[论文解读] Discretely sampled signals and the rough Hoff path

Guy Flint, Ben Hambly+1 more|arXiv (Cornell University)|Oct 15, 2013

Stochastic processes and financial applications被引用 1

一句话总结

本文提出了霍夫过程（Hoff process）——一种基于离散采样半鞅构造的分段线性、轴向粗糙路径，通过结合过去与未来的增量实现。该文证明了伊藤积分作为由该过程驱动的随机常微分方程解的极限出现，与沃尔格-扎卡里（Wong-Zakai）理论中预期的斯特拉托诺维奇极限形成对比，并为随机积分提供了一种具有金融可解释性的框架。

ABSTRACT

We introduce a canonical method for transforming a discrete sequential data set into an associated rough path made up of lead-lag increments. In particular, by sampling a $d$-dimensional continuous semimartingale $X:[0,1] ightarrow \mathbb{R}^d$ at a set of times $D=(t_i)$, we construct a piecewise linear, axis-directed process $X^D: [0,1] ightarrow\mathbb{R}^{2d}$ comprised of a past and future component. We call such an object the Hoff process associated with the discrete data $\{X_{t}\}_{t_i\in D}$. The Hoff process can be lifted to its natural rough path enhancement and we consider the question of convergence as the sampling frequency increases. We prove that the Ito integral can be recovered from a sequence of random ODEs driven by the components of $X^D$. This is in contrast to the usual Stratonovich integral limit suggested by the classical Wong-Zakai Theorem. Such random ODEs have a natural interpretation in the context of mathematical finance.

研究动机与目标

• 开发一种将离散序列数据系统性转换为适合随机分析的粗糙路径表示的规范方法。
• 从采样半鞅构造一种分段线性、轴向定向的过程，以捕捉数据的领先与滞后分量。
• 在采样频率不断提高的条件下，建立所构造过程的粗糙路径增强对伊藤积分的收敛性。
• 通过由霍夫过程驱动的随机常微分方程，提供一种与经典斯特拉托诺维奇极限不同的随机积分新解释。
• 为离散采样场景下的随机积分提供一种数学上严谨且具有金融可解释性的框架。

提出的方法

• 在离散时间点 $D = \{t_i\}$ 上采样一个 $d$-维连续半鞅 $X$，形成观测序列 $\{X_{t_i}\}$。
• 将霍夫过程 $X^D: [0,1] \to \mathbb{R}^{2d}$ 定义为一种分段线性、轴向定向的过程，其由 $X$ 的增量所导出的过去与未来分量构成。
• 将霍夫过程 $X^D$ 提升为其自然粗糙路径增强形式，以使其能够在粗糙路径理论框架内进行分析。
• 证明当采样趋于密集时，粗糙路径 $X^D$ 收敛于原始半鞅的规范粗糙路径。
• 构造一系列由 $X^D$ 各分量驱动的随机常微分方程（SDEs），并证明其解可恢复原始半鞅的伊藤积分。
• 建立这些随机常微分方程的极限为伊藤积分，与沃尔格-扎卡里定理所预期的斯特拉托诺维奇极限形成对比。

实验结果

研究问题

• RQ1 如何将从连续半鞅中获得的离散数据集系统性地转换为适合随机积分的粗糙路径？
• RQ2 当采样频率增加时，霍夫过程的粗糙路径增强的极限行为是什么？
• RQ3 伊藤积分能否作为由离散采样过程驱动的随机常微分方程解的极限被恢复？
• RQ4 霍夫过程的收敛性与经典沃尔格-扎卡里结果有何不同，特别是在积分类型（伊藤 vs. 斯特拉托诺维奇）方面？
• RQ5 在离散时间随机建模背景下，由霍夫过程驱动的随机常微分方程具有何种金融解释？

主要发现

• 霍夫过程被构造为 $\mathbb{R}^{2d}$ 中的分段线性、轴向定向路径，基于 $d$-维半鞅的离散增量，能够捕捉其领先与滞后分量。
• 当采样趋于密集时，霍夫过程的粗糙路径增强收敛于底层连续半鞅的规范粗糙路径。
• 由霍夫过程各分量驱动的一系列随机常微分方程的解，收敛于原始半鞅的伊藤积分。
• 该收敛性与经典沃尔格-扎卡里定理形成对比，后者在类似条件下预测收敛于斯特拉托诺维奇积分。
• 该框架为离散随机积分中的沃尔格-扎卡里型近似提供了一种数学上严谨且具有金融可解释性的替代方案。
• 该方法为在数据以离散时间观测的场景下提供了随机积分的新计算路径，具有直接的量化金融应用价值。