[论文解读] Limit theorems for the sample autocovariance of a continuous-time moving average process with long memory

Felix Spangenberg|arXiv (Cornell University)|Feb 17, 2015

Stochastic processes and financial applications参考文献 16被引用 6

一句话总结

本文建立了连续时间长记忆移动平均过程样本自协方差的渐近分布，表明其依分布收敛于罗森布拉特分布或稳定分布，具体取决于 Lévy 过程的尾部行为与记忆参数 $ d \in (0, \frac{1}{2}) $。结果将 Horváth 和 Kokoszka 在离散时间设定下的发现扩展至连续时间情形，证实长程依赖性在重尾或方差有限的创新条件下，会使样本自协方差的极限呈现非高斯分布。

ABSTRACT

We examine the asymptotic behaviour of the sample autocovariance in a continuous-time moving average model with long-range dependence. We show that it is either asymptotically Rosenblatt distributed or stable distributed. This shows that results by Horváth and Kokoszka for discrete-time moving average processes with long memory also hold for continuous-time moving average processes.

研究动机与目标

• 将样本自协方差的渐近理论从离散时间扩展至连续时间长记忆移动平均过程。
• 在 $ d \in (0, \frac{1}{2}) $ 的长程依赖条件下，确定样本自协方差的极限分布。
• 建立极限分布为罗森布拉特分布（当四阶矩有限时）或稳定分布（当噪声呈正则变指数时）的条件。
• 验证结果在 FICARMA 过程和分数阶 Lévy 噪声中的适用性。

提出的方法

• 将连续时间移动平均过程建模为 $ X_t = \int_{-\infty}^{\infty} f(t-s) \, dL_s $，其中 $ L $ 为零均值 Lévy 过程，且 $ f \in L^2(\mathbb{R}) $，满足当 $ t \to \infty $ 时 $ f(t) \sim C_d t^{d-1} $。
• 利用 Itô 等距公式，将自协方差函数表示为 $ \gamma(h) = \sigma^2 \int_{-\infty}^{\infty} f(s)f(s+h) \, ds $。
• 通过多变量 Wiener 积分和 U-统计量的极限定理，分析样本自协方差 $ \hat{\gamma}_N(h) = \frac{1}{N} \int_0^N X_t X_{t+h} \, dt $。
• 应用 delta 方法，推导样本自相关系数的渐近分布以及记忆参数 $ d $ 的估计量。
• 确立当 $ d \in (\frac{1}{4}, \frac{1}{2}) $ 且 $ \mathbb{E}[L_1^4] < \infty $ 时，罗森布拉特过程 $ U_d(1) $ 作为极限分布的作用。
• 证明当 Lévy 噪声具有正则变指数 $ \alpha \in (2,4) $ 时，若 $ d < \frac{1}{\alpha} $，则极限为稳定分布；若 $ d > \frac{1}{\alpha} $，则极限为罗森布拉特分布。

实验结果

研究问题

• RQ1 在连续时间长记忆移动平均过程中，样本自协方差的渐近分布是什么？
• RQ2 极限分布如何依赖于 Lévy 噪声的尾部行为（四阶矩有限 vs. 正则变指数）？
• RQ3 罗森布拉特分布是否如在离散时间模型中那样，在连续时间模型中也因长程依赖性而出现？
• RQ4 这些结果能否推广至 FICARMA 过程和分数阶 Lévy 噪声？
• RQ5 在长程依赖条件下，样本自相关系数与 $ d $-估计量的渐近行为如何？

主要发现

• 当 $ d \in (\frac{1}{4}, \frac{1}{2}) $ 且 $ \mathbb{E}[L_1^4] < \infty $ 时，样本自协方差 $ \hat{\gamma}_N(h) $ 依分布收敛于罗森布拉特随机变量 $ U_d(1) $ 的倍数，缩放因子为 $ C_d^2 \sigma^2 $。
• 当 Lévy 噪声为正则变指数 $ \alpha \in (2,4) $ 时，若 $ d < \frac{1}{\alpha} $，则 $ \hat{\gamma}_N(h) $ 的极限分布为稳定分布；若 $ d > \frac{1}{\alpha} $，则极限分布为罗森布拉特分布。
• 当 $ d \in (\frac{1}{4}, \frac{1}{2}) $ 且四阶矩有限时，样本自相关系数 $ \hat{\rho}_N(h) $ 的渐近分布为 $ C_d^2 \sigma^2 U_d(1) \frac{1 - \rho(h)}{\gamma(0)} $。
• 当 $ d \in (\frac{1}{4}, \frac{1}{2}) $ 且 $ \mathbb{E}[L_1^4] < \infty $ 时，记忆参数 $ d $ 的估计量 $ \hat{d} = \frac{1}{2} \frac{\log(\hat{\rho}_N(1) + 1)}{\log 2} $ 的渐近分布为罗森布拉特分布，扩展了先前的正态性结果。
• FICARMA 过程满足核函数条件 $ f(t) \sim C_d t^{d-1} $（当 $ t \to \infty $ 时），使得本研究结果适用于这一类连续时间长记忆过程。
• 结果证实，Horváth 和 Kokoszka 在离散时间长记忆移动平均过程中观察到的非高斯极限行为，在连续时间设定下依然成立。