القياس النسبي المحدد فعالًا، لا سيما خاصيته الإضافية والطبيعة الصريحة للقياس النسبي لمقاييس غاوسية. أخيرًا، يهدف المؤلفون إلى تزويد النماذج بأدوات متعددة الاستخدامات للتطبيقات في التحكم والمالية، مقدّمين مجموعة من مقاييس التباين التي يمكن أن تعمل كدوال خسارة أو تكاليف تنظيمية، مع المرونة للتأثير على سلوك معامل الانتشار $\sigma_t$ بناءً على المعامل المختار $p$. يعد هذا النهج بتحسين الجدوى الجبرية لمشاكل التحكم العشوائي ذات الصلة وسيناريوهات التحسين القوي.
نقاش
في هذا القسم، يقدم المؤلفون مفهوم تباين فاسرشتاين المحدد، الذي يُرمز له بـ $SW_p(Q||P)$، والذي يعمل كمقياس للاختلاف بين مقاييس الاحتمالات المرتبطة بالمارتينغالات المستمرة. يتم بناء التباين بشكل استقرائي باستخدام مسافة فاسرشتاين $p$، $W_p$، ويُعرف كحد للاختلافات عبر إسقاطات ذات أبعاد محدودة من المقاييس. يثبت المؤلفون أن هذا التباين يمكن تفسيره كدالة عقوبة لمقاييس المخاطر، لا سيما في سياق عمليات المارتينغالات. يستخرجون صيغة صريحة لـ $SW_p(Q||P)$ عندما يكون $Q$ مارتينغالا مستمراً مع تباين تربيعي مستمر تمامًا و$P$ هو قانون الحركة البراونية القياسية، مما يبرز أن التباين يمكن أن يستوعب فئة أوسع من المقاييس تتجاوز مجرد قياس وينر.
تستكشف الورقة أيضًا مشاكل التحسين على المارتينغالات الرابحة، وهي مارتينغالات مستمرة تبدأ من وضع محدد وتنتهي عند 0 أو 1. يهدف المؤلفون إلى تعظيم أو تقليل تباين فاسرشتاين المحدد $SW_p(Q||P_\delta)$، حيث يمثل $P_\delta$ مارتينغالا ثابتًا. يتم تحفيز هذا التحسين من خلال التطبيقات في أسواق التنبؤ واكتساب المعلومات. يقدم المؤلفون رؤى حول سلوك التباين تحت قيم مختلفة لـ $p$، كاشفين عن الروابط مع مشكلة شرودنغر ونظرية التصفية. ومن الجدير بالذكر أنهم يحددون حالات معينة حيث يمكن حل مشكلة التحسين بشكل صريح، لا سيما لـ $p = 1$ و$p = 2$، بينما يناقشون أيضًا التحديات في تحديد المحسنات للسيناريوهات الأكثر تعقيدًا. بشكل عام، تضع هذه العمل الأساس لنظرية عامة للتباينات بين المارتينغالات المستمرة وتطبيقاتها في مجالات متنوعة.
DOI: https://doi.org/10.1287/moor.2025.0896
Publication Date: 2026-01-08
Author(s): Julio Backhoff‐Veraguas et al.
Primary Topic: Stochastic processes and financial applications
Overview
In this section, the authors address the challenge of defining a divergence between the laws of continuous martingales, which are often singular to one another. They build on Gantert’s concept of scaling limits of relative entropy, introducing the notion of specific relative entropy. To advance the theory of divergences among continuous martingales, the authors propose using a different measure of discrepancy: the power $p$ of the Wasserstein distance. This leads to the definition of the specific $p$-Wasserstein divergence.
The paper establishes that the specific $p$-Wasserstein divergence is well-defined and provides an explicit expression for it. The authors compare this divergence with the specific relative entropy and the adapted Wasserstein distance within the context of stochastic differential equations (SDEs). Furthermore, they explore the optimization of specific $p$-Wasserstein divergence over win-martingales and characterize the solutions to these optimization problems for all $p > 0$. Notably, they identify $p = 1/2$ as having superior probabilistic properties, highlighting its significance in the study of continuous martingales.
Introduction
The introduction of this paper presents a novel divergence concept for continuous martingales, addressing the limitations of traditional relative entropy measures, such as $H(Q||P) = \int \frac{dQ}{dP} \log \frac{dQ}{dP} \, dP$. The authors highlight that continuous martingales often exhibit singular distributions, leading to trivial divergences. To overcome this, they propose a discretization approach, building on prior work by Gantert and Föllmer, which allows for the comparison of martingales at discrete time points and the subsequent analysis in a continuous-time limit. This leads to the introduction of a specific Wasserstein divergence, which utilizes the Wasserstein distance instead of relative entropy, aiming to establish a more robust framework for divergence optimization problems in prediction markets.
The authors articulate three primary motivations for developing this new divergence measure. First, the specific relative entropy can yield infinite values under certain conditions, necessitating strong assumptions for tractability in continuous limits. In contrast, the specific Wasserstein divergence exhibits better properties regarding finiteness and convergence. Second, the paper seeks to elucidate the underlying principles that make the specific relative entropy effective, particularly its additive property and the explicit nature of relative entropy for Gaussian measures. Finally, the authors aim to provide modelers with versatile tools for applications in control and finance, offering a family of divergence measures that can serve as loss functions or regularizing costs, with the flexibility to influence the behavior of the diffusion coefficient $\sigma_t$ based on the chosen parameter $p$. This approach promises to enhance the algebraic tractability of related stochastic control problems and robust optimization scenarios.
Discussion
In this section, the authors introduce the concept of specific Wasserstein divergence, denoted as $SW_p(Q||P)$, which serves as a measure of discrepancy between probability measures associated with continuous martingales. The divergence is constructed inductively using the $p$-Wasserstein distance, $W_p$, and is defined as a limit of discrepancies across finite-dimensional projections of the measures. The authors establish that this divergence can be interpreted as a penalty function for risk measures, particularly in the context of martingale processes. They derive an explicit formula for $SW_p(Q||P)$ when $Q$ is a continuous martingale with an absolutely continuous quadratic variation and $P$ is the law of standard Brownian motion, highlighting that the divergence can accommodate a broader class of measures beyond just the Wiener measure.
The paper further explores optimization problems over win-martingales, which are continuous-time martingales that start from a deterministic position and end at either 0 or 1. The authors aim to maximize or minimize the specific Wasserstein divergence $SW_p(Q||P_\delta)$, where $P_\delta$ represents a constant martingale. This optimization is motivated by applications in prediction markets and information acquisition. The authors provide insights into the behavior of the divergence under different values of $p$, revealing connections to the Schrödinger problem and filtering theory. Notably, they identify specific cases where the optimization problem can be solved explicitly, particularly for $p = 1$ and $p = 2$, while also discussing the challenges in identifying optimizers for more complex scenarios. Overall, this work lays the groundwork for a general theory of divergences between continuous martingales and their applications in various fields.