[论文解读] Adaptive nonparametric estimation for compound Poisson processes robust to the discrete-observation scheme

Alberto J. Coca|arXiv (Cornell University)|Mar 27, 2018

Stochastic processes and financial applications参考文献 36被引用 5

一句话总结

该论文提出了一种自适应的非参数估计器，用于在离散时间观测下估计复合泊松过程的 Lévy 密度，采用基于一般 Calderón–Zygmund 积分算子的谱方法。该方法在 $L^p$ 损失下于 Besov 球上实现了极小极大最优估计速率，并对高频、低频及任意频率的观测方案具有鲁棒性，借助 Lepski 方法和针对经验特征函数的新型浓度不等式实现。

ABSTRACT

A compound Poisson process whose jump measure and intensity are unknown is observed at finitely many equispaced times. We construct a purely data-driven estimator of the Lévy density $ν$ through the spectral approach using general Calderon--Zygmund integral operators, which include convolution and projection kernels. Assuming minimal tail assumptions, it is shown to estimate $ν$ at the minimax rate of estimation over Besov balls under the losses $L^p(\mathbb{R})$, $p\in[1,\infty]$, and robustly to the observation regime (high- and low-frequency). To achieve adaptation in a minimax sense, we use Lepskiĭ's method as it is particularly well-suited for our generality. Thus, novel exponential-concentration inequalities are proved including one for the uniform fluctuations of the empirical characteristic function. These are of independent interest, as are the proof-strategies employed to deal with general Calderon--Zygmund operators, to depart from the ubiquitous quadratic structure and to show robustness without polynomial-tail conditions. Part of the motivation for such generality is a new insight we include here too that, furthermore, allows us to unify the main two approaches to construct estimators used in related literature.

研究动机与目标

• 提出一种在一般离散观测方案下，针对复合泊松过程 Lévy 密度的、基于数据驱动的自适应估计器。
• 在 $L^p$ 损失下，于 $p \in [1, \infty]$ 条件下，在 Besov 球上实现极小极大最优估计速率。
• 确保对观测方案的鲁棒性——无论采样频率为高、低或任意——且无需假设 Lévy 测度具有多项式尾部。
• 通过基于 Calderón–Zygmund 算子的一般框架，统一文献中两种主流的非参数 Lévy 过程估计方法。
• 建立经验特征函数均匀波动的新型指数浓度不等式，其本身具有独立兴趣。

提出的方法

• 通过使用一般 Calderón–Zygmund 积分算子的谱方法构造估计器，该方法推广了卷积和投影核。
• 采用 Lepski 方法在极小极大意义下实现自适应，通过在多个平滑水平上平衡偏差与方差。
• 该方法依赖于增量的经验特征函数，其在频率带上的均匀波动已推导出浓度不等式。
• 在对跳跃测度尾部假设最小的条件下，证明了经验特征函数实部与虚部的新型指数浓度不等式。
• 证明策略摒弃了二次结构的依赖，转而采用调和分析工具，并处理一般 Calderón–Zygmund 算子，避免了对矩或尾部条件的严格限制。
• 通过仅依赖最小的正则性与可积性条件，而非假设 Lévy 测度的多项式衰减，实现了对观测方案的鲁棒性。

实验结果

研究问题

• RQ1 能否构造一种完全基于数据的自适应非参数估计器，在离散观测下实现复合泊松过程 Lévy 密度估计的极小极大最优速率？
• RQ2 是否可能在不施加跳跃测度多项式尾部条件的前提下，构造对高频、低频及任意频率观测方案均鲁棒的估计器？
• RQ3 如何在具有通用 Calderón–Zygmund 算子的一类非线性逆问题设定中有效应用 Lepski 方法？
• RQ4 在该一般设定下，为控制经验特征函数的均匀波动，需要哪些新型浓度不等式？
• RQ5 文献中两种主流方法——小时间展开与谱方法——能否在单一框架下实现形式上的统一？

主要发现

• 所提出的估计器在 $L^p(\mathbb{R})$ 损失下，于所有 $p \in [1, \infty]$ 条件下，在 Besov 球上实现了极小极大收敛速率。
• 该估计器对观测方案具有鲁棒性：无论采样频率为高、低或任意，均能实现最优性能。
• 通过 Lepski 原理实现自适应，从数据中选择最优平滑水平，而无需事先知晓光滑度。
• 建立了经验特征函数均匀偏差的新型指数浓度不等式，其界依赖于观测时间与 Lévy 强度。
• 证明框架避免了对二次结构的依赖，可推广至任意 Calderón–Zygmund 积分算子，超越了基于卷积的方法。
• 本工作提供了一个统一视角，将小时间展开与谱估计方法在复合泊松过程的非参数推断中正式统一起来。