[论文解读] Parameter Estimation for Fractional Ornstein-Uhlenbeck Processes: Non-ergodic Case

Rachid Belfadli, Khalifa Es-Sebaiy+1 more|arXiv (Cornell University)|Feb 27, 2011

Stochastic processes and financial applications参考文献 13被引用 56

一句话总结

本文研究了非遍历分数阶 Ornstein-Uhlenbeck 过程在 Hurst 指数 $ H \in (1/2, 1) $ 条件下的参数估计问题，基于连续路径观测使用最小二乘估计量 $ \widehat{\theta}_t $。本文建立了几乎必然一致性，并证明 $ e^{\theta t}(\widehat{\theta}_t - \theta) $ 在分布上收敛于柯西分布，通过 Young 积分微积分将经典结果推广至分数阶、非遍历情形。

ABSTRACT

We consider the parameter estimation problem for the non-ergodic fractional Ornstein-Uhlenbeck process defined as $dX_t=θX_tdt+dB_t,\ t\geq0$, with a parameter $θ>0$, where $B$ is a fractional Brownian motion of Hurst index $H\in(1/2,1)$. We study the consistency and the asymptotic distributions of the least squares estimator $\hatθ_t$ of $θ$ based on the observation $\{X_s,\ s\in[0,t]\}$ as $t ightarrow\infty$.

研究动机与目标

• 解决当 $ \theta > 0 $ 且 $ H \in (1/2, 1) $ 时，非遍历分数阶 Ornstein-Uhlenbeck 过程的参数估计问题。
• 证明当 $ t \to \infty $ 时，最小二乘估计量 $ \widehat{\theta}_t $ 的几乎必然一致性。
• 推导 $ \widehat{\theta}_t $ 的渐近分布，表明在指数缩放后其收敛于柯西分布。
• 将标准布朗运动下的经典参数估计结果推广至非遍历状态下分数阶布朗运动的情形。

提出的方法

• 最小二乘估计量 $ \widehat{\theta}_t $ 定义为 $ \widehat{\theta}_t = \frac{X_t^2}{2 \int_0^t X_s^2 ds} $，通过最小化积分平方误差导出。
• 由于当 $ H > 1/2 $ 时路径具有 Hölder 连续性，随机积分 $ \int_0^t X_s dX_s $ 被解释为 Young 积分。
• 分析依赖于 Malliavin 微积分、Skorohod 积分与 Young 积分的表示及其相互关系，适用于分数阶过程。
• 关键工具包括四阶矩定理、控制收敛定理，以及涉及指数函数和幂函数的渐近展开式。
• 证明通过将估计量分解为四个部分实现，利用引理 2–7 和 Slutsky 定理进行收敛性分析。
• 渐近分布通过证明 $ e^{\theta t}(\widehat{\theta}_t - \theta) \xrightarrow{\text{law}} 2\theta \mathcal{C}(1) $ 推导得出，其中 $ \mathcal{C}(1) $ 为标准柯西分布。

实验结果

研究问题

• RQ1 当驱动噪声为 Hurst 指数 $ H > 1/2 $ 的分数阶布朗运动时，最小二乘估计量 $ \widehat{\theta}_t $ 在非遍历情形（$ \theta > 0 $）下是否仍保持一致性？
• RQ2 在非遍历分数阶设定下，当 $ t \to \infty $ 时 $ \widehat{\theta}_t $ 的渐近分布为何？
• RQ3 在非遍历状态下，使用 Young 积分而非 Skorohod 积分会如何影响估计结果？
• RQ4 经典非遍历 Ornstein-Uhlenbeck 过程的柯西极限律是否可推广至分数阶情形？
• RQ5 Hurst 参数 $ H \in (1/2, 1) $ 在决定估计量的收敛速度和极限分布方面起何种作用？

主要发现

• 最小二乘估计量 $ \widehat{\theta}_t $ 几乎必然一致：当 $ t \to \infty $ 时 $ \widehat{\theta}_t \xrightarrow{a.s.} \theta $。
• 缩放后的估计量 $ e^{\theta t}(\widehat{\theta}_t - \theta) $ 在分布上收敛于 $ 2\theta \mathcal{C}(1) $，其中 $ \mathcal{C}(1) $ 为标准柯西分布，其概率密度函数为 $ \frac{1}{\pi(1+x^2)} $。
• 通过控制收敛定理和矩界估计，证明余项 $ C_t^\theta $ 和 $ D_t^\theta $ 收敛于零。
• 分量 $ A_t^\theta \to 2\theta $ 几乎必然成立，且 $ B_t^\theta \to \mathcal{C}(1) $ 在分布上收敛，最终极限通过 Slutsky 定理得出。
• 证明依赖于将估计量分解为四项，其中主要贡献来自随机积分 $ \int_0^t e^{\theta s} dB_s $。
• 该结果将标准布朗运动下的经典非遍历柯西极限律推广至 $ H > 1/2 $ 的分数阶布朗运动情形。