स्टोकास्टिक कैलकुलस: उन चीज़ों के लिए कैलकुलस जो कभी स्थिर नहीं रहतीं

स्टॉक की कीमत कभी भी एक चिकने वक्र में नहीं चलती। जितना चाहें ज़ूम करें — एक मिनट, एक सेकंड, एक मिलीसेकंड — और यह उस पैमाने पर भी टेढ़ी-मेढ़ी, अप्रत्याशित बनी रहती है। साधारण कैलकुलस चिकनी चीज़ों के लिए बनाया गया था: ऐसे वक्र जिनका हर बिंदु पर एक अच्छी तरह परिभाषित ढाल हो। स्टोकास्टिक कैलकुलस इसलिए मौजूद है क्योंकि बड़ी संख्या में वास्तविक मात्राएं — स्टॉक की कीमतें, कणों की स्थिति, शोरयुक्त सेंसर रीडिंग — बस चिकनी नहीं होतीं, और फिर भी हमें उन पर कैलकुलस करना होता है: उन्हें इंटीग्रेट करना, डिफरेंशिएट करना, उनसे मॉडल बनाना।

स्नातकोत्तर विस्तार

मूल इकाई: ब्राउनियन मोशन

स्टोकास्टिक कैलकुलस के पीछे की बुनियादी बेतरतीब प्रक्रिया को ब्राउनियन मोशन कहा जाता है, जिसे आमतौर पर W(t) लिखा जाता है। इसके तीन परिभाषित गुण हैं: यह शून्य से शुरू होता है, गैर-अतिव्यापी समय अंतरालों में इसकी वृद्धि एक-दूसरे से स्वतंत्र होती है, और हर वृद्धि सामान्य रूप से वितरित होती है जिसका विचरण बीते समय की लंबाई के बराबर होता है। एक साथ मिलाकर, ये तीन सरल नियम एक ऐसा पथ उत्पन्न करते हैं जो हर जगह सतत है लेकिन कहीं भी अवकलनीय नहीं — चाहे जितना ज़ूम करें, यह कभी सीधी रेखा जैसा नहीं दिखता।

वह आख़िरी गुण ही पूरी समस्या है। साधारण कैलकुलस इस विचार पर बना है कि df/dt मौजूद है — कि किसी फ़ंक्शन की एक वास्तविक, अच्छी तरह परिभाषित परिवर्तन दर होती है। ब्राउनियन मोशन के लिए, dW/dt उस अर्थ में बस मौजूद ही नहीं है। आप इसे सामान्य तरीक़े से डिफरेंशिएट नहीं कर सकते। इसलिए इस पर निर्भर फ़ंक्शनों के लिए एक नए टूलकिट की ज़रूरत है।

इटो लेम्मा: स्टोकास्टिक चेन रूल

साधारण कैलकुलस में, फ़ंक्शन f(W(t)) के लिए चेन रूल बस f'(W) dW होता। इटो लेम्मा कहता है कि जब W ब्राउनियन मोशन हो तो यह बिल्कुल सही नहीं है — एक अतिरिक्त पद है:

df = f'(W) dW + ½f''(W) dt

वह दूसरा पद स्टोकास्टिक कैलकुलस की अजीब, परिभाषित विशेषता है, और यह एक वास्तव में अजीब तथ्य से आता है: साधारण चिकने फ़ंक्शनों के लिए, (dt)² इतना छोटा होता है कि उसे नज़रअंदाज़ किया जा सकता है, लेकिन ब्राउनियन मोशन के लिए, (dW)² खुद dt की तरह व्यवहार करता है, शून्य की तरह नहीं। यह उस सीमा में गायब नहीं होता जैसा एक चिकने पथ के लिए होता। एक बार जब आप उस एक अजीब तथ्य को स्वीकार कर लेते हैं, तो इटो लेम्मा का बाकी हिस्सा साधारण टेलर विस्तार से अनुसरण करता है — यह एक अलग तरह की गणित नहीं है, बस एक ऐसी प्रक्रिया पर सावधानी से लागू किया गया साधारण तर्क है जो छोटे पैमानों पर असामान्य ढंग से व्यवहार करती है।

याद रखने लायक अंतर्दृष्टि: ब्राउनियन मोशन इतनी टेढ़ी-मेढ़ी है कि इसका वर्ग-विचलन समय के साथ एक स्थिर दर पर संचित होता है — वही (dW)² ≈ dt तथ्य है — और वह स्थिर संचय ही इटो लेम्मा में अतिरिक्त पद के रूप में दिखता है।

एक हल किया गया उदाहरण: W² का अवकलन

सबसे छोटा वास्तव में हल किया गया उदाहरण f(W) = W² है। सूत्र को सीधे लागू करें:

• f'(W) = 2W और f''(W) = 2
• इतो के लेम्मा में प्रतिस्थापित करें: d(W²) = f'(W) dW + ½f''(W) dt = 2W dW + ½(2) dt
• d(W²) = 2W dW + dt

इसकी तुलना सामान्य कैलकुलस से करें, जहां आप d(W²) = 2W dW की अपेक्षा करते और वहीं रुक जाते। अतिरिक्त '+ dt' पद कोई त्रुटि या सन्निकटन नहीं है — यह इस तथ्य का प्रत्यक्ष और सटीक परिणाम है कि (dW)² dt की तरह व्यवहार करता है। इसका एक वास्तव में उपयोगी अर्थ भी है: औसतन (चूंकि dW पद का अपेक्षित मान शून्य है), E[d(W²)] = dt, जो ठीक यही कथन है कि ब्राउनियन गति का प्रसरण प्रति इकाई समय 1 की स्थिर दर से बढ़ता है — बिल्कुल वैसे ही जैसे W(t) को शुरू में परिभाषित किया गया था।

एक ठोस उदाहरण: स्टॉक की कीमत का मॉडलिंग

स्टॉक की कीमत S(t) के लिए मानक मॉडल ज्यामितीय ब्राउनियन मोशन है, जिसे स्टोकास्टिक डिफरेंशियल इक्वेशन के रूप में लिखा जाता है:

dS = μS dt + σS dW

शब्दों में: स्टॉक औसतन दर μ पर ऊपर की ओर बहता है (dt पद), जबकि इसकी अपनी वैल्यू और अस्थिरता σ (dW पद) से स्केल किए गए बेतरतीब शोर से टकराता रहता है — एक बड़ी स्टॉक कीमत का मतलब बड़े निरपेक्ष उतार-चढ़ाव है, जो वास्तविक कीमतों के व्यवहार से मेल खाता है। ln(S) पर इटो लेम्मा लगाने से — साधारण कैलकुलस नहीं, जो यहां ग़लत उत्तर देगा — वह प्रसिद्ध परिणाम मिलता है कि S(t) लॉग-नॉर्मल रूप से वितरित है। वह एक समीकरण, और इसे सही ढंग से हल करने के लिए ज़रूरी तंत्र, ब्लैक-शोल्स ऑप्शन-प्राइसिंग मॉडल का सीधा पूर्वज है।

फाइनेंस के बाहर यह क्यों मायने रखता है

वही टूलकिट — एक ड्रिफ्ट पद प्लस एक शोर पद, इटो लेम्मा से सही ढंग से डिफरेंशिएट किया गया — भौतिकी में एक तरल पदार्थ में विसरित होते कण, एक सर्किट में इलेक्ट्रिकल शोर, और जीव विज्ञान में बेतरतीब जन्म और मृत्यु घटनाओं के तहत उतार-चढ़ाव करती जनसंख्या के आकार का वर्णन करती है। हाल ही में, यह डिफ्यूज़न-आधारित जेनेरेटिव AI मॉडलों के पीछे चलने वाली गणित भी है: वे एक नेटवर्क को एक स्टोकास्टिक डिफरेंशियल इक्वेशन को उल्टा करने के लिए प्रशिक्षित करते हैं जो धीरे-धीरे एक वास्तविक इमेज को शुद्ध शोर में बदल देता है, फिर शुरू से एक नई इमेज बनाने के लिए उस उल्टी प्रक्रिया को चलाते हैं।

स्टोकास्टिक कैलकुलस गणित की डिग्री के सबसे कठिन कोनों में से एक होने की प्रतिष्ठा रखता है, ज़्यादातर इसलिए क्योंकि इसे आमतौर पर वास्तविक अंतर्दृष्टि — एक बेतरतीब प्रक्रिया जो साधारण कैलकुलस के लिए बहुत टेढ़ी-मेढ़ी है, और एक अतिरिक्त पद जो इसका हिसाब रखता है — को समझ में आने का मौक़ा मिलने से पहले माप-सिद्धांतीय परिभाषाओं की एक दीवार के रूप में पढ़ाया जाता है। एक बार वह अंतर्दृष्टि पहले स्थापित हो जाए, तो औपचारिक तंत्र मनमाना महसूस होना बंद कर देता है। यदि पोस्टग्रेजुएट या अंतिम वर्ष का एप्लाइड मैथ्स आपकी या आपके छात्र की मंज़िल है, तो हम बिल्कुल उसी क्रम में पढ़ाते हैं — हमारी पोस्टग्रेजुएट ट्यूशन देखें या यहां पूरा सीखने का मार्ग।