[论文解读] CARMA Processes driven by Non-Gaussian Noise

Robert Stelzer|arXiv (Cornell University)|Dec 30, 2011

Financial Risk and Volatility Modeling参考文献 49被引用 4

一句话总结

本文研究了由非高斯 Lévy 过程驱动的连续时间自回归移动平均（CARMA）过程，实现了对多变量时间序列中重尾和跳扩散现象的灵活建模。该研究建立了理论基础、谱表示方法，并通过近似最大似然估计实现参数估计，证明了能够从采样路径中准确恢复 Lévy 过程的特征。

ABSTRACT

We present an outline of the theory of certain Lévy-driven, multivariate stochastic processes, where the processes are represented by rational transfer functions (Continuous-time AutoRegressive Moving Average or CARMA models) and their applications in non-Gaussian time series modelling. We discuss in detail their definition, their spectral representation, the equivalence to linear state space models and further properties like the second order structure and the tail behaviour under a heavy-tailed input. Furthermore, we study the estimation of the parameters using quasi-maximum likelihood estimates for the auto-regressive and moving average parameters, as well as how to estimate the driving Lévy process.

研究动机与目标

• 将 CARMA 过程从高斯噪声扩展至非高斯噪声，以在多变量时间序列中建模偏度和重尾等非高斯特征。
• 为 Lévy 过程驱动的 CARMA 过程建立严格的理论框架，包括谱表示以及与线性状态空间模型的等价性。
• 开发针对 CARMA 参数和底层 Lévy 过程特征的统计估计方法。
• 通过基于 Lévy 过程驱动的 Ornstein–Uhlenbeck 过程的模拟研究，验证估计方法的有效性。

提出的方法

• 将多变量 CARMA 过程正式定义为具有有理传递函数和 Lévy 过程输入的随机微分方程的解。
• 通过随机傅里叶变换推导谱表示，建立 CARMA 过程与 Lévy 过程线性滤波之间的联系。
• 证明 CARMA 模型与线性状态空间模型之间的等价性，从而实现高效计算和控制理论解释。
• 在一般 Lévy 噪声下应用近似最大似然估计（QMLE）方法，对自回归和移动平均参数进行估计。
• 利用高频采样近似 Lévy 增量，并通过最大似然法估计驱动 Lévy 过程的分布。
• 基于模拟研究验证方法：使用 100 条路径的伽马分布增量驱动的 Ornstein–Uhlenbeck 过程，采样网格大小分别为 h = 0.01、0.1 和 1。

实验结果

研究问题

• RQ1 如何在保持理论可处理性和建模灵活性的前提下，将 CARMA 过程推广至非高斯 Lévy 噪声？
• RQ2 在重尾输入条件下，Lévy 过程驱动的 CARMA 过程的谱特性与二阶性质是什么？
• RQ3 近似最大似然估计能否可靠地从离散观测中恢复 CARMA 参数和驱动 Lévy 过程的特征？
• RQ4 从 CARMA 过程的采样路径中，Lévy 过程分布的恢复精度如何，尤其是在重尾条件下？
• RQ5 该估计方法的有限样本性质如何？其表现如何依赖于采样频率？

主要发现

• 近似最大似然方法成功估计了由非高斯 Lévy 噪声驱动的 CARMA 过程的自回归和移动平均参数。
• 在 h = 0.01 的采样频率下，标准化伽马过程的参数 γ 估计值为 2.0039（均值），标准误为 0.0314，表明估计精度较高。
• 当采样网格大小从 h = 0.01 增加到 h = 1 时，γ 估计量的标准误从 0.0314 上升至 0.0539，表明对采样频率敏感。
• 对 100 条模拟路径的平均显著改善了估计的 Lévy 增量密度与真实密度的拟合程度，实现近乎完美的视觉匹配。
• 该方法能有效恢复真实的底层 Lévy 过程分布，如单路径和合并路径模拟中估计密度与理论密度的紧密匹配所证实。
• 模拟研究证实，高频采样可实现对驱动 Lévy 过程的非参数与参数推断，即使在重尾分布下也具有较高准确性。