[论文解读] A Characteristic Function on the Space of Signatures of Geometric Rough Paths

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

Stochastic processes and statistical mechanics被引用 2

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，并将该框架应用于Lévy、高斯和马氏粗糙路径，推进了粗糙路径理论中的基于签名的矩问题。

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

• 在几何粗糙路径的签名空间上定义特征函数，以实现概率分析。
• 通过识别充分条件，解决基于签名的矩问题，即在何种情况下随机变量由其期望签名唯一确定。
• 研究在粗糙路径签名背景下特征函数的解析性性质。
• 在签名空间中建立随机变量弱收敛的矩方法。
• 将理论框架应用于粗糙路径的具体类别，包括Lévy、高斯和马氏粗糙路径。

提出的方法

• 通过与对偶空间元素的内积指数形式，在几何粗糙路径的签名空间上定义特征函数。
• 利用特征函数的解析性性质，通过签名矩问题推导出概率测度的唯一性结果。
• 应用复分析技术，建立特征函数确定签名分布的条件。
• 通过证明特征函数收敛蕴含签名空间中底层随机变量的分布收敛，建立弱收敛的矩方法。
• 利用Lévy、高斯和马氏粗糙路径已知的正则性与矩性质，验证该框架的适用性。
• 利用签名映射的代数结构及自由幂零李群的普遍性质，分析特征函数。

实验结果

研究问题

• RQ1 在何种条件下，几何粗糙路径签名空间上的概率测度由其期望签名唯一确定？
• RQ2 签名空间上特征函数的解析性性质如何与签名分布的唯一性相关？
• RQ3 是否可在粗糙路径签名空间中建立随机变量弱收敛的矩方法？
• RQ4 在签名矩确定性方面，这些结果在多大程度上适用于Lévy、高斯和马氏粗糙路径？
• RQ5 粗糙路径签名的何种结构性质使得特征函数的定义与分析成为可能？

主要发现

• 在几何粗糙路径的签名空间上定义了特征函数，使基于解析方法的概率分析成为可能。
• 建立了充分条件，使随机变量由其期望签名唯一确定，解决了签名矩问题的关键方面。
• 在较弱的可积性与正则性条件下，特征函数具有解析性，从而可使用复分析工具。
• 证明了签名空间中弱收敛的矩方法，表明特征函数收敛蕴含底层随机变量在签名空间中的弱收敛。
• 该框架成功应用于Lévy、高斯和马氏粗糙路径，证明了其签名矩确定性的存在。
• 结果将经典矩问题推广至非马氏、粗糙路径设定，为具有有界p-变差样本路径的随机过程提供了新的分析工具。