[论文解读] A Set of Characteristic Functions on the Space of Signatures

Ilya Chevyrev|arXiv (Cornell University)|Jul 12, 2013

Stochastic processes and statistical mechanics参考文献 4被引用 1

一句话总结

本文为几何粗糙路径的签名上概率测度引入了一种特征函数，建立了随机变量由其期望签名唯一确定的条件。证明了弱收敛的矩方法，并将结果应用于 Lévy、高斯和马氏粗糙路径。

ABSTRACT

We define a characteristic function for probability measures on the signatures of geometric rough paths. We determine sufficient conditions under which a random variable is uniquely determined by its expected signature, thus partially solving the analogue of the moment problem. We furthermore study analyticity properties of the characteristic function and prove a method of moments for weak convergence of random variables. We apply our results to signature arising from Levy, Gaussian and Markovian rough paths.

研究动机与目标

• 为几何粗糙路径签名空间上的概率测度定义特征函数。
• 确定充分条件，使得随机变量由其期望签名唯一确定，解决粗糙路径版本的矩问题。
• 研究特征函数在粗糙路径签名背景下的解析性性质。
• 在签名空间中建立随机变量弱收敛的矩方法。
• 将理论框架应用于特定类型的粗糙路径，包括 Lévy、高斯和马氏粗糙路径。

提出的方法

• 通过签名的指数函数的期望值，在签名空间上定义特征函数。
• 利用特征函数的解析性性质，推导签名空间上概率测度的唯一性结果。
• 建立期望签名唯一刻画底层概率分布的条件。
• 通过证明特征函数收敛蕴含分布收敛，将矩方法应用于弱收敛。
• 利用 Lévy、高斯和马氏粗糙路径已知的正则性与矩性质，验证理论框架的适用性。
• 利用签名的代数结构及签名映射的普遍性质，将经典矩方法概念扩展至粗糙路径设定。

实验结果

研究问题

• RQ1 在何种条件下，签名空间上的概率测度由其期望签名唯一确定？
• RQ2 如何利用特征函数的解析性来证明粗糙路径签名背景下的唯一性与收敛性结果？
• RQ3 能否在签名空间取值的随机变量弱收敛中建立矩方法？
• RQ4 理论结果在多大程度上适用于 Lévy、高斯和马氏粗糙路径等特定类型的粗糙路径？
• RQ5 对底层随机过程应施加何种充分条件，以确保其签名的特征函数具有良好行为且解析？

主要发现

• 成功为几何粗糙路径签名空间上的概率测度定义了特征函数。
• 建立了充分条件，使得随机变量由其期望签名唯一确定，解决了粗糙路径版本的矩问题。
• 在较弱正则性条件下，证明了特征函数具有解析性，从而可应用复分析技术。
• 证明了签名空间中随机变量弱收敛的矩方法，即特征函数收敛蕴含分布弱收敛。
• 理论框架成功应用于 Lévy、高斯和马氏粗糙路径，展示了结果的广泛适用性。
• 研究结果在经典矩问题与粗糙路径理论之间架起桥梁，将概率工具扩展至无穷维签名空间。