[论文解读] Eigenvalues and eigenvectors of tau matrices with applications to Markov processes and economics

Sven‐Erik Ekström, Carlo Garoni+2 more|arXiv (Cornell University)|Jun 10, 2021

Random Matrices and Applications参考文献 33被引用 3

一句话总结

本文通过谱分析和特征值方程，推导出 τε,ϕ 矩阵（三对角托普利茨矩阵的推广）的异常值和特征向量的精确渐近公式。当 εϕ = 1 时，提供了完整的特征分解，并将结果应用于生灭过程、随机游走以及财富与收入不平等的多维反射扩散模型，得出平稳分布、收敛速率和财富矩的闭式表达式。

ABSTRACT

In the context of matrix displacement decomposition, Bozzo and Di Fiore introduced the so-called $ au_{\varepsilon,\varphi}$ algebra, a generalization of the more known $ au$ algebra originally proposed by Bini and Capovani. We study the properties of eigenvalues and eigenvectors of the generator $T_{n,\varepsilon,\varphi}$ of the $ au_{\varepsilon,\varphi}$ algebra. In particular, we derive the asymptotics for the outliers of $T_{n,\varepsilon,\varphi}$ and the associated eigenvectors; we obtain equations for the eigenvalues of $T_{n,\varepsilon,\varphi}$, which provide also the eigenvectors of $T_{n,\varepsilon,\varphi}$; and we compute the full eigendecomposition of $T_{n,\varepsilon,\varphi}$ in the specific case $\varepsilon\varphi=1$. We also present applications of our results in the context of queuing models, random walks, and diffusion processes, with a special attention to their implications in the study of wealth/income inequality and portfolio dynamics.

研究动机与目标

• 分析 Tn,ε,ϕ（τε,ϕ 代数的生成元）的谱性质，特别是其异常值及其关联的特征向量。
• 为任意实数 ε, ϕ 推导 Tn,ε,ϕ 的特征值与特征向量的精确方程，实现完整的特征分解。
• 在特殊情形 εϕ = 1 下，计算 Tn,ε,ϕ 的完整特征分解，该情形在关键应用中出现。
• 将谱结果应用于排队模型、随机游走、扩散过程以及财富与收入不平等的经济模型。
• 在多维反射扩散模型中，推导投资组合动态的平稳分布、收敛速度以及矩（如财富的均值与方差）的解析表达式。

提出的方法

• 利用矩阵位移分解和 τε,ϕ 代数的性质，推导对称性与变换恒等式，包括 Tn,ϕ,ε = EnTn,ε,ϕEn。
• 通过摄动分析与谱交错性，建立异常值及其特征向量的渐近展开，并通过数值方法验证。
• 推导出同时给出 Tn,ε,ϕ 的特征值与特征向量的特征值方程，适用于一般实数 ε, ϕ ∈ ℝ。
• 在 εϕ = 1 的情形下，显式求解特征值方程，从而实现完整的特征分解。
• 将谱结果应用于具有常系数的多维反射扩散过程，以建模财富与收入动态。
• 利用特征分解，通过闭式表达式与灵敏度导数，计算平稳分布、收敛速率以及矩（如 E[W(X)] 和 Var[W(X)])。

实验结果

研究问题

• RQ1 当 n → ∞ 时，Tn,ε,ϕ 的特征值与特征向量（特别是 [−2, 2] 外的异常值）的渐近行为如何？
• RQ2 能否为任意实数 ε, ϕ 推导出 Tn,ε,ϕ 的所有特征值与特征向量的精确方程？
• RQ3 当 εϕ = 1 时，Tn,ε,ϕ 的完整特征分解是什么？其如何简化谱分析？
• RQ4 Tn,ε,ϕ 的谱性质如何用于建模与分析排队系统、随机游走与扩散过程中的稳态行为？
• RQ5 在多维反射扩散模型中，能否推导出投资组合动态的平稳分布、收敛速度以及矩（如财富的均值与方差）的解析表达式？

主要发现

• 在定理 3.1–3.3 中，推导出 Tn,ε,ϕ 的异常值及其关联特征向量的渐近行为，明确展示了其对 ε 与 ϕ 的显式依赖。
• 对于一般实数 ε, ϕ ∈ ℝ，Tn,ε,ϕ 的特征值满足同时可导出对应特征向量的方程，如定理 4.1–4.5 所形式化。
• 当 εϕ = 1 时，计算出 Tn,ε,ϕ 的完整特征分解，从而在该关键情形下实现精确的谱分析。
• 在多维反射扩散过程的应用中，财富的平稳分布以闭式表达式导出。
• 通过谱间隙，收敛至稳态的速度被解析刻画，其依赖于过程的参数。
• 推导出平稳分布的关键矩的闭式表达式，包括 E[W(X)] 与 Var[W(X)]，并为所有参数提供了灵敏度导数。