[论文解读] Moment and tail estimates for martingales and martingale transform, with application to the martingale limit theorem in Banach spaces

E. Ostrovsky, L. Sirota|arXiv (Cornell University)|Jun 21, 2012

Stochastic processes and financial applications参考文献 56被引用 7

一句话总结

本文利用鞅差和可预测乘子的无条件矩与尾部行为，建立了离散时间鞅及其鞅变换的非渐近指数与矩估计。关键贡献是对归一化鞅和的 $ L(p) $-范数给出了精确的上界：$ \left|n^{-1/2}S(n)\right|_p \leq (p-1) \left\{ n^{-1} \sum_{i=1}^n |\xi(i)|_p^2 \right\}^{1/2} $，其精确性仅相差一个常数，推广了伯克霍尔德型不等式，并可应用于巴拿赫空间中的中心极限定理。

ABSTRACT

In this paper non-asymptotic exponential and moment estimates are derived for tail of distribution for discrete time martingale and martingale transform by means of martingale differences in the terms of moments and tails of distributions of summands and multipliers. We show also the exactness of obtained estimations and consider some applications in the theory of limit theorem for Banach space valued martingales.

研究动机与目标

• 通过鞅差和可预测乘子的 $ L(p) $-范数与尾部行为，推导离散时间鞅及其鞅变换的非渐近矩与尾部估计。
• 通过提供显式常数的更紧界，改进或推广现有不等式，特别是伯克霍尔德及其相关结果。
• 通过极值例子证明所推导估计的精确性，仅相差一个乘法常数。
• 将估计应用于巴拿赫空间中鞅随机场的弱紧致性充分条件，以及连续函数空间中的中心极限定理。

提出的方法

• 通过伯克霍尔德不等式的变体推导矩估计，将原始常数 $ p\sqrt{2} $ 替换为 $ p-1 $，从而改进了先前的界。
• 将不等式应用于归一化鞅和 $ n^{-1/2}S(n) $，得到以 $ |\xi(i)|_p^2 $ 平均值表示的精确 $ L(p) $-范数上界。
• 使用 $ p $-二次变差 $ <f>_{n,p} $，定义为 $ \left\{ \sum_{i=1}^n \mathbb{E}[ |\xi^2(i)/F(i-1)|_p ] \right\}^{1/2} $，以改进范数比较。
• 在不等式 $ \left|n^{-1/2}S(n)\right|_p \leq \tilde{K}(p) <f>_{n,p} $ 中建立最优常数 $ \tilde{K}(p) $，并证明当 $ p \geq 2 $ 时有 $ \tilde{K}(p) \asymp p / \log p $。
• 通过构造具有有限 $ p $-阶矩的 i.i.d. 对称随机变量极值序列，证明估计的精确性。
• 将结果应用于弱紧致性与巴拿赫空间中的中心极限定理，特别适用于连续函数空间与随机积分。

实验结果

研究问题

• RQ1 能否仅利用求和项与乘子的 $ L(p) $-范数与尾部行为，为鞅及其鞅变换推导更精确的矩估计？
• RQ2 归一化鞅和的 $ L(p) $-范数界中的最优常数是什么？与现有不等式相比如何？
• RQ3 所推导的鞅矩与尾部估计是否精确到乘法常数？哪些例子可实现这种精确性？
• RQ4 这些估计如何推广以建立巴拿赫空间中鞅随机场弱紧致性的充分条件？
• RQ5 这些结果能否推广至连续时间或多阶情形下的随机积分与多重鞅变换？

主要发现

• 本文建立了不等式 $ \left|n^{-1/2}S(n)\right|_p \leq (p-1) \left\{ n^{-1} \sum_{i=1}^n |\xi(i)|_p^2 \right\}^{1/2} $，相较于早期结果，使用更紧的常数 $ p-1 $ 而非 $ p\sqrt{2} $。
• 该估计被证明精确到乘法常数，其下界满足 $ C_1 p / \log p \leq \tilde{K}(p) \leq C_2 p / \log p $，其中 $ \tilde{K}(p) $ 是涉及 $ p $-二次变差 $ <f>_{n,p} $ 的范数比较中的最优常数。
• 通过构造具有有限 $ p $-阶矩的 i.i.d. 对称随机变量序列，实现了渐近下界，从而证明了估计的精确性。
• 将结果应用于证明鞅随机场弱紧致性的充分条件，从而实现其在连续函数空间中收敛于极限高斯场。
• 该框架可推广至连续鞅上的随机积分与多重鞅变换，通过相同原理可获得类似的矩与尾部估计。
• 本文建议推广至大勒贝格空间（Grand Lebesgue Spaces），表明所推导不等式的鲁棒性及其在更广泛场景中的潜在应用价值。