停时

在概率论中，尤其在随机过程的研究中，停时是一种特殊的“随机时刻”。

停时的一个范例: 布朗运动的首中时

停止规则和停时理论常在概率论和统计学中被提到和应用，其中著名的有可选抽样定理。停时同时在数学证明中也被频繁应用——“驯服时间这一连续统” 。

定义

定义 — 
$(X,\,\Sigma ,\,P)$是几率空间，$\leq$ 是集合 $T$ 上的全序关系，若有个单射 ${\mathcal {F}}:T\to {\mathcal {P}}[{\mathcal {P}}(X)]$ 满足：

• 对所有 $t\in T$ ， ${\mathcal {F}}(t)$ 是 $X$ 上的Σ-代数，且 ${\mathcal {F}}(t)\subseteq \Sigma$ 。
• 对所有 $s,\,t\in T$ ， 若 $t\leq s$ 则 ${\mathcal {F}}(t)\subseteq {\mathcal {F}}(s)$

那 ${\mathcal {F}}$ 被称为 $(X,\,\Sigma ,\,P)$ 上的一个滤子/域流（filtration），也可以称$(X,\,\Sigma ,\,{\mathcal {F}},\,P)$为一个滤波（几率）空间。

要强调是用哪个集合 $T$ 去定义滤子的时候，可以仿造序列的标记，把滤子记为 ${\{{\mathcal {F}}_{t}\}}_{t\in T}$ ，然后把 ${\mathcal {F}}(t)$ 也简记为 ${\mathcal {F}}_{t}$ 。

定义 — 
$(X,\,\Sigma ,\,{\{{\mathcal {F}}_{t}\}}_{t\in T},\,P)$为一个滤波空间，若函数 $\tau :X\to T$ 满足。

$(\forall t\in T){\bigg \{}\{x\in X\,|\,\tau (x)\leq t\}\in {\mathcal {F}}_{t}{\bigg \}}$

那称 $\tau$ 为滤子 ${\{{\mathcal {F}}_{t}\}}_{t\in T}$ 的一个停时（stopping time）

例子

为了解释一些是或不是停时的随机时刻，考虑一个玩轮盘赌的赌徒，其具有典型的赌场优势，初始时刻赌资为100元：

• 赌且只赌一次，对应于停时$\tau$ = 1，且这是一个停止规则（在停时概念中决定何时停止的规则或条件）。
• 当赌徒破产或赢得500元钱时停止赌博是一个停止规则。
• 当赌徒获得他所能赢得的最大赌资(此时刻之前以及之后)时停止赌博不是一个停止规则，且不提供一个停止规则：因为它不仅需要此刻和过去的信息，还需要将来的信息。
• 当赌徒使其赌资翻倍时（资产为负时若必要则允许贷款）不是一个停止规则，因为只有单边，而且他永远不能使他的赌资翻倍的概率是正的。（这里假设存在限制使得备注诀窍体系（加倍赌注法）或者其变异方法（比如将上次的赌金翻三倍下注）不能被使用。这类限制可以包括针对投注的但并不针对借款。）
• 当赌徒使其赌资翻倍或破产时停止赌博是一个停止规则，虽然赌徒赌博的总次数实际上并不一定是有限的，但，他在有限时间内停下来的概率是1。

局部化

停时经常被用来概括一些情景具备的随机过程特性，在这些情景中需要的条件只在局部意义上被满足。首先，如果 $X$ 是一个（随机）过程，$\tau$ 是它的一个停时，那么 $X^{\tau }$ 就用来表示过程 $X$ 在 $\tau$ 时刻停止。

$X_{t}^{\tau }=X_{\min(t,\tau )}$

那么，$X$ 被认为局部满足 $P$ 特性，若存在一列停时 $\tau _{n}$，$n\to \infty$，$1_{\{\tau _{n}>0\}}X^{\tau _{n}}$ 满足特性 $P$。常见的例子如下面两个，其中 $I=[0,\infty )$：.

• （局部鞅）过程 $X$ 是一个局部鞅，若它是右连续有左极限的，且存在一列停时 $\tau _{n}$，$n\to \infty$，使得 $1_{\{\tau _{n}>0\}}X^{\tau _{n}}$对 $\forall n\in N$ 是一个鞅。

• （局部可积）非负连续的过程 $X$ 是局部可积的，若存在一列停时 $\tau _{n}$，$n\to \infty$，使得$\forall n\in N$，$\mathbb {E} (1_{\{\tau _{n}>0\}}X^{\tau _{n}})<\infty$。

停时的类型

停时（表示时间的下标取自 $I=[0,\infty ]$）常常依据发生时间能否预测被分成几类。

若 $\exists {\tau _{n}}$，$n\in N$，$\forall n$ ，满足 $0<\tau _{n}<\tau _{n}+1<\tau$，有$lim_{n\to \infty }x_{n}$，则停时 $\tau$ 是可预测的。${\tau _{n}}$ 被称为 $\tau$ 的预告，可预测的停时有时则被称作“可预告的”。例子有连续的适应过程的到达时间。取 $a\in R$，设 $X$ 是实值连续过程，若$\tau$ 是第一个使得 $X=a$ 的时刻，则 $\tau$ 是可被 $\tau _{n}$ 逼近的，即 $\tau _{n}$是第一个使得 $|X-a|<1/n$ 的时刻。

可被一列可预测的时刻覆盖的停时称为可接近的。即，$\tau$ 是可接近的，若：对于部分 $n$，$P(\tau =\tau _{n})=1$，其中 $\tau _{n}$ 是可预测的时刻。

若停时 $\tau$不能被任何递增的停时序列所逼近，则称为完全不可接近的。等价地，$P(\tau =\sigma <\infty )=0$，其中$\sigma$ 是任取的可预测的时刻。例如泊松跳跃。

每个停时 $\tau$ 都可被惟一分解为一个可接近的时刻和一个完全不可接近的时刻。即，存在惟一的可接近的停时 $\sigma$ 和惟一的完全不可接近的 $\upsilon$，使得凡有 $\sigma <\infty$ 则 $\tau =\sigma$，凡有 $\upsilon <\infty$则 $\tau =\upsilon$，若 $\sigma =\tau =\infty$，则 $\tau =\infty$。在此分解结果中需要说明的是，其中的停时并不一定总是有限的，也可以等于 $\infty$。

参见

• 最优停止问题
• 秘书问题
• 首中时
• 停止过程
• 停车问题

参考文献

• Revuz, Daniel and Yor, Marc. Continuous martingales and Brownian motion. Grundlehren der Mathematischen Wissenschaften No. 293 Third edition. Berlin: Springer-Verlag. 1999. ISBN 3-540-64325-7.  引文格式1维护：冗余文本 (link)
• H. Vincent Poor and Olympia Hadjiliadis. Quickest Detection First edition. Cambridge: Cambridge University Press. 2008. ISBN 9780521621045.  引文格式1维护：冗余文本 (link)
• Protter, Philip E. Stochastic integration and differential equations. Stochastic Modelling and Applied Probability No. 21 Second edition (version 2.1, corrected third printing). Berlin: Springer-Verlag. 2005. ISBN 3-540-00313-4. 

延伸阅读

• Thomas S. Ferguson. "Who solved the secretary problem?", Stat. Sci. vol. 4, 282–296, (1989).
• An introduction to stopping times.
• F. Thomas Bruss, "Sum the odds to one and stop", Annals of Probability, Vol. 4, 1384–1391,(2000)

• Shiryaev, Albert N. Optimal Stopping Rules. Springer. 2007. ISBN 3540740104.