[论文解读] A note on parameter estimation for discretely sampled SPDEs

Igor Cialenco, Yicong Huang|arXiv (Cornell University)|Oct 4, 2017

Stochastic processes and financial applications参考文献 14被引用 8

一句话总结

该论文提出了一类一致且渐近正态的估计量，用于在一维随机热方程中估计漂移和波动率参数，基于离散采样数据——无论是固定空间点的时间采样，还是固定时间点的空间采样。这些估计量通过幂变差和马利avin微积分推导得出，在最小采样假设下，无论定义域有界或无界，均实现 $1/\sqrt{n}$ 的收敛速度。

ABSTRACT

We consider a parameter estimation problem for one dimensional stochastic heat equations, when data is sampled discretely in time or spatial component. We prove that, the real valued parameter next to the Laplacian (the drift), and the constant parameter in front of the noise (the volatility) can be consistently estimated under somewhat surprisingly minimal information. Namely, it is enough to observe the solution at a fixed time and on a discrete spatial grid, or at a fixed space point and at discrete time instances of a finite interval, assuming that the mesh-size goes to zero. The proposed estimators have the same form and asymptotic properties regardless of the nature of the domain - bounded domain or whole space. The derivation of the estimators and the proofs of their asymptotic properties are based on computations of power variations of some relevant stochastic processes. We use elements of Malliavin calculus to establish the asymptotic normality properties in the case of bounded domain. We also discuss the joint estimation problem of the drift and volatility coefficient. We conclude with some numerical experiments that illustrate the obtained theoretical results.

研究动机与目标

• 解决在缺乏谱数据条件下，SPDE统计推断方法的缺失问题，特别是在离散采样情形下。
• 基于最少数据（离散时间或空间观测）开发随机热方程中漂移（θ）与波动率（σ）参数的估计量。
• 在弱假设下建立估计量的一致性与渐近正态性，包括仅使用一个空间点或一个时间点的网格采样。
• 通过利用幂变差的局部性质，统一有界与无界定义域的估计理论。
• 将框架扩展至θ与σ的联合估计，并通过数值实验验证结果。

提出的方法

• 基于解过程的幂变差构造估计量，以捕捉SPDE解的二次变差结构。
• 利用马利avin微积分在有界域情况下建立估计量的渐近正态性，尤其针对漂移参数。
• 构造对定义域类型（有界或整个空间）不变的估计量，仅依赖于局部采样行为。
• 应用p-变差与分布收敛理论，证明在网格尺寸趋于零时的一致性与渐近正态性。
• 通过特征函数展开在有界域中显式表示解，推导出估计量的可计算形式。
• 通过模拟离散采样方案与估计量性能的数值实验，验证理论结果。

实验结果

研究问题

• RQ1 当仅能获得SPDE解的离散时间或离散空间观测时，能否构造出漂移与波动率参数的一致且渐近正态的估计量？
• RQ2 何种最小采样方案（如单个空间点随时间采样或单个时间点随空间采样）仍能实现一致的参数估计？
• RQ3 估计量的渐近性质（特别是相合性与正态性）如何依赖于定义域类型（有界 vs. 无界）？
• RQ4 能否使用相同的采样方案与估计量结构实现漂移与波动率参数的联合估计？
• RQ5 马利avin微积分在有界域中证明估计量渐近正态性的过程中起到何种作用？

主要发现

• 在离散采样下，漂移θ与波动率σ的估计量具有一致性与渐近正态性，收敛速度为 $1/\sqrt{n}$，其中 $n$ 为采样点数。
• 相同形式的估计量适用于有界与无界定义域，由于其局部结构而表现出定义域不变性。
• 在有界域中，漂移估计量的渐近正态性通过马利avin微积分与多重伊滕积分的收敛性得以建立。
• θ与σ的联合估计可通过相同采样方案实现，且估计量保持相同的渐近性质。
• 数值实验验证了理论收敛速度，并确认了估计量在有限样本下的表现。
• 一个关键技术结果是极限 $\lim_{n\to\infty} \sqrt{n} \sum_{k\geq 1} \frac{\sin^2(kx)}{k^2} (1 - e^{-\theta k^2 / n}) = \frac{\sqrt{\pi\theta}}{2}$，该结果用于推导渐近方差。