次线性期望空间下独立同分布序列的一个强大数定律

利用与概率空间不同的研究方法,研究次线性期望空间中独立同分布随机变量序列的加权和在某些条件下的一个强大数定律,从而将该定理从传统概率空间扩展到次线性期望空间.

次线性期望空间下广义负相依序列加权和的完全收敛性

研究了次线性期望空间下随机变量序列的完全收敛性,利用广义负相依序列的性质,在随机变量的λ经典概率空间中独立序列的结果.

次线性期望空间下同分布ND列的完全收敛性

研究次线性期望空间下随机变量序列的完全收敛性,在条件为C_V(|X_1|~pl(|X_1|^(1/α)))<∞的情形下,把同分布ND随机变量序列的完全收敛性从概率空间推广到了次线性期望空间。

次线性期望空间下Marcinkiewicz型加权和的完全收敛性（英文）

研究了满足矩条件为E(|X|β)<∞,β=max(α,γ),其中0<α≤2,γ>0且α≠γ情形下的次线性期望空间中END序列加权和的完全收敛性.对前人工作的相应结果进行了改进,并将其推广到了次线性期望空间下END序列加权和的情形.

次线性期望空间下END列加权和的完全收敛性分析

次线性期望空间理论的提出是为了解决金融领域风险度量计算涉及的非线性问题,概率极限理论研究也由此获得新的研究方向.基于此,本文将简单介绍次线性期望空间,并围绕Stout型分布END序列完全收敛性开展研究,次线性期望空间的完全收敛性内容由此得以丰富.

次线性期望下负相依随机序列加权和的完全收敛性

目的:研究次线性期望下负相依(ND)随机变量阵列加权和的完全收敛性。方法:通过容度公式Hoffmann-Jorgensen型不等式,局部Lipschitz函数,充分利用次线性期望的性质。结果:建立了次线性期望下ND随机变量阵列加权和的完全收敛性的一般性结论。结论:次线性期望下ND随机变量阵列加权和的完全收敛性。

次线性期望空间下END序列加权和的完全收敛性

以次线性期望空间下的指数不等式为研究工具,在1/α+1/β=1/p,C_(V)(|X|^(rp))<∞的条件下,根据此指数不等式,将传统概率空间中随机变量序列加权和的完全收敛性,推至次线性期望空间。

次线性期望下负相关随机变量加权和的强大数定律

在概率和期望的线性可加性条件下可得到经典概率极限理论。但在金融领域中的风险度量、超套期保值等问题中会出现概率和期望的非线性情形。因此,近年来统计学家致力于研究在次线性期望下的极限定理。在∑∞n=1 nαV(|X|>μb n)<∞的条件下,得到次线性期望下负相关随机变量加权和的强大数定律。将Li等的定理结论推广到次线性期望空间中。

G-布朗运动驱动随机系统的最优控制和最优消费投资组合

在彭实戈的非线性期望理论框架下,根据次线性期望空间(Ω,H,E)上的G-布朗运动性质,首先建立了非线性期望框架下随机控制问题的最优性原理.然后利用推导出的验证定理研究了一个具有波动模糊性的最优消费和投资组合决策.最后,明确地得到了两基金分离定理,并给出了一个说明性的例子.