[论文解读] On strict sub-Gaussianity, optimal proxy variance and symmetry for bounded random variables

Julyan Arbel, Olivier Marchal+1 more|arXiv (Cornell University)|Jan 26, 2019

Stochastic processes and financial applications参考文献 23被引用 17

一句话总结

本文通过函数变分分析，对有界随机变量的最优代理方差和严格子高斯性进行了表征。研究表明，对称性既非严格子高斯性的必要条件也非充分条件，并通过矩生成函数分析与偏差函数 Δ(σ²,λ) 的临界点分析，建立了严格子高斯性的必要与充分条件。

ABSTRACT

We investigate the sub-Gaussian property for almost surely bounded random variables. If sub-Gaussianity per se is de facto ensured by the bounded support of said random variables, then exciting research avenues remain open. Among these questions is how to characterize the optimal sub-Gaussian proxy variance? Another question is how to characterize strict sub-Gaussianity, defined by a proxy variance equal to the (standard) variance? We address the questions in proposing conditions based on the study of functions variations. A particular focus is given to the relationship between strict sub-Gaussianity and symmetry of the distribution. In particular, we demonstrate that symmetry is neither sufficient nor necessary for strict sub-Gaussianity. In contrast, simple necessary conditions on the one hand, and simple sufficient conditions on the other hand, for strict sub-Gaussianity are provided. These results are illustrated via various applications to a number of bounded random variables, including Bernoulli, beta, binomial, uniform, Kumaraswamy, and triangular distributions.

研究动机与目标

• 通过函数变分分析，表征几乎必然有界的随机变量的最优代理方差 σ²_opt。
• 研究有界随机变量成为严格子高斯性（即 σ²_opt = Var(X)）的条件。
• 澄清关于均值对称性与严格子高斯性之间的关系，挑战对称性意味着严格子高斯性的假设。
• 将先前关于 Beta 和 Dirichlet 分布的研究结果推广至更广泛的分布族，包括伯努利、二项、Kumaraswamy 和三角分布。
• 通过矩生成函数与偏差函数 Δ(σ²,λ) 提供统一的子高斯性质分析框架。

提出的方法

• 使用矩生成函数 K(λ) = ln 𝔼[exp(λ(X−μ)]) 定义偏差函数 Δ(σ²,λ) = σ²λ²/2 − K(λ)，用于量化子高斯偏差。
• 通过分析 Δ(σ²,λ) 的符号与临界点，确定最优代理方差 σ²_opt，利用 σ²_opt 是使 Δ(σ²,λ) ≥ 0 对所有 λ 成立的最小 σ² 这一事实。
• 对 Δ(σ²,λ) 在 λ=0 附近进行渐近展开，推导出 σ² 相对于 Var(X) 的条件，使用三阶与四阶累积量。
• 运用关于 σ² 与 λ 的连续性与单调性论证，证明 σ²_opt 是使 Δ(σ²,λ) ≥ 0 且在某点 λ₀ 处导数为零的最小 σ²。
• 利用函数 Δ(σ²,λ) 推导出严格子高斯性的必要与充分条件：Δ(σ²,λ) ≥ 0 且存在 λ₀ 使得 Δ(σ²,λ₀)=0 且 ∂λΔ(σ²,λ₀)=0。
• 通过 Dirac 质量与 Beta 分布的混合构造反例，表明对称性并不蕴含严格子高斯性，且不对称分布仍可能为严格子高斯性。

实验结果

研究问题

• RQ1 有界随机变量成为严格子高斯性的必要与充分条件是什么？
• RQ2 除了方差之外，如何表征有界随机变量的最优代理方差 σ²_opt？
• RQ3 关于均值的对称性是否是有界分布中严格子高斯性的必要或充分条件？
• RQ4 能否为伯努利、Beta、二项、Kumaraswamy 和三角等标准有界分布计算最优代理方差？
• RQ5 已知在 Beta 分布中成立的对称性与严格子高斯性之间的标准等价关系，是否可推广至其他有界分布？

主要发现

• 对于伯努利、Beta、二项、Kumaraswamy 和三角分布，关于均值的对称性与严格子高斯性等价。
• 一般情况下，对称性既非必要也非充分：存在对称混合（如两分量 Beta 混合）并非严格子高斯性的反例。
• 一个不对称的三组分 Dirac 质量混合是严格子高斯性的，表明不对称性并不排除严格子高斯性。
• 最优代理方差 σ²_opt 被表征为满足对所有 λ 有 Δ(σ²,λ) ≥ 0 且在某点 λ₀ 处为零且导数为零的最小 σ²。
• 当 σ² ≥ σ²_opt 时，函数 Δ(σ²,λ) 非负；当 σ² > σ²_opt 时，Δ(σ²,λ) 严格为正；当 σ² < σ²_opt 时，Δ(σ²,λ) 在某区间内为负。
• 本文通过证明与矩生成函数相关的函数在伯努利分布下的全局最大值唯一性，解决了开放问题，证实了 Berend 和 Kontorovich（2013）的猜想。