[论文解读] Method of Moments Estimation of Ornstein-Uhlenbeck Processes Driven by General Lévy Process

Konstantinos V. Spiliopoulos|arXiv (Cornell University)|Jul 17, 2008

Statistical Distribution Estimation and Applications参考文献 13被引用 18

一句话总结

本文提出了用于由一般 Lévy 过程驱动的 Ornstein-Uhlenbeck 过程中均值回归参数 λ 及 Lévy 驱动器前两阶矩的方法矩估计量。基于离散时间观测，作者通过遍历性论证建立了估计量的强一致性与渐近正态性，并通过模拟研究和对真实 VIX 数据的应用展示了其有效性，其中模型拟合良好，并捕捉到了自相关性的指数衰减特征。

ABSTRACT

Ornstein-Uhlenbeck processes driven by general Lévy process are considered in this paper. We derive strongly consistent estimators for the moments of the underlying Lévy process and for the mean reverting parameter of the Ornstein-Uhlenbeck process. Moreover, we prove that the estimators are asymptotically normal. Finally, we test the empirical performance of our estimators in a simulation study and we fit the model to real data.

研究动机与目标

• 为离散观测的 Lévy 驱动 Ornstein-Uhlenbeck 过程中的均值回归参数 λ 及 Lévy 驱动器的前两阶矩，开发强一致性的方法矩估计量。
• 从理论上证明这些估计量的一致性与渐近正态性，首次为该类模型提供了此类证明。
• 通过伽马分布和逆高斯分布 OU 过程的模拟研究，展示估计量的有限样本性能。
• 将模型拟合至真实的 log(VIX) 数据，评估其在建模隐含波动率动态方面的适用性。
• 通过提供一种基于矩的参数化方法，补充现有的非参数推断方法，为 Lévy 驱动的 OU 过程提供一种替代方案。

提出的方法

• 推导出 OU 过程平稳分布的一阶与二阶矩表达式，以底层 Lévy 过程 L₁ 的矩表示。
• 利用离散时间观测得到的经验矩，构造 λ、μ = 𝔼[L₁] 和 σ² = Var(L₁) 的方法矩估计量。
• 利用平稳 OU 过程的遍历性，证明当样本量增加时估计量的强一致性。
• 在正则性条件下，应用泛函中心极限定理论证估计量的渐近正态性。
• 通过模拟研究评估在伽马分布和逆高斯分布 Lévy 驱动器下估计量的有限样本性能。
• 将估计量应用于 2004 年的日度 log(VIX) 数据，通过模型拟合、残差诊断及预测自助置信区间评估拟合优度。

实验结果

研究问题

• RQ1 在离散观测的 Lévy 驱动 Ornstein-Uhlenbeck 过程中，方法矩估计量是否能对均值回归参数 λ 及 Lévy 驱动器的前两阶矩实现一致且渐近正态？
• RQ2 对于常见的 Lévy 过程（如伽马分布和逆高斯分布的子序过程），这些估计量在有限样本下的表现如何？
• RQ3 Lévy 驱动的 OU 模型是否能作为 log(VIX) 隐含波动率动态的统计合理表示？
• RQ4 log(VIX) 的经验自相关结构是否与 OU 模型所隐含的指数衰减理论一致？
• RQ5 所提出的估计方法能否在金融应用中为 Lévy 驱动的 OU 过程提供一种可靠的非参数推断替代方案？

主要发现

• 在正则性条件下，λ、μ 和 σ² 的方法矩估计量具有强一致性和渐近正态性，且首次为此类模型提供了理论依据。
• 模拟结果表明，伽马分布和逆高斯分布 OU 过程的有限样本性能良好，估计量随样本量增加而收敛至真实值。
• VIX 数据的估计 λ 值为 0.1767，理论自相关函数 e^(-0.1767h) 与 log(VIX) 的经验 ACF 密切匹配，支持模型的有效性。
• 对平方残差进行 Ljung-Box 检验得到 p 值为 0.6165，未能拒绝无自相关性的原假设，表明伽马 OU 模型拟合良好。
• 基于 50 条自助路径的一步预测区间在 95% 的情况下成功包含了实际的 VIX 时间序列，证实了预测的可靠性。
• 在残差诊断方面，伽马 OU 模型优于逆高斯 OU 模型，表现出更优的拟合优度和残差独立性。