[论文解读] Discretization of Lévy semistationary processes with application to estimation
本文提出了一种用于模拟 Lévy 半平稳（Lévy semistationary, LSS）过程的阶梯函数离散化方法，特别关注在原点具有奇异核、因而非半鞅（non-semimartingale）的过程。该方法实现了对布朗半平稳（Brownian semistationary, BSS）过程中集成波动率与光滑性参数估计量的精确模拟与有限样本评估，即使每单位时间仅有 200 个观测值，性能依然出色。
Motivated by the construction of the Itô stochastic integral, we consider a step function method to discretize and simulate volatility modulated Lévy semistationary processes. Moreover, we assess the accuracy of the method with a particular focus on integrating kernels with a singularity at the origin. Using the simulation method, we study the finite sample properties of some recently developed estimators of realized volatility and associated parametric estimators for Brownian semistationary processes. Although the theoretical properties of these estimators have been established under high frequency asymptotics, it turns out that the estimators perform well also in a low frequency setting.
研究动机与目标
- 开发一种针对 Lévy 半平稳过程的可靠模拟方案，特别是针对在原点具有奇异核、因而为非半鞅的过程。
- 评估该离散化方法的均方误差，尤其针对由伽马核驱动的过程。
- 评估近期提出的 BSS 过程中集成波动率与光滑性参数估计量的有限样本性能。
- 研究在低频采样下这些估计量的稳健性，特别是当波动率过程表现出长程依赖性时。
提出的方法
- 采用受 Itô 随机积分启发的阶梯函数近似方法对 LSS 过程进行离散化，从而通过数值积分实现模拟。
- 将该方法应用于伽马核情形，其在原点具有奇异性，导致非半鞅行为。
- 推导离散化方案的一般均方误差界，以量化模拟精度。
- 通过最多 20,000 次蒙特卡洛模拟，评估基于幂变差的估计量的有限样本性质。
- 从高频路径中子样本生成低频观测值，评估估计量的偏差与一致性。
- 在不同随机波动率设定下，使用 L1、L2 和上确界范数检验常数波动率的原假设。
实验结果
研究问题
- RQ1对于具有奇异核的 LSS 过程，阶梯函数离散化方法的准确性如何，尤其在均方误差方面？
- RQ2在有限样本中，集成波动率与光滑性参数估计量的表现如何，特别是在观测数量较少时？
- RQ3当核函数在原点存在奇异性导致过程为非半鞅时，该离散化方法是否仍有效？
- RQ4采样频率如何影响光滑性参数与波动率恒定性估计量的偏差与统计功效？
- RQ5在不同随机波动率动态下，基于幂变差的估计量的有限样本表现如何？
主要发现
- 阶梯函数离散化方法在 LSS 过程中表现出高精度，均方误差随网格细化而减小，尤其对奇异核情形至关重要。
- 即使每单位时间仅有 200 个观测值，集成波动率与光滑性参数估计量的表现依然出色，表明其具有强大的有限样本性质。
- 当采样频率较低且 λ 较大时，光滑性参数 α 的估计量表现出向下偏差，凸显采样设计需格外谨慎。
- 对常数波动率的检验功效（H₀: σₜ = σ）随样本量增加而提高，在 L² 范数下最高，当 N=1000 且 β=0.05 时功效超过 95%。
- 当 β=5.0 时，在 L² 范数下 N=1000 时功效超过 90%，表明能有效检测长记忆波动率动态。
- 该模拟方案成功捕捉了 LSS 过程的非马氏性与非半鞅特性，尤其在结合高频路径子样本时更为显著。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。