[论文解读] Optimal estimation of the rough Hurst parameter in additive noise

Grégoire Szymanski|arXiv (Cornell University)|May 25, 2022

Financial Risk and Volatility Modeling被引用 6

一句话总结

该论文在离散高频率采样且存在加性噪声的分数布朗运动中，建立了粗糙赫斯特参数 $H \in (0,1)$ 的最优估计。当噪声强度 $\tau_n$ 不趋于零时，推导出极小极大收敛速率 $(n/\tau_n^2)^{-1/(4H+2)}$，并通过预平均化构造了一类最优Whittle型估计量，利用LAN性质与Hajek卷积定理，证明了其渐近正态性与最优性。

ABSTRACT

We estimate the Hurst parameter $H \in (0,1)$ of a fractional Brownian motion from discrete noisy data, observed along a high frequency sampling scheme. When the intensity $τ_n$ of the noise is smaller in order than $n^{-H}$ we establish the LAN property with optimal rate $n^{-1/2}$. Otherwise, we establish that the minimax rate of convergence is $(n/τ_n^2)^{-1/(4H+2)}$ even when $τ_n$ is of order 1. Our construction of an optimal procedure relies on a Whittle type construction possibly pre-averaged, together with techniques developed in Fukasawa et al. [Is volatility rough? arXiv:1905.04852, 2019]. We establish in all cases a central limit theorem with explicit variance, extending the classical results of Gloter and Hoffmann [Estimation of the Hurst parameter from discrete noisy data. The Annals of Statistics, 35(5):1947-1974, 2007].

研究动机与目标

• 在观测数据受加性噪声污染的条件下，建立分数布朗运动中赫斯特参数 $H$ 估计的极小极大收敛速率。
• 在高频率采样且噪声水平 $\tau_n$ 一般的情况下，发展一种统计最优的估计方法。
• 将经典Whittle估计与LAN理论推广至非消失或缓慢衰减噪声的情形。
• 利用LAN性质与Hajek卷积定理，证明所提估计量的渐近正态性与最优性。
• 解决此前仅对 $H > 1/2$ 已知、而对 $H < 1/2$ 尚未解决的噪声环境下最优性问题。

提出的方法

• 提出一种通过两步法调优的预平均技术，以降低高频率数据中观测噪声的影响。
• 基于增量过程的谱密度，构建适用于噪声模型的Whittle型估计量。
• 采用修正的谱密度模型 $f_{H,\sigma}^n(\lambda) = \frac{\sigma^2}{n^{2\gamma(H)}}f_H(\lambda) + \tau_n^2 l(\lambda)$，其中在独立同分布噪声情形下 $\gamma(H) = H$。
• 应用Fukasawa等[FTW19]与Gloter & Hoffmann[GH07]的技术，处理谱结构与经验过程结构。
• 在条件 $\tau_n n^{\gamma(H)} \to 0$ 下建立LAN性质，确保渐近效率。
• 证明中心极限定理并给出显式方差，通过Hajek卷积定理推导出极小极大速率。

实验结果

研究问题

• RQ1 当观测受强度为 $\tau_n$ 的加性噪声污染时，分数布朗运动中赫斯特参数 $H$ 估计的最优收敛速率是什么？
• RQ2 当 $n \to \infty$ 时 $\tau_n$ 不趋于零，经典Whittle估计量是否可被调整以保持最优性？
• RQ3 在观测噪声下，$H < 1/2$ 时收敛速率 $n^{-1/(4H+2)}$ 是否最优？该结果是否可扩展至此前仅限于 $H > 1/2$ 的情形？
• RQ4 在带噪声的高频率设定下，LAN性质是否成立？其是否可用于证明渐近效率？
• RQ5 当噪声持续存在或缓慢衰减时，预平均化程序是否能恢复最优估计性能？

主要发现

• 估计 $H$ 的极小极大收敛速率为 $(n/\tau_n^2)^{-1/(4H+2)}$，当 $\tau_n = 1$ 时退化为 $n^{-1/(4H+2)}$，且对所有 $H \in (0,1)$ 成立，包括 $H < 1/2$。
• 当 $\tau_n n^H \to 0$ 时，最优速率为 $n^{-1/2}$，且LAN性质成立，确保渐近效率。
• 最优估计量 $\widehat{H}_n^{\text{opt}}$ 达到 $n^{1/(4H+2)}$ 的速率，并满足具有非退化渐近方差的中心极限定理。
• 估计量的渐近方差被显式导出，且依赖于 $H$，将Gloter与Hoffmann的结果推广至带噪声情形。
• 在条件 $\tau_n n^H \to 0$ 下建立了LAN性质，且通过Hajek卷积定理证明了速率的最优性。
• 预平均化技术即使在 $\tau_n$ 为常数阶时，也能实现一致估计与最优速率恢复，解决了文献中长期存在的空白。