[논문 리뷰] Parametric estimation for a parabolic linear SPDE model based on sampled data

Yusuke Kaino, Masayuki Uchida|arXiv (Cornell University)|2019. 09. 30.

Stochastic processes and financial applications참고 문헌 32인용 수 7

한 줄 요약

이 논문은 고주파 이산 공간-시간 데이터를 사용하여 포물선형 확률편미분방정식(SPDE)의 계수 매개변수에 대한 적응형 최대우도추정기를 제안한다. 희소화된 데이터와 오르누이즈-울렌벡 확산으로 변환된 좌표과정을 활용함으로써, 정규성 조건 하에서 모든 매개변수, 특히 분산 및 확산 계수에 대한 추정기의 점근적 정규성을 확보한다.

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.

연구 동기 및 목표

• 고주파 이산 공간-시간 관측자료만 제공될 때 포물선형 확률편미분방정식(SPDE)에 대한 매개변수 추론 문제를 다루기.
• 데이터 희소화 및 좌표과정 변환 기반 적응형 방법을 개발하여 기존 추정기의 한계를 극복하고 효율성을 향상시키기.
• 정규성 조건 하에서 제안된 추정기의 점근적 정규성을 확립하여 통계적 추론의 타당성을 보장하기.
• 고정 및 큰 시간 구간 설정 모두에 적용 가능한 프레임워크를 제공하여 확률 모델링에서의 실용적 유용성을 높이기.
• 시뮬레이션 연구와 매개변수의 표본 경로에 미치는 영향을 보여주는 예시를 통해 이론적 결과를 검증하기.

제안 방법

• 사인 기저 함수를 사용한 고유함수 전개를 통해 SPDE를 좌표과정의 시스템으로 변환하여 SPDE를 확률적 상미분방정식의 집합으로 축소시키기.
• 각 좌표과정이 오르누이즈-울렌벡 과정을 따르므로, 확산과정 추정 기법을 적용할 수 있음을 활용하기.
• Bibinger와 Trabs(2017)의 정규화된 분산 $\sigma_0^2$ 및 곡률 매개변수 $\eta = \theta_1 / \theta_2$에 대한 최소대비추정기를 초깃단으로 적용하기.
• 전체 매개변수 벡터 $\theta = (\theta_0, \theta_1, \theta_2, \sigma)$의 가再也-로그우도 함수에 이러한 초깃값을 통합하여 적응형 최대우도추정기 구축하기.
• 의존성 감소와 점근적 성질 향상을 위해 희소화된 데이터를 활용하여 고주파 샘플링 환경에서 일致성과 효율성을 확보하기.
• 정규성 조건 하에서 적응형 최대우도추정기의 점근적 정규성을 증명하며, 고정 및 큰 $T$ 경우에 대해 명시적인 점근적 공분산 행렬을 유도하기.

실험 결과

연구 질문

• RQ1 고주파 이산 공간-시간 자료로부터 포물선형 SPDE의 모든 매개변수에 대해 적응형 최대우도추정기를 구성할 수 있는가?
• RQ2 희소화된 데이터와 좌표과정 변환을 활용할 경우, 기존 방법 대비 추정 효율성이 어떻게 향상되는가?
• RQ3 고주파 샘플링 조건 하에서 제안된 적응형 추정기의 점근적 성질—특히 점근적 정규성—는 어떠한가?
• RQ4 유한 표본에서 추정기는 어떻게 작동하며, $\theta_0$, $\theta_1$, $\theta_2$, $\sigma$의 매개변수 값이 변화할 경우 그 행동은 어떠한가?
• RQ5 제안된 방법은 큰 시간 구간 $T$로 확장될 수 있으며, 이 경우 점근적 분포는 어떻게 변화하는가?

주요 결과

• 정규성 조건 하에서 $\theta_0$, $\theta_1$, $\theta_2$, $\sigma$에 대한 적응형 최대우도추정기는 점근적으로 정규분포를 따르며, 공간 및 시간 샘플링의 수렴 속도는 각각 $\sqrt{N}$ 및 $\sqrt{M}$이다.
• 고정 $T$ 경우, 추정기의 복합 점근분포는 $\sigma^*$, $\theta_2^*$, $\theta_1^*$를 포함하는 특정 공분산 행렬을 가진 다변량 정규분포이다.
• 큰 $T$ 영역에서는 근사 좌표과정 기반의 가再也-로그우도 함수를 통해 추정기의 점근분포를 유도하였으며, 이는 다른 공분산 구조를 가진 정규분포로 수렴한다.
• 큰 $T$ 경우의 점근공분산행렬은 $2(\sigma^*)^4$, $8(\theta_2^*)^2$, $8(\theta_1^*)^2$, $2\lambda_1^*$를 포함하며, 진짜 매개변수 값에 대한 의존성을 반영한다.
• 시뮬레이션 결과는 추정기의 점근적 정규성과 유한표본 성능을 확인하여 이론적 결과를 검증한다.
• 매개변수 $\theta_0$는 특히 $T$가 클 경우 과정의 시간적 진전에 크게 영향을 미치며, $\theta_1$는 공간적 비대칭성을 제어하고, $\theta_2$는 확산 속도를 결정하며, $\sigma$는 소음의 진폭을 조절한다.