[논문 리뷰] Fisher's Information for Discretely Sampled Levy Processes

Yacine Aı̈t-Sahalia, Jean Jacod|arXiv (Cornell University)|2004. 11. 19.

Complex Systems and Time Series Analysis참고 문헌 29인용 수 5

한 줄 요약

이 논문은 이산적으로 샘플링된 Lévy 과정에 대한 Fisher 정보의 渐近적 행동을 유도하며, 정보 행렬이 연속성과 점프 성분의 서로 다른 기여를 드러내어 효율적인 추정을 가능하게 한다. 샘플링 주파수가 증가함에 따라 활동 지수 β와 점프 변동성에 따라 수렴 속도가 √n에서 n^{1/β}까지 다양해지며, 이는 효율적인 추정에 기여한다.

ABSTRACT

This paper studies the asymptotic behavior of the Fisher information for a Levy process discretely sampled at an increasing frequency. We show that it is possible to distinguish not only the continuous part of the process from its jumps part, but also different types of jumps, and derive the rates of convergence of efficient estimators.

연구 동기 및 목표

• 증가하는 샘플링 주파수에서 Lévy 과정에 대한 Fisher 정보의 渐 asymptotic 행동을 분석하는 것.
• Fisher 정보 행렬의 구조를 통해 Lévy 과정의 연속성과 점프 성분을 구분하는 것.
• 정보 행렬의 척도 성질에 기반하여 효율 추정기의 수렴 속도를 도출하는 것.
• 정보 이론적 분석을 통해 다양한 유형의 점프(안정, 유한 변동성 등)가 통계적으로 분리 가능한 조건을 설정하는 것.
• 점프가 있는 고주파수 금융 데이터 모델에서 수렴 속도 효율적인 추정을 위한 이론적 기반을 제공하는 것.

제안 방법

• 분석은 Lévy-Khintchine 표현을 사용하여 Lévy 과정의 특성 함수를 모델링하고, 로그우도의 이阶도수로부터 Fisher 정보 행렬을 유도한다.
• 논문은 샘플링 간격 $ \Delta_n \to 0 $일 때 Fisher 정보 $ I_{\Delta_n}(\eta) $ 의 행동을 분석하며, 정보의 $ n $ 에 대한 척도 성질에 초점을 맞춘다.
• 작은 $ u $ 근처에서의 밀도 및 그 도함수를 포함하는 적분을 분석하기 위해 渐진 전개와 변수변환 기법을 적용한다.
• 활동 지수 $ \beta $ 에 따라 경우를 나누어 분석하며, $ \beta < 2 $, $ \beta = 2 $, $ \beta > 2 $ 의 경우에 대해 각각 다른 처리를 한다. 이는 서로 다른 尾행동을 반영한다.
• 특히 점프 기여를 기록하는 $ J_{u,\Gamma} $ 에 대해 안정 및 가우시안 성분의 적분에 대한 경계를 적용하여 Fisher 정보의 渐진적 순서를 도출한다.
• 로그적 및 거듭제곱 척도 체계를 통합하여, $ \alpha $, $ \beta $, $ \theta $ 간의 상호작용에 따라 추정기의 효과적 수렴 속도를 유도한다.

실험 결과

연구 질문

• RQ1 Lévy 과정에 대해 샘플링 주파수가 증가함에 따라 Fisher 정보 행렬은 어떻게 渐진적으로 행동하는가?
• RQ2 Fisher 정보의 구조를 통해 Lévy 과정의 연속성과 점프 성분을 통계적으로 구분할 수 있는가?
• RQ3 고주파수 샘플링 하에서 Lévy 과정의 모수에 대한 효율 추정기의 수렴 속도는 무엇인가?
• RQ4 다양한 유형의 점프—안정, 유한 변동성, 또는 가우시안—은 Fisher 정보에 어떻게 기여하며 추정 효율성에 어떤 영향을 미치는가?
• RQ5 $ \beta \in (0,2] $ 일 때 Fisher 정보가 언제 $ n^{1/\beta} $ 에 비례하고, 언제 $ \sqrt{n} $ 에 비례하는가?

주요 결과

• For $ \beta < 2 $ and $ \alpha < \beta/2 $, the Fisher information scales as $ I_{\Delta}^{\theta\theta} \sim \frac{\theta^{2\alpha-2} u^{2\alpha} \gamma(u)}{\sigma^{2\alpha}} $ with $ \gamma(u) \propto u^{-\alpha(\beta - 2\alpha)/(\beta - \alpha)} $, leading to a rate of convergence of $ n^{\alpha(\beta - 2\alpha)/(2\beta - 2\alpha)} $.
• When $ 2\alpha = \beta < 2 $, the Fisher information scales logarithmically: $ I_{\Delta}^{\theta\theta} \sim \frac{2\alpha^2 c_\alpha^2}{c_\beta} \log(1/u) $, implying a rate of convergence of $ \sqrt{n / \log n} $.
• For $ \beta = 2 $, the Fisher information scales as $ I_{\Delta}^{\theta\theta} \sim \frac{2\alpha c_\alpha \sigma^\alpha}{\theta^\alpha u^\alpha (2\alpha)^{\alpha/2} (\log(1/u))^{\alpha/2}} $, leading to a rate of convergence of $ n^{\alpha/2} / (\log n)^{\alpha/4} $.
• The paper establishes that the Fisher information matrix can distinguish between different types of jumps, including stable and finite variation jumps, based on their scaling behavior.
• The analysis confirms that the MLE is asymptotically efficient under high-frequency sampling, with convergence rates determined by the activity index $ \beta $.
• The results show that the presence of jumps with $ \beta < 2 $ leads to slower convergence rates than the standard $ \sqrt{n} $ rate, with the slowest rate occurring at $ \beta \to 0^+ $.