[论文解读] Log-Normal continuous cascades: aggregation properties and estimation. Application to financial time-series

Emmanuel Bacry, A. Kozhemyak+1 more|ArXiv.org|Apr 1, 2008

Complex Systems and Time Series Analysis参考文献 31被引用 9

一句话总结

该论文针对用于建模金融时间序列的对数正态连续级联——多分形过程——提出了一种统计估计框架，通过引入小间歇性（$ olambda^2 \ll 1$）下的近似。它确立了两种渐近情形：低频（观测窗口增大）可对所有参数实现一致估计，而高频（采样率提高）仅能一致估计间歇性系数 $ olambda^2$，并提出一种诊断方法以区分这两种情形并评估估计量的可靠性。

ABSTRACT

Log-normal continuous random cascades form a class of multifractal processes that has already been successfully used in various fields. Several statistical issues related to this model are studied. We first make a quick but extensive review of their main properties and show that most of these properties can be analytically studied. We then develop an approximation theory of these processes in the limit of small intermittency $λ^2\ll 1$, i.e., when the degree of multifractality is small. This allows us to prove that the probability distributions associated with these processes possess some very simple aggregation properties accross time scales. Such a control of the process properties at different time scales, allows us to address the problem of parameter estimation. We show that one has to distinguish two different asymptotic regimes: the first one, referred to as the ''low frequency regime'', corresponds to taking a sample whose overall size increases whereas the second one, referred to as the ''high frequency regime'', corresponds to sampling the process at an increasing sampling rate. We show that, the first regime leads to convergent estimators whereas, in the high frequency regime, the situation is much more intricate : only the intermittency coefficient $λ^2$ can be estimated using a consistent estimator. However, we show that, in practical situations, one can detect the nature of the asymptotic regime (low frequency versus high frequency) and consequently decide whether the estimations of the other parameters are reliable or not. We finally illustrate how both our results on parameter estimation and on aggregation properties, allow one to successfully use these models for modelization and prediction of financial time series.

研究动机与目标

• 解决在金融数据多分形建模中广泛应用的对数正态连续级联模型所面临的统计估计挑战。
• 分析在小间歇性近似（$\\lambda^2 \ll 1$）下，这些过程在不同时间尺度上的聚合性质。
• 区分并表征两种渐近情形：低频（观测窗口增大）与高频（采样率提高）。
• 在高频情形下开发间歇性参数 $ olambda^2$ 的一致估计量，并提供一种诊断方法以评估其他参数估计量的可靠性。
• 展示该估计框架在金融时间序列预测与参数估计中的实际应用价值。

提出的方法

• 在小间歇性极限（$ olambda^2 \ll 1$）下，推导对数正态连续级联的解析近似，此时增量近似服从对数正态分布。
• 利用该近似研究过程在不同时间尺度上的标度性与聚合性质。
• 定义两种渐近情形：低频（固定采样率，增大 $L$）与高频（固定 $L$，提高采样率 $ olambda^{-1}$）。
• 通过对数增量的样本矩构造二阶结构函数的一致估计量。
• 应用协方差分解，并利用关于高斯向量函数协方差的技术命题，以控制估计量方差的上界。
• 利用维克定理（Wick’s theorem）与矩界，控制估计量方差中协方差项的渐近行为，从而在低频情形下证明一致性。

实验结果

研究问题

• RQ1 当间歇性 $ olambda^2$ 较小时，对数正态连续级联在时间尺度聚合下如何表现？
• RQ2 在低频情形（观测窗口增大）下，参数估计量的渐近性质是什么？
• RQ3 在高频情形（采样率提高）下，参数估计量的渐近性质是什么？
• RQ4 在实践中能否区分低频与高频渐近情形，这种区分如何影响估计量的可靠性？
• RQ5 所提出的估计框架能否成功应用于建模与预测金融时间序列？

主要发现

• 在低频情形下，对数正态连续级联模型的所有参数——包括间歇性 $ olambda^2$——均可实现一致估计。
• 在高频情形下，仅间歇性系数 $ olambda^2$ 具有一致估计量；其他参数无法实现一致估计。
• 提出一种诊断方法，用于检测给定数据集处于低频还是高频情形，从而可评估非间歇性参数估计量的可靠性。
• 经验二阶结构函数估计量的方差以 $ olcal{O}(\\ln N / N)$ 速率衰减，从而在低频情形下证明了一致性。
• 近似框架使聚合性质的解析控制成为可能，从而在小 $ olambda^2$ 条件下导出一致估计量。
• 该模型与估计方法成功应用于金融时间序列，展示了其在建模与预测中的实际应用价值。