[論文レビュー] Parametric estimation for a parabolic linear SPDE model based on sampled data

Yusuke Kaino, Masayuki Uchida|arXiv (Cornell University)|Sep 30, 2019

Stochastic processes and financial applications参考文献 32被引用数 7

ひとこと要約

本稿では、高周波数の離散的空間時系列データを用いて、放物型線形確率偏微分方程式（SPDE）の係数パラメータのための適応的最尤推定法を提案する。薄型化されたデータと、Ornstein-Uhlenbeck拡散過程に変換された座標過程を活用することで、正則性条件下で、分散およびドリフト係数を含むすべてのパラメータについて、推定値の漸近正規性を達成する。

ABSTRACT

We consider parametric estimation for a parabolic linear second order stochastic partial differential equation (SPDE) from high frequency data which are observed in time and space. By using thinned data obtained from the high frequency data, adaptive estimators of the coefficient parameters including the volatility parameter of a parabolic linear SPDE model are proposed. Moreover, we give some examples and simulation results of the adaptive estimators of the SPDE model based on the high frequency data.

研究の動機と目的

• 離散的で高周波数の空間時系列観測しか得られない場合における、放物型線形SPDEのパrametric推論の課題に対処すること。
• データの薄型化と座標過程の変換を通じて、効率性を向上させる適応的手法を考案することで、従来の推定法の限界を克服すること。
• 正則性条件下で、提案された推定値の漸近正規性を確立し、推論の統計的妥当性を保証すること。
• 固定時刻と大規模時刻の両方の設定に適用可能なフレームワークを提供し、確率的モデリングにおける実用的有用性を高めること。
• シミュレーションスタディおよびパrameterの効果がサンプルパスに与える影響を示す例を通じて、理論的結果の妥当性を検証すること。

提案手法

• 正弦基底関数を用いた固有関数展開により、SPDEを座標過程の系に変換し、SPDEを確率的常微分方程式の集合に簡略化する。
• 各座標過程がOrnstein-Uhlenbeck過程に従うという事実を活用し、拡散過程推定技術の適用を可能にする。
• BibingerとTrabs（2017）の結果を応用し、正規化された分散 $\sigma_0^2$ と曲率パラメータ $\eta = \theta_1 / \theta_2$ の最小対比推定を初期ステップとして採用する。
• 全パrameterベクトル $\theta = (\theta_0, \theta_1, \theta_2, \sigma)$ の準対数尤度関数にこれらの初期推定値を組み込むことで、適応的最尤推定値を構築する。
• 依存性を低減し、高周波数サンプリング状態での一貫性と効率性を向上させるために、薄型化されたデータを用いる。
• 正則性条件下で、適応的最尤推定値の漸近正規性を証明し、固定時刻と大規模時刻の両ケースについて、明示的な漸近分散共分散行列を導出する。

実験結果

リサーチクエスチョン

• RQ1 高周波数の離散的空間時系列データから、放物型線形SPDEのすべてのパラメータに対する適応的最尤推定値を構築できるか？
• RQ2 薄型化されたデータと座標過程の変換を用いることで、標準的手法と比較して推定の効率性がどのように向上するか？
• RQ3 高周波数サンプリング下での、提案された適応的推定値の漸近的性質（特に漸近正規性）は何か？
• RQ4 有限標本における推定値の性能はどのように評価できるか？また、$\theta_0$, $\theta_1$, $\theta_2$, $\sigma$ のパラメータ値が変化する際の挙動は？
• RQ5 提案手法は大規模時刻 $T$ の設定に拡張可能か？この状況下で漸近分布はどのように変化するか？

主な発見

• 正則性条件下で、$\theta_0$, $\theta_1$, $\theta_2$, $\sigma$ の適応的最尤推定値は漸近正規分布に従い、空間的および時間的サンプリングの収束速度はそれぞれ $\sqrt{N}$ と $\sqrt{M}$ である。
• 固定 $T$ の場合、推定値の連合漸近分布は、$\sigma^*$, $\theta_2^*$, $\theta_1^*$ を含む特定の共分散行列を持つ多変量正規分布である。
• 大規模時刻 $T$ の状況では、近似座標過程に基づく準対数尤度関数を用いて推定値の漸近分布を導出し、異なる共分散構造を持つ正規分布に収束する。
• 大規模時刻 $T$ の場合の漸近共分散行列には、$2(\sigma^*)^4$, $8(\theta_2^*)^2$, $8(\theta_1^*)^2$, $2\lambda_1^*$ を含む項が含まれており、真のパラメータ値に依存する構造を反映している。
• シミュレーション結果により、推定値の漸近正規性と有限標本における性能が確認され、理論的結果の妥当性が裏付けられた。
• パラメータ $\theta_0$ は、特に $T$ が大きい場合にプロセスの時間的変化に顕著な影響を与える。一方、$\theta_1$ は空間的非対称性を制御し、$\theta_2$ は拡散速度を支配し、$\sigma$ はノイズの振幅をスケーリングする。