[论文解读] Non-integrable stable approximation by Stein's method

Peng Chen, Ivan Nourdin+3 more|arXiv (Cornell University)|Mar 29, 2019

Stochastic processes and financial applications参考文献 32被引用 4

一句话总结

本文针对 $\alpha \in (0,1]$ 的 $\alpha$-稳定近似发展了 Stein 方法，引入了一种新型 Wasserstein 型距离，结合分数阶拉普拉斯算子以处理非可积的稳定分布。建立了内在误差上界，并将其应用于广义中心极限定理，通过截断和对 Stein 方程解的精细正则性分析，实现了 $O((\log n)^{-1})$ 的收敛速率。

ABSTRACT

We develop Stein's method for $α$-stable approximation with $α\in(0,1]$, continuing the recent line of research by Xu \cite{lihu} and Chen, Nourdin and Xu \cite{C-N-X} in the case $α\in(1,2).$ The main results include an intrinsic upper bound for the error of the approximation in a variant of Wasserstein distance that involves the characterizing differential operators for stable distributions, and an application to the generalized central limit theorem. Due to the lack of first moment for the approximating sequence in the latter result, we appeal to an additional truncation procedure and investigate fine regularity properties of the solution to Stein's equation.

研究动机与目标

• 将 Stein 方法扩展至 $\alpha \in (0,1]$ 的非可积 $\alpha$-稳定分布，此时一阶矩不存在。
• 开发一种合适的距离度量——Wasserstein 距离的变体——以纳入稳定分布的特征微分算子。
• 通过分数阶拉普拉斯算子和解的正则性，建立近似误差的内在上界。
• 将该方法应用于独立同分布的重尾随机变量和的广义中心极限定理，其期望为无穷。
• 通过引入截断过程并分析 Stein 方程解的精细正则性，克服由非可积性带来的技术挑战。

提出的方法

• 提出一种 Wasserstein 距离的变体，将 $\alpha$-稳定分布的特征微分算子 $\mathcal{L}^{\alpha,0}$ 纳入其中，替代标准的 $L^1$ 型度量。
• 在 Stein 方程中使用分数阶拉普拉斯 $\Delta^{\alpha/2}$ 作为关键微分算子，并将其归一化为傅里叶乘子 $|\lambda|^\alpha$。
• 通过 $\sup_{f \in \mathcal{F}} |\mathbb{E}[\mathcal{L}^{\alpha,0}f(F)] - \mathbb{E}[\mathcal{L}^{\alpha,0}f(Z)]|$ 建立近似误差的上界，其中 $\mathcal{F}$ 捕获了解的正则性。
• 引入截断过程以处理近似序列中一阶矩缺失的问题，尤其针对 $\alpha \leq 1$ 的情形。
• 通过分解差值 $f'(x + u) - f'(x)$ 并估计涉及 $|u|^{-\alpha-1}$ 和对数权重的积分，分析 Stein 方程的解 $f$。
• 采用留一法（leave-one-out）策略解耦和 $S_n = \sum_{i=1}^n X_i$，从而控制误差项中的依赖结构。

实验结果

研究问题

• RQ1 当 $\alpha \in (0,1]$ 时，如何将 Stein 方法适配于 $\alpha$-稳定近似，此时目标分布的有限一阶矩不存在？
• RQ2 对于非可积稳定分布，应采用何种距离度量，使其能纳入其特征微分算子？
• RQ3 在缺乏可积性的情况下，特别是当 $\alpha \leq 1$ 时，如何分析 Stein 方程解的正则性？
• RQ4 对于具有无穷期望的独立同分布重尾随机变量和，广义中心极限定理中可实现多快的收敛速率？
• RQ5 截断过程是否能有效稳定非可积情形下的近似误差？

主要发现

• 在包含分数阶拉普拉斯的 Wasserstein 型距离下，建立了对 $\alpha \in (0,1]$ 有效的近似误差内在上界。
• 在适当的截断条件下，该方法在广义中心极限定理中实现了 $O((\log n)^{-1})$ 的收敛速率，适用于 $\alpha \in (0,1]$。
• 当 $\alpha = 1$ 时，第一项的误差界为 $O(\gamma_n^{-1} \log \gamma_n)$，第二项为 $O((\log \gamma_n)^{-1})$，其中 $\gamma_n$ 控制截断尺度。
• 当 $\alpha \in (0,1)$ 时，第一项的误差界为 $O(n^{1/\alpha - 1} \gamma_n^{-1})$，第二项为 $O(n^{1/\alpha - 1} (\log \gamma_n)^{-1})$，且 $\gamma_n$ 随 $n$ 增长。
• 在 Stein 方程中，截断和完整和之间的差值为 $O(n^{-1})$（当 $\alpha \in (0,1)$ 时）和 $O(n^{-1} (\log n)^2)$（当 $\alpha = 1$ 时），确保了渐近一致性。
• 通过结合截断与对解的导数差值的精确分析，该方法成功处理了非可积性问题，从而实现了精确的收敛速率。