확률 퍼론스 방법을 통한 HJB 방정식 해석

초록

본 논문은 동적 계획 원리(DPP)를 직접 증명하지 않고, 확률 퍼론스(Stochastic Perron) 기법을 이용해 확률 제어 문제의 가치함수가 해당 Hamilton‑Jacobi‑Bellman(HJB) 방정식의 유일한 점성해임을 보인다. 상·하 해를 각각 가치함수 아래·위에 구성하고 비교 원리를 적용함으로써 검증 정리를 얻으며, 약한 형식과 강한 형식의 가치가 일치함을 즉시 도출한다.

상세 요약

논문은 먼저 확률 제어 문제를 일반적인 강형(강한) 및 약형(약한) 프레임워크로 설정한다. 상태 과정은 이토 확률 미분 방정식(SDE)으로 기술되며, 제어는 적응적이며 일반적인 가측성 조건을 만족한다. 전통적인 접근법에서는 가치함수가 동적 계획 원리(DPP)를 만족한다는 것을 먼저 증명하고, 이를 바탕으로 HJB 방정식의 점성해 존재와 비교 원리를 전개한다. 그러나 DPP 증명은 복잡한 측정 이론적 논증과 정규화 과정이 필요해 기술적 난이도가 높다.

저자들은 이러한 절차를 우회하기 위해 확률 퍼론스 방법을 도입한다. 퍼론스 방법은 고전적인 퍼론스 기법을 점성해 이론에 적용한 것으로, ‘상해(super‑solution)’와 ‘하해(sub‑solution)’를 직접 구성한다. 여기서 상해는 가치함수보다 작거나 같은 점성상해이며, 하해는 가치함수보다 크거나 같은 점성하해이다. 논문은 두 종류의 시험함수 집합을 정의하고, 각각에 대해 적절한 마팅게일·슈퍼마팅게일 성질을 이용해 검증한다.

특히, 상해를 구성할 때는 ‘제어를 고정하고, 해당 제어에 대한 기대값을 취한 뒤, 최적화 연산자를 뒤로 이동시키는’ 방식을 사용한다. 이는 가치함수의 정의와 직접적인 연관성을 갖으며, 마팅게일 불평등을 통해 HJB 연산자의 비선형 항을 상한으로 잡는다. 반대로 하해는 ‘임의의 테스트 함수가 HJB 연산자를 만족하도록 조정한 뒤, 최적 제어를 선택해 기대값을 하한으로 만든다’는 절차로 얻어진다. 두 시험함수 모두 점성해 정의에 필요한 상·하 연속성 및 적절한 경계조건을 만족한다.

구성된 상·하 해는 비교 원리(comparison principle)를 적용할 수 있는 전제조건을 충족한다. 논문은 기존 문헌에서 증명된 비교 원리를 그대로 인용하거나, 필요시 약한 형태의 비교 원리를 자체 증명한다. 비교 원리에 의해 상해 ≤ 가치함수 ≤ 하해가 성립하고, 동시에 상해와 하해가 동일한 점성해라면 가치함수 자체가 유일한 점성해임을 얻는다.

이 과정에서 DPP는 부수적인 결과로 도출된다. 즉, 가치함수가 HJB 방정식의 점성해임을 알면, 점성해의 정의와 마팅게일 성질을 역으로 이용해 DPP를 재구성할 수 있다. 따라서 DPP는 검증 정리의 ‘결과’로서 자연스럽게 따라온다.

또한 논문은 약한 형식(통제와 확률공간을 동시에 선택)과 강한 형식(주어진 확률공간 위에서 제어만 선택)의 가치가 일치함을 보인다. 이는 상·하 해 구성 시 두 형식 모두에 대해 동일한 마팅게일 불평등을 적용할 수 있기 때문이다. 마지막으로, ‘얼굴 올리기(face‑lifting)’ 현상—제약조건에 의해 가치함수가 경계에서 불연속적으로 상승하는 현상—을 상해와 하해 사이의 간격을 통해 직관적으로 포착한다. 이 현상은 기존 방법에서는 복잡한 정규화 절차가 필요했지만, 퍼론스 접근법에서는 시험함수 선택만으로도 명확히 드러난다.

전체적으로 이 논문은 확률 제어 이론에서 DPP를 우회하고, 점성해 검증을 직접 수행함으로써 이론적 구조를 단순화하고, 약·강 형식의 일치와 얼굴 올리기 현상의 명시적 설명을 제공한다는 점에서 큰 의미를 가진다.