[论文解读] On the location of the maximum of a process: Lévy, Gaussian and multidimensional cases

Sergio I. López, Leandro P. R. Pimentel|arXiv (Cornell University)|Nov 7, 2016

Random Matrices and Applications参考文献 6被引用 3

一句话总结

本文通过放松连续性假设并将方法推广至多维和非扩散过程，扩展了用于证明随机过程中最大化点唯一性的泛函分析技术。研究证明，扰动期望泛函的导数存在意味着最大化点位置的几乎必然唯一性，并为高斯过程和 Lévy 过程给出了期望最大化点位置的显式公式。

ABSTRACT

In this short article we show how the techniques presented in arXiv:1207.4469 can be extended to a variety of non continuous and multivariate processes. As examples, we prove uniqueness of the location of the maximum for spectrally positive Lévy processes, Ornstein-Uhlenbeck process, fractional Brownian Motion and the Brownian sheet among others gaussian processes.

研究动机与目标

• 将最大化点唯一性的泛函导数准则从连续过程推广至 càdlàg 过程和多维过程。
• 建立在样本路径不连续时，随机过程最大值位置几乎必然唯一的条件。
• 通过使用严格递增函数对过程进行扰动，推导出高斯过程和 Lévy 过程中期望最大化点位置的显式公式。
• 将先前关于高斯过程的结果推广至非马氏和非扩散过程，如分数布朗运动和布朗曲面。

提出的方法

• 为 càdlàg 过程引入广义的准最大化点概念，其中某点若在任意邻域内局部最大，则为准最大化点。
• 提出定理 1：对于紧集上的 càdlàg 过程，若扰动期望映射 $ a \mapsto \mathbb{E}[S^a] $ 在 $ a=0 $ 处可导，则准最大化点几乎必然唯一。
• 推导定理 2：针对多维连续过程，最大化点位置的唯一性等价于扰动期望映射在零点处梯度的存在性。
• 将该方法应用于谱正 Lévy 过程，证明当 $ \sigma > 0 $ 或 $ c \neq 0 $ 时唯一性成立，并在 $ \sigma = c = 0 $ 时给出概率表征。
• 利用条件期望与高斯过程表示，计算扰动期望的梯度，借助有限个点上过程的联合高斯性。
• 通过验证协方差结构条件及导数存在性，将该方法应用于分数布朗运动和布朗曲面。

实验结果

研究问题

• RQ1 在何种条件下，càdlàg 随机过程最大值位置几乎必然唯一？
• RQ2 最大化点唯一性的泛函导数准则能否推广至非扩散和非马氏高斯过程（如分数布朗运动）？
• RQ3 在多维设定下，最大化点的期望位置如何与过程的协方差结构相关？
• RQ4 当谱正 Lévy 过程无扩散分量时，其最大值在唯一点处达到的概率是多少？
• RQ5 能否使用严格递增函数的扰动方法，推导出高斯过程中期望最大化点位置的显式公式？

主要发现

• 对于扩散项 $ \sigma > 0 $ 的谱正 Lévy 过程，最大值几乎必然在唯一一点处达到。
• 当 $ \sigma = 0 $ 但 $ c \neq 0 $ 时，最大值仍几乎必然唯一，因为漂移项在极限下保证了单调性。
• 当 $ \sigma = c = 0 $ 时，唯一最大化点的概率等于 $ \mathbb{P}(\tau = 0) $，其中 $ \tau $ 为首次离开零点的时间。
• 对于 Hurst 参数 $ H > 1/2 $ 的分数布朗运动，该方法确认了最大化点位置的几乎必然唯一性。
• 对于布朗曲面，该方法通过扰动期望映射梯度的存在性，确立了最大化点位置的几乎必然唯一性。
• 在高斯过程中，最大化点位置的期望值 $ \mathbb{E}[Z] $ 由 $ \left( \frac{\mathrm{Cov}(S, X(t^i))}{\sigma_{i,i}} \right)_{i=1}^d $ 给出，将最大化点与过程的协方差结构联系起来。