[논문 리뷰] Stein's Method for Law of Large Numbers under Sublinear Expectations

Yongsheng Song|arXiv (Cornell University)|2019. 04. 09.

Stochastic processes and financial applications참고 문헌 5인용 수 6

한 줄 요약

이 논문은 비선형 기대(서브선형 기대) 설정에서 대수의 법칙에 대한 오차 추정을 도출하기 위해 스텐 방법 프레임워크를 수립한다. 해밀턴-자코비-벨리만 방정식의 연속 해를 구성하고, 부드러운 근사법을 사용하여 리프시츠 함수의 최대값에 대한 수렴 속도 $ O(n^{-1/2}) $ 를 증명한다. 이는 고전적 스텐 방법을 서브선형 설정으로 확장한 것으로, 두 번째 절대모멘트에 의존하는 명시적 상한을 제공한다.

ABSTRACT

Peng, S. (\cite{P08b}) proved the law of large numbers under a sublinear expectation. In this paper, we give its error estimates by Stein's method.

연구 동기 및 목표

• 모델 불확실성으로 인해 고전적 확률 도구가 실패하는 서브선형 기대 공간에 스텐 방법을 확장하기 위해.
• 서브선형 기대 하에서 펑의 대수의 법칙에 대한 정량적 오차 한계를 제공하기 위해.
• 표본 평균이 구간 $[\underline{\mu}, \overline{\mu}]$ 상의 최대 분포로 수렴하는 속도를 확립하기 위해.
• 서브선형 설정에서 최대 분포 $\mathcal{M}_p$ 에 대한 스텐 유형의 특성화를 개발하기 위해.

제안 방법

• 해밀턴-자코비-벨리만 방정식 $ \partial_t v - p(\partial_x v) = 0 $ 에 대해 $ v(x,t) = \sup_{y \in [\underline{\mu}, \overline{\mu}]} \phi(x + ty) $ 를 만족하는 연속 해 $ v(x,t) $ 를 구성하며, 여기서 $ p(a) = \sup_{y \in [\underline{\mu}, \overline{\mu}]} ya $ 이다.
• 시간에 따라 변하는 함수 $ \phi_s(x) = v((1-s)x, s) $ 와 그 기대값 $ w(s) = \mathcal{N}[\phi_s] $ 를 정의하여, 거의 모든 $ s \in (0,1) $ 에 대해 $ w'(s) = \frac{1}{1-s} \mu_s[p(\phi_s') - x\phi_s'] $ 라는 미분 항등식을 이끌어낸다.
• 정규성 부족 문제를 다루기 위해 연속 해의 부드러운 근사 $ v_{n,\varepsilon} $ 를 사용하여 비동차 편미분방정식 $ \partial_t v - p(\partial_x v) = f(x,t) $ 를 풀이한다.
• 미분 연산자 반경 $ [\partial_x v(\cdot, s)]_\alpha $ 와 $ X_1 $ 의 모멘트를 활용하여, 차이 $ \hat{\mathbf{E}}[\phi(S_n)] - \sup_{y \in [\underline{\mu}, \overline{\mu}]} \phi(y) $ 의 적분 표현을 통해 오차 한계를 확립한다.
• 항등식 $ \sup_{y \in [\underline{\mu}, \overline{\mu}]} \phi(y) - \mathcal{N}[\phi] = \int_0^1 \frac{1}{1-s} \mu_s[p(\phi_s') - x\phi_s'] \, ds $ 를 적용하여 수렴 속도를 유도한다.
• 핵심 추정치 $ \left| \hat{\mathbf{E}}[\phi(S_n)] - \sup_{y \in [\underline{\mu}, \overline{\mu}]} \phi(y) \right| \leq C n^{-1/2} $ 를 증명하며, 여기서 $ C $ 는 $ \hat{\mathbf{E}}[|X_1|^2] $ 에 의존한다.

실험 결과

연구 질문

• RQ1 스텐 방법이 서브선형 기대 하에서 대수의 법칙에 대한 오차 추정에 적응 가능할 수 있는가?
• RQ2 이 비선형 설정에서 표본 평균 $ S_n $ 이 최대 분포 $ \mathcal{M}_p $ 로 수렴하는 속도는 무엇인가?
• RQ3 해밀턴-자코비-벨리만 방정식의 해가 충분한 정규성을 갖지 못할 경우, 적절한 스텐 방정식 또는 대체 수단을 어떻게 구성할 수 있는가?
• RQ4 부드러운 근사가 서브선형 기대 공간에서 연속 해와 가측 함수 사이의 격차를 메우는 데 어떤 역할을 하는가?
• RQ5 서브선형 프레임워크에서 최대 분포 $ \mathcal{M}_p $ 에 대한 스텐 유형의 특성화를 어떻게 정의할 수 있는가?

주요 결과

• 논문은 서브선형 기대 하에서 대수의 법칙에 대해 $ O(n^{-1/2}) $ 수렴 속도를 확립하였으며, 이 상수는 오직 $ \hat{\mathbf{E}}[|X_1|^2] $ 에만 의존한다.
• 모든 $ \phi \in C_{b,Lip}(\mathbb{R}) $ 에 대해 리프시츠 노름이 1 이하일 때 오차 추정치 $ \left| \hat{\mathbf{E}}[\phi(S_n)] - \sup_{y \in [\underline{\mu}, \overline{\mu}]} \phi(y) \right| \leq C n^{-1/2} $ 가 성립한다.
• 이 방법은 해밀턴-자코비-벨리만 방정식의 연속 해에 대한 부드러운 근사를 구성하는 데 의존하며, 이는 비동차 편미분방정식의 해이다.
• 핵심 항등식 $ w'(s) = \frac{1}{1-s} \mu_s[p(\phi_s') - x\phi_s'] $ 는 $ \phi_s' $ 의 허더 반경과 $ X_1 $ 의 $ (1+\alpha) $-번째 모멘트를 통해 도함수 항목을 유한하게 제한함으로써 수렴 속도 유도에 기여한다.
• 스텐 유형의 특성화가 제공된다: $ \mathcal{N}[\phi] = \sup_{y \in [\underline{\mu}, \overline{\mu}]} \phi(y) $ 이다. 유일하게 $ \mathbb{E}_\mu[p(\varphi') - \xi \varphi'] = 0 $ 이 모든 $ \varphi \in C_b^1(\mathbb{R}) $ 과 $ \mu \in \Theta_\varphi $ 에 대해 성립할 때, 여기서 $ p(a) = \sup_{y \in [\underline{\mu}, \overline{\mu}]} ya $ 이다.
• 이전의 추정치 $ \hat{\mathbf{E}}[d_{[\underline{\mu}, \overline{\mu}]}^2(S_n)] \leq \frac{2(\overline{\sigma}^2 + (\overline{\mu} - \underline{\mu})^2)}{n} $ 에 비해, 리프시츠 함수에 대해 더 날카로운 $ O(n^{-1/2}) $ 수렴 속도를 제공함으로써 결과를 향상시켰다.