[论文解读] Affine Jump-Diffusions: Stochastic Stability and Limit Theorems

Xiaowei Zhang, Peter W. Glynn|arXiv (Cornell University)|Oct 31, 2018

Stochastic processes and financial applications参考文献 22被引用 8

一句话总结

本文通过在强均值回归条件和跳跃的矩限制下推导出遍历性和指数遍历性的充分条件，建立了仿射跳跃扩散（AJD）过程的随机稳定性及极限定理。证明了加性泛函的几乎必然收敛性和功能中心极限定理，为金融和经济学中AJD模型的统计估计提供了基础性渐近理论。

ABSTRACT

Affine jump-diffusions constitute a large class of continuous-time stochastic models that are particularly popular in finance and economics due to their analytical tractability. Methods for parameter estimation for such processes require ergodicity in order establish consistency and asymptotic normality of the associated estimators. In this paper, we develop stochastic stability conditions for affine jump-diffusions, thereby providing the needed large-sample theoretical support for estimating such processes. We establish ergodicity for such models by imposing a `strong mean reversion' condition and a mild condition on the distribution of the jumps, i.e. the finiteness of a logarithmic moment. Exponential ergodicity holds if the jumps have a finite moment of a positive order. In addition, we prove strong laws of large numbers and functional central limit theorems for additive functionals for this class of models.

研究动机与目标

• 为金融和经济学中使用的仿射跳跃扩散（AJD）模型的参数估计提供严谨的大样本理论基础。
• 建立AJD过程遍历性和指数遍历性的条件，确保平稳分布的存在。
• 为AJD过程的加性泛函推导强大数定律（SLLN）和功能中心极限定理（FCLT）。
• 通过引入状态依赖跳跃并推广至任意维度，推广先前关于仿射扩散的结果。
• 统一并扩展现有特殊情形（如Heston模型、CIR和OU过程）的稳定性结果。

提出的方法

• 使用李雅普诺夫函数技术，在强均值回归条件下建立AJD过程的随机稳定性和遍历性。
• 对跳跃分布施加对数矩条件以确保遍历性，并施加正矩条件以实现指数遍历性。
• 应用马尔可夫过程理论和半鞅极限理论，推导归一化加性泛函弱收敛于布朗运动的结果。
• 采用涉及不变测度和转移核的耦合论证，证明经验过程的弱收敛性。
• 利用仿射结构，推导出当 h(x) = x 时渐近均值和方差的显式表达式。
• 依赖广义里卡蒂方程的解和矩生成函数分析，刻画长期行为。

实验结果

研究问题

• RQ1 在何种条件下，仿射跳跃扩散过程是遍历的？
• RQ2 跳跃分布的何种矩条件可确保指数遍历性？
• RQ3 加性泛函的强定律大数定律和功能中心极限定理在何种条件下对AJD过程成立？
• RQ4 本研究结果如何推广先前关于仅扩散型仿射过程或Heston模型等特例的研究成果？
• RQ5 在仿射结构下，经验平均的渐近分布能否被解析地刻画？

主要发现

• 若漂移项表现出强均值回归且跳跃分布具有有限对数矩，则仿射跳跃扩散过程是遍历的。
• 当跳跃分布具有某阶正矩时，指数遍历性成立。
• 强大数定律成立：加性泛函的经验平均几乎必然收敛于不变测度的期望。
• 功能中心极限定理成立：归一化经验过程在右连左极函数空间中弱收敛于布朗运动。
• 当 h(x) = x 时，渐近均值显式给出为 v = -(β + E[Z]κᵀ)⁻¹(b + λE[Z])，渐近协方差矩阵为 Σ = A(a + λE[ZZᵀ])Aᵀ + Σᵢ vᵢ A(αᵢ + κᵢE[ZZᵀ])Aᵀ。
• 经验测度对初始条件的收敛是一致的，确保了估计量在不同初始状态下的鲁棒性。