[论文解读] Gaussian Fluid Queue with Autocorrelated Input

Kerry Fendick|arXiv (Cornell University)|Apr 25, 2011

Complex Systems and Time Series Analysis参考文献 24被引用 3

一句话总结

本文通过将布朗运动扩展为包含平稳自相关增量的过程，提出了一种广义高斯流体队列模型。该模型通过漂移、波动率和自相关三个参数表征此类过程，实现了基于历史信息的瞬态队列分布推导，为具有记忆效应的金融与商业建模提供了可计算的框架。

ABSTRACT

This paper develops a generalization of Brownian motion with stationary, autocorrelated increments as a tractable model for problems in business and finance. We show that any real continuous Gaussian Markov process with stationary increments and smooth covariance function is characterized by three parameters quantifying drift, volatility, and autocorrelations. We model a queue as a functional of a process defined by those characteristics and derive its transient distribution conditional on its history.

研究动机与目标

• 开发一种适用于商业与金融中具有记忆效应的流体队列的可计算随机模型。
• 通过引入平稳自相关增量，推广布朗运动。
• 通过三个关键参数——漂移、波动率和自相关——表征具有平稳增量和光滑协方差的连续高斯马氏过程。
• 推导基于历史信息的队列过程瞬态分布。
• 为具有输入过程持久依赖性的系统建模提供计算上可行的框架。

提出的方法

• 将输入过程建模为具有平稳增量和光滑协方差函数的连续高斯马氏过程。
• 使用三个特征参数化该过程：漂移（μ）、波动率（σ）和自相关（ρ）。
• 将流体队列定义为该过程的泛函，表示累积工作量或内容。
• 利用随机微积分推导给定历史信息下队列状态的瞬态分布。
• 应用高斯过程理论与条件期望结果，以闭式表达分布。
• 通过保持马氏性与高斯性，确保模型的解析可处理性。

实验结果

研究问题

• RQ1 如何在保持可计算性的前提下，将布朗运动推广以包含自相关增量？
• RQ2 哪组最小参数可完全表征具有平稳增量和光滑协方差的连续高斯马氏过程？
• RQ3 自相关性的引入如何影响流体队列的瞬态行为？
• RQ4 当输入增量具有自相关性时，是否可以显式推导出流体队列的条件分布？
• RQ5 在具有记忆的高斯输入下，队列过程的数学结构是什么？

主要发现

• 任何具有平稳增量和光滑协方差的实值连续高斯马氏过程，均可由三个参数——漂移、波动率和自相关——完全表征。
• 流体队列被建模为该三参数高斯过程的泛函，从而实现解析处理。
• 队列的瞬态分布基于其历史条件推导得出，提供了路径依赖的解决方案。
• 尽管引入了自相关性，该模型仍保持解析可处理性，这是对标准布朗运动流体队列的重要扩展。
• 该框架适用于输入过程表现出长记忆性或持久性的商业与金融应用。
• 推导出的分布允许在给定初始条件和历史信息的前提下，对有限时间点的队列内容进行精确推断。