[论文解读] Parameter estimation for alpha-fractional bridges

Khalifa Es-Sebaiy, Ivan Nourdin|arXiv (Cornell University)|Jan 30, 2011

Fractional Differential Equations Solutions参考文献 10被引用 4

一句话总结

本文研究了自胡尔斯特参数 $H > \frac{1}{2}$ 的分数布朗运动驱动的 $\alpha$-分数阶桥的参数估计问题。通过最小二乘估计量（LSE），作者在时间 $t \to T$ 时建立了估计量的强一致性和极限分布，表明当且仅当 $\alpha \leq \frac{1}{2}$ 时一致性成立，且其渐近行为依 $\alpha$ 和 $H$ 的不同而有显著差异，包括在适当归一化下收敛至柯西分布或正态分布。

ABSTRACT

Let alpha,T>0. We study the asymptotic properties of a least squares estimator for the parameter alpha of a fractional bridge defined as dX_t=-alpha*X_t/(T-t)dt+dB_t, with t in [0,T) and where B is a fractional Brownian motion of Hurst index H>1/2. Depending on the value of alpha, we prove that we may have strong consistency or not as t tends to T. When we have consistency, we obtain the rate of this convergence as well. Also, we compare our results to the (known) case where B is replaced by a standard Brownian motion W.

研究动机与目标

• 研究分数布朗运动（fBm）胡尔斯特参数 $H > \frac{1}{2}$ 的 $\alpha$-分数阶桥中参数 $\alpha$ 的最小二乘估计量（LSE）的渐近性质。
• 确定当 $t \to T$ 时 LSE 强一致性的条件，并刻画估计误差的收敛速率与极限分布。
• 将 fBm 情形下 LSE 的行为与标准布朗运动情形进行比较，突出由于 fBm 非半鞅性质带来的关键差异。
• 在 $\alpha$ 和 $H$ 的不同参数区域内，推导出归一化估计误差极限分布的显式表达式。

提出的方法

• 将 $\alpha$-分数阶桥定义为随机微分方程 $dX_t = -\alpha \frac{X_t}{T-t} dt + dB_t$ 的解，其中 $B$ 为胡尔斯特参数 $H > \frac{1}{2}$ 的分数布朗运动。
• 采用最小二乘估计量 $\widehat{\alpha}_t = \left( \int_0^t \frac{X_u}{T-u} dX_u \right) / \left( \int_0^t \frac{X_u^2}{(T-u)^2} du \right)$，通过 Young 积分将其适配于非半鞅设定。
• 利用 Kolmogorov–Centsov 定理对 $\gamma \in (\frac{1}{2}, H)$ 的路径霍尔德连续性进行证明，从而支持 Young 积分的使用。
• 将估计误差 $\alpha - \widehat{\alpha}_t$ 分解为涉及随机积分与随机变量的若干分量，利用 Skorohod 积分与混沌展开的性质。
• 应用关于依分布收敛、几乎必然收敛与依概率收敛的引理，分析归一化误差项的渐近行为。
• 通过高斯随机变量（如 $\xi_T$）的方差显式计算及 Beta 函数的性质，推导出极限分布。

实验结果

研究问题

• RQ1 在分数布朗运动驱动的 $\alpha$-分数阶桥模型中，当 $t \to T$ 时，最小二乘估计量 $\widehat{\alpha}_t$ 在何种条件下是强一致的？
• RQ2 当一致性成立时，$\widehat{\alpha}_t$ 到 $\alpha$ 的收敛速率如何？其依赖关系如何体现于 $\alpha$ 和 $H$？
• RQ3 与标准布朗运动情形相比，fBm 情形下归一化估计误差的极限分布有何不同？
• RQ4 在 $\alpha$ 的不同参数区域内，归一化误差 $\alpha - \widehat{\alpha}_t$ 的极限分布（如柯西或正态分布）的具体形式为何？
• RQ5 当 $\alpha = 1 - H$、$\alpha = \frac{1}{2}$ 或 $\alpha > 1 - H$ 时，行为如何变化？

主要发现

• 最小二乘估计量 $\widehat{\alpha}_t$ 当且仅当 $\alpha \leq \frac{1}{2}$ 时，满足当 $t \to T$ 时的强一致性。
• 当 $0 < \alpha < 1 - H$ 时，归一化误差 $(T-t)^{\alpha - H}(\alpha - \widehat{\alpha}_t)$ 依分布收敛于一个显式方差涉及 Beta 函数的标准化柯西分布。
• 当 $\alpha = 1 - H$ 时，归一化误差 $\frac{(T-t)^{1-2H}}{\sqrt{|\log(T-t)|}}(\alpha - \widehat{\alpha}_t)$ 依分布收敛于一个依赖于 $H$ 和 Beta 函数的标准化柯西分布。
• 当 $\alpha \in (1 - H, \frac{1}{2})$ 时，归一化误差 $(T-t)^{2\alpha - 1}(\alpha - \widehat{\alpha}_t)$ 依分布收敛于一个非退化的极限，其极限分布依赖于随机积分之比。
• 当 $\alpha = \frac{1}{2}$ 时，归一化误差 $|\log(T-t)|(\alpha - \widehat{\alpha}_t)$ 几乎必然收敛于 $\frac{1}{2}$，当 $t \to T$ 时。
• 极限分布通过高斯随机变量 $\xi_T$ 的方差显式计算得出，该方差通过二重积分与 Beta 函数恒等式推导得到。