[论文解读] On the Parameter Estimation in the Schwartz-Smiths Two-Factor Model
本文提出了一种基于卡尔曼滤波的施瓦茨-史密斯两因子模型联合参数估计方法，通过引入额外约束来解决似然函数中的参数可识别性问题。该方法可获得模型参数和未观测状态变量的一致条件最大似然估计量（MLE），并通过模拟研究验证了其稳健性和收敛性。
The two unobservable state variables representing the short and long term factors introduced by Schwartz and Smith in [16] for risk-neutral pricing of futures contracts are modelled as two correlated Ornstein-Uhlenbeck processes. The Kalman Filter (KF) method has been implemented to estimate the short and long term factors jointly with un- known model parameters. The parameter identification problem arising within the likelihood function in the KF has been addressed by introduc- ing an additional constraint. The obtained model parameter estimates are the conditional Maximum Likelihood Estimators (MLEs) evaluated within the KF. Consistency of the conditional MLEs is studied. The methodology has been tested on simulated data.
研究动机与目标
- 解决在估计两因子模型参数时，卡尔曼滤波似然函数中的参数可识别性问题。
- 开发一种联合估计未观测短期与长期因子（$\chi_t$, $\xi_t$）及模型参数（$\kappa$, $\gamma$, $\mu_\xi$, $\sigma_\chi$, $\sigma_\xi$, $\rho_{\chi\xi}$）的方法。
- 确保在卡尔曼滤波框架内，条件最大似然估计量（MLE）的一致性。
- 通过风险中性两因子模型下的模拟数据验证所提出的估计方法。
提出的方法
- 将现货价格的对数建模为 $\log(S_t) = \chi_t + \xi_t$，其中 $\chi_t$ 和 $\xi_t$ 为相关联的Ornstein-Uhlenbeck过程。
- 将系统表述为部分可观测的线性状态空间模型，未观测状态向量为 $x_t = (\chi_t, \xi_t)^\top$。
- 通过条件MLE实现卡尔曼滤波算法，同时估计状态变量与模型参数。
- 在似然函数中引入额外约束，以解决由方差-协方差结构不可识别性引发的参数可识别性问题。
- 使用网格搜索进行初始参数探索，以提高MLE估计的收敛性与稳定性。
- 基于双变量O-U过程动态，推导出在风险中性测度下状态向量的条件均值与协方差的解析表达式。
实验结果
研究问题
- RQ1如何将卡尔曼滤波方法调整以联合估计施瓦茨-史密斯两因子模型中的未观测状态变量与模型参数？
- RQ2在该模型的卡尔曼滤波似然函数中，为解决参数可识别性问题，需要施加何种约束？
- RQ3所得到的模型参数与状态的条件最大似然估计量（MLE）是否具有一致性？
- RQ4在模拟中，该联合估计程序在不同参数配置与样本规模下表现如何稳健？
- RQ5网格搜索初始化在实现收敛与准确估计MLE方面的表现如何？
主要发现
- 所提出的方法通过引入额外约束，成功解决了卡尔曼滤波似然函数中的参数可识别性问题，实现了模型参数与未观测状态的联合估计。
- 在所提出的框架下，模型参数与状态向量 $x_t = (\chi_t, \xi_t)^\top$ 的条件MLE被证明具有一致性。
- 模拟结果表明，网格搜索初始化在实现稳定且准确的参数估计方面表现稳健。
- 随着样本量的增加，估计参数收敛于真实值，证实了估计量的一致性。
- 带有约束似然估计的卡尔曼滤波能有效在模拟数据中再现商品期货价格的期限结构。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。