[论文解读] Decompounding under Gaussian noise

Shota Gugushvili|ArXiv.org|Nov 5, 2007

Stochastic processes and financial applications参考文献 30被引用 6

一句话总结

本文提出了一种非参数估计器，用于估计在独立高斯噪声下观测到的复合泊松过程的跳跃大小密度 $ f $，采用傅里叶反演与核平滑方法。主要贡献是在低频采样条件下，即使跳跃因噪声不可观测，也能在固定点建立该估计器的渐近正态性。

ABSTRACT

Assuming that a stochastic process $X=(X_t)_{t\geq 0}$ is a sum of a compound Poisson process $Y=(Y_t)_{t\geq 0}$ with known intensity $λ$ and unknown jump size density $f,$ and an independent Brownian motion $Z=(Z_t)_{t\geq 0},$ we consider the problem of nonparametric estimation of $f$ from low frequency observations from $X.$ The estimator of $f$ is constructed via Fourier inversion and kernel smoothing. Our main result deals with asymptotic normality of the proposed estimator at a fixed point.

研究动机与目标

• 解决在复合泊松过程受独立布朗运动（高斯）噪声影响下，估计跳跃大小密度 $ f $ 的统计挑战。
• 聚焦于低频采样情形，此时跳跃无法直接观测，导致去卷积与去复合问题困难。
• 在泊松强度 $ \lambda $ 已知的假设下，为 $ f $ 构建非参数估计器。
• 在固定点建立所提估计器的渐近正态性，这是推断的关键理论结果。
• 提供估计器实现最优收敛速度的条件，并通过特征函数方法处理重尾或轻尾跳跃分布的情形。

提出的方法

• 通过观测过程 $ X_t = Y_t + Z_t $ 的经验特征函数进行傅里叶反演构造估计器，其中 $ Y_t $ 为复合泊松过程，$ Z_t $ 为布朗运动。
• 对傅里叶反演应用核平滑以稳定估计器并降低方差。
• 利用特征函数技术，将估计器表示为经验特征函数 $ \phi_{\text{emp}}(t) $ 和观测过程特征函数 $ \phi_X(t) $ 的形式。
• 通过在频率 $ \pm 1/h $ 处截断来控制偏差与方差，其中 $ h $ 为带宽参数。
• 利用事件 $ B_{nh} $ 的概率界，即经验特征函数显著偏离其期望的事件，以控制估计误差。
• 通过将偏差项分解为截断区域与尾部的贡献，利用特征函数 $ \phi_f(t) $ 的可积性与衰减性质分析偏差项。

实验结果

研究问题

• RQ1 当复合泊松过程在独立高斯噪声下观测，且仅能获得低频采样时，能否构造出跳跃大小密度 $ f $ 的非参数估计器？
• RQ2 此类估计器的渐近性质如何，特别是其在固定点的渐近正态性？
• RQ3 高斯噪声的存在如何影响去卷积与去复合问题，尤其是在跳跃无法直接观测时？
• RQ4 在跳跃密度 $ f $ 的何种条件下（如轻尾或重尾），估计器能实现最优收敛速度？
• RQ5 能否通过基于特征函数的方法与截断技术控制估计器的偏差与方差？

主要发现

• 在正则条件下，所提出的核平滑傅里叶估计器在固定点处具有渐近正态性。
• 对于特征函数衰减为 $ \phi_f(t) = O(e^{-|t|^\alpha}) $，$ \alpha > 1 $ 的轻尾跳跃密度，估计器的偏差主要由 $ h^{\alpha-1}e^{-1/h^{\alpha}} $ 主导；对于多项式衰减 $ \phi_f(t) = O(|t|^{-\gamma}) $ 的情形，则由 $ h^{\gamma-1} $ 主导。
• 方差项阶为 $ (nh)^{-1} $，在适当的带宽选择下，其相对于偏差项可忽略不计。
• 事件 $ B_{nh} $（即经验特征函数显著偏离其均值）的概率衰减足够快（为 $ O(n^{1-\rho}) $ 或 $ O(n^{-\rho/2}) $），从而确保渐近正态性。
• 在给定条件下，估计器实现了最优收敛速度，带宽选择中的对数项确保了偏差主导方差。
• 即使对于重尾跳跃分布，只要 $ f $ 的特征函数衰减足够快，结果依然成立，如 $ \zeta_n(h)h^{\alpha-1}e^{-1/h^{\alpha}} $ 发散至无穷大所示。