[论文解读] On the Hurst Exponent, Markov Processes, and Fractional Brownian Motion

Ginno Millán|arXiv (Cornell University)|Mar 8, 2021

Advanced Queuing Theory Analysis参考文献 4被引用 10

一句话总结

本文澄清了分数布朗运动（fBm）与赫斯特指数 H ≠ 1/2 的高斯马尔可夫过程之间的根本区别，表明 fBm 具有平稳且相关的增量，而马尔可夫过程则具有非平稳且不相关的增量。其主要贡献在于证明，仅凭赫斯特指数和单点密度不足以从经验数据推断出潜在的动力学机制，这对非线性扩散的建模具有重要意义。

ABSTRACT

There is much confusion in the literature over Hurst exponent (H). The purpose of this paper is to illustrate the difference between fractional Brownian motion (fBm) on the one hand and Gaussian Markov processes where H is different to 1/2 on the other. The difference lies in the increments, which are stationary and correlated in one case and nonstationary and uncorrelated in the other. The two- and one-point densities of fBm are constructed explicitly. The two-point density does not scale. The one-point density for a semi-infinite time interval is identical to that for a scaling Gaussian Markov process with H different to 1/2 over a finite time interval. We conclude that both Hurst exponents and one-point densities are inadequate for deducing the underlying dynamics from empirical data. We apply these conclusions in the end to make a focused statement about nonlinear diffusion.

研究动机与目标

• 为解决文献中关于赫斯特指数 H 的广泛混淆提供帮助。
• 区分分数布朗运动（fBm）与赫斯特指数 H ≠ 1/2 的高斯马尔可夫过程的统计特性。
• 证明仅凭赫斯特指数和单点密度不足以从经验数据中推断出真实的底层随机过程。
• 明确构造 fBm 的两点密度和单点密度，以阐明其标度行为。
• 将研究结果应用于非线性扩散的背景，对其中的随机建模提出明确的结论。

提出的方法

• 显式构造 fBm 的两点概率密度函数，并证明其不具备标度性。
• 推导 fBm 在半无限时间区间上的单点密度，并与有限时间区间上标度型高斯马尔可夫过程的单点密度进行比较。
• 分析 fBm 和马尔可夫过程的增量特性，强调 fBm 具有平稳且相关的增量，而马尔可夫过程则具有非平稳且不相关的增量。
• 通过高斯过程的数学分析，对比 fBm 和 H ≠ 1/2 的马尔可夫过程之间的时序依赖结构。
• 将理论发现应用于非线性扩散，聚焦于错误识别底层随机过程所带来的影响。

实验结果

研究问题

• RQ1 分数布朗运动的增量特性与赫斯特指数 H ≠ 1/2 的高斯马尔可夫过程有何不同？
• RQ2 为何仅凭赫斯特指数不足以从经验数据中识别出真实的随机过程？
• RQ3 分数布朗运动中两点密度的标度行为是怎样的？
• RQ4 fBm 在半无限时间区间上的单点密度与在有限时间区间上标度型高斯马尔可夫过程的单点密度相比如何？
• RQ5 这些差异对非线性扩散过程的建模有何影响？

主要发现

• 分数布朗运动的两点密度不具备标度性，表明其联合密度中缺乏自相似结构。
• fBm 在半无限时间区间上的单点密度在数学上与有限时间区间上标度型高斯马尔可夫过程的单点密度完全相同。
• 分数布朗运动具有平稳且相关的增量，而对应的马尔可夫过程则具有非平稳且不相关的增量。
• 仅凭赫斯特指数 H 和单点密度无法唯一确定从经验数据中推断出的底层随机过程。
• 这些发现意味着，即使 H 和单点统计量匹配，仍可能发生过程类型的误判（fBm 与马尔可夫过程混淆），从而导致非线性扩散的错误建模。