据我所知，所有研究都集中在通过外推实现弱收敛上。Kloden、Platen 和 Schurz 的书对它们进行了很好的讨论。

要使用 SDE 进行“好的”理查森外推，必须解决一些问题。一方面，它之所以有趣是因为误差估计最终是平方幂$h^{2n}$SDE 不一定是这种情况，特别是因为它必须基于强阶 Runge-Kutta 类型的方法，并且没有明显的“高阶选择”，就像用于 ODE 的中点方法一样（有弱顺序，这就是为什么要对此进行调查）。这意味着它的最强点似乎被削弱了。然后你必须从插值布朗运动中想出一个好的方案，因为在计算过程中你在较低的位置做了很多“回填”$h$'s，因此您必须正确执行此操作才能不更改采样分布。最后，外推法似乎对于平滑和稳定的问题非常有效，但对于更不稳定或不连续的问题往往会出现问题。SDE 的规律性总是很弱，问题似乎更多地源于不稳定性（因为噪声项也极大地改变了稳定性条件！）而不是错误（通常可以使之低于噪声的标准偏差）。

由于这些原因，没有人仔细研究过强近似的外推方法。这并不意味着没有人应该（我可能在不久的将来），但表明熟悉 Runge-Kutta 类型的方法可能会有更高的回报。与数值计算一样，YMMV。