[论文解读] Parametric estimation for a parabolic linear SPDE model based on sampled data

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

Stochastic processes and financial applications参考文献 32被引用 7

一句话总结

本文提出了一种基于高频离散时空数据的抛物型线性随机偏微分方程（SPDE）系数参数的自适应最大似然估计方法。通过利用稀释数据和转换为Ornstein-Uhlenbeck扩散过程的坐标过程，该方法在正则性条件下实现了所有参数（包括波动率和漂移系数）估计量的渐近正态性。

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.

研究动机与目标

• 解决仅能获得离散高频时空观测数据时，抛物型线性SPDE参数推断的挑战。
• 通过数据稀释和坐标过程变换开发自适应方法，克服现有估计量的局限性，提高效率。
• 在正则性条件下建立所提估计量的渐近正态性，确保统计推断的有效性。
• 提供适用于固定时间跨度和大时间跨度两种情形的框架，增强在随机建模中的实际应用价值。
• 通过模拟研究和参数对样本路径影响的示例，验证理论结果。

提出的方法

• 通过使用正弦基函数的特征函数展开，将SPDE转化为一组坐标过程的系统，将SPDE简化为一组随机常微分方程。
• 利用每个坐标过程均服从Ornstein-Uhlenbeck过程的性质，使扩散过程估计技术得以应用。
• 基于Bibinger和Trabs（2017）的方法，首先对归一化波动率 $\sigma_0^2$ 和曲率参数 $\eta = \theta_1 / \theta_2$ 应用最小对比估计量。
• 通过将这些初步估计值嵌入完整参数向量 $\theta = (\theta_0, \theta_1, \theta_2, \sigma)$ 的拟对数似然函数中，构建自适应最大似然估计量。
• 利用稀释数据降低依赖性，改善渐近性质，确保在高频采样情形下的一致性和效率。
• 在正则性条件下证明自适应ML估计量的渐近正态性，分别推导出固定 $T$ 和大 $T$ 情况下的显式极限协方差矩阵。

实验结果

研究问题

• RQ1 能否基于高频离散时空数据，为抛物型线性SPDE的所有参数构造出自适应最大似然估计量？
• RQ2 与标准方法相比，使用稀释数据和坐标过程变换如何提升估计效率？
• RQ3 在高频采样条件下，所提自适应估计量的渐近性质（特别是渐近正态性）如何？
• RQ4 在有限样本中，估计量的表现如何？其行为在 $\theta_0$、$\theta_1$、$\theta_2$ 和 $\sigma$ 参数值变化时有何表现？
• RQ5 所提方法能否扩展至大时间跨度 $T$？在此情形下，渐近分布如何变化？

主要发现

• 在正则性条件下，$\theta_0$、$\theta_1$、$\theta_2$ 和 $\sigma$ 的自适应最大似然估计量具有渐近正态性，空间和时间采样下的收敛速率分别为 $\sqrt{N}$ 和 $\sqrt{M}$。
• 在固定 $T$ 情况下，估计量的联合渐近分布为多元正态分布，其协方差矩阵涉及 $\sigma^*$、$\theta_2^*$ 和 $\theta_1^*$。
• 在大 $T$ 范畴中，通过基于近似坐标过程的拟对数似然函数推导出估计量的渐近分布，其收敛于具有不同协方差结构的正态分布。
• 大 $T$ 情况下的极限协方差矩阵包含涉及 $2(\sigma^*)^4$、$8(\theta_2^*)^2$、$8(\theta_1^*)^2$ 和 $2\lambda_1^*$ 的项，反映了对真实参数值的依赖性。
• 模拟结果验证了估计量的渐近正态性及其有限样本性能，支持理论发现。
• 参数 $\theta_0$ 显著影响过程的时间演化，尤其在 $T$ 较大时；$\theta_1$ 控制空间不对称性，$\theta_2$ 决定扩散速率，$\sigma$ 调节噪声的振幅。