연속시간 랜덤워크의 연속 궤적 시뮬레이션

초록

연속시간 랜덤워크(CTRWs)를 연속적인 확률 미분 방정식 형태로 표현한 Fogedby 모델을 상세히 검토하고, 이를 이용해 샘플 경로를 효율적으로 생성하는 수치 알고리즘을 제시한다.

상세 분석

Fogedby가 제안한 연속시간 랜덤워크의 라그랑지 방정식은 두 개의 상호 연결된 확률 미분 방정식, 즉 위치 변수 (x(s))와 내부 시간 변수 (t(s))를 각각 독립적인 백색 잡음 (\eta(s))와 (\tau(s))에 의해 구동한다는 점에서 기존 이산형 CTRW와 근본적인 차이를 보인다. 이 접근법은 물리적 시간 (t)와 내부 시간 (s) 사이의 비선형 변환을 통해 비마르코프적 메모리 효과를 자연스럽게 포함시키며, 특히 파워‑law 꼬리를 갖는 대기시간 분포 (\psi(\tau))를 Lévy 안정 분포 형태의 (\tau(s))로 구현함으로써 장기 기억을 재현한다. 논문은 먼저 이 연속 모델이 이산 CTRW의 확률적 특성을 정확히 재현함을 수학적으로 증명하고, 이어서 수치적 구현 시 발생하는 두 가지 핵심 문제—(1) 내부 시간 (s)에 대한 적절한 이산화 간격 (\Delta s) 선택, (2) 비단조적인 (t(s)) 역함수의 정의—에 대한 해결책을 제시한다. 특히, (t(s))가 단조 증가하지 않을 경우를 대비해, (t)가 목표값에 도달할 때까지 (s)를 누적하는 “시간 역추적” 알고리즘을 도입함으로써 샘플 경로의 정확성을 보장한다. 또한, 수치 실험을 통해 Ornstein‑Uhlenbeck 과정과 같은 유한 평균 복원력 시스템에 적용했을 때, 전통적인 이산 시뮬레이션 대비 연속 모델이 더 부드러운 궤적과 높은 통계적 일관성을 제공함을 확인한다. 이러한 결과는 CTRW를 물리, 생물, 금융 등 다양한 분야에서 연속적인 시계열 데이터로 변환하고자 할 때, 기존 이산 방법의 한계를 극복할 수 있는 강력한 도구임을 시사한다.