倒向隨機微分方程（backward stochastic differential equation）

倒向隨機微分方程（BSDE）是一種在時間上倒向求解的 SDE，從終端條件而非初始條件出發——但有一個轉折，使它與「把 ODE 倒著跑」深刻不同。關鍵在適應性：解必須在每個時刻 t 只依賴至 t 為止可得的資訊（須對濾過適應），然而它在最終時刻 T 的值卻是事先指定的。你不能單純倒向積分，因為那會使今天的值依賴未來。化解之道迫使解成為一對過程，而 BSDE 已成為隨機控制、非線性定價與非線性偏微分方程的統一語言。

標準 BSDE 為 dY_t = - f(t, Y_t, Z_t) dt + Z_t dB_t，終端條件 Y_T = xi，其中 xi 是給定的 F_T 可測隨機變數（終端回報），f 是驅動子（生成子）。解是一對適應過程 (Y_t, Z_t)：Y_t 是價值，而額外的過程 Z_t 是鞅表示的被積函數，正是它使 Y 能在被終端釘住的情況下仍保持適應——Z 是不讓 Y 偷看未來的「控制」，它在金融上也讀作避險投資組合。帕度-彭定理在驅動子 f 對 (y,z) 為李普希茨、xi 平方可積時給出 (Y,Z) 的存在唯一性；最簡單情形 f = 0 正好還原鞅表示定理，Y_t = E[ xi given F_t ]。非線性費曼-卡茨公式隨即把 BSDE 與偏微分方程相連：當 xi = g(X_T) 且 f 透過前向 SDE 依賴狀態時，Y_t = V(t, X_t)，其中 V 解一個半線性拋物型偏微分方程，且 Z_t = sigma^T grad_x V——BSDE 是非線性偏微分方程的機率表示，推廣了線性費曼-卡茨公式。

BSDE 之所以重要，在於它統一了數條線索：隨機極大原理的伴隨方程就是一個（線性）BSDE；非線性定價問題（含交易成本、借貸利率不同、或風險度量）的價值過程是一個驅動子編碼非線性的 BSDE；而動態風險度量與 g-期望都由 BSDE 構成。一個誠實的提醒：標準存在唯一性定理需要驅動子李普希茨、資料平方可積；二次增長驅動子（源於指數效用與穩健／風險敏感控制）需要其自身更難的理論（柯比蘭斯基），而反射型 BSDE（約束 Y >= 一個障礙）是最佳停止與美式選擇權的 BSDE 形式。丟掉李普希茨／可積性假設並不安全——存在性可能失效或解可能爆破。