[论文解读] Renewal theory for extremal Markov sequences of the Kendall type

B. H. Jasiulis-Gołdyn, Karolina Naskręt+2 more|arXiv (Cornell University)|Mar 29, 2018

Financial Risk and Volatility Modeling参考文献 10被引用 3

一句话总结

本文针对由Kendall随机游走驱动的极值马尔可夫序列建立了更新理论，采用广义卷积与正常变函数。证明了Kendall卷积下的Blackwell型定理与初等更新定理，表明当步长分布具有有限的 $ \theta $-阶矩时，更新函数渐近增长为 $ R(t) \to \frac{2}{m(\theta)} t^\theta $，收敛速度由Williamson变换与尾部行为决定。

ABSTRACT

The paper deals with renewal theory for a class of extremal Markov sequences connected with the Kendall convolution. We consider here some particular cases of the Wold processes associated with generalized convolutions. We prove an analogue of the Fredholm theorem for all regular generalized convolutions algebras. Using regularly varying functions we prove a Blackwell theorem for renewal processes defined by Kendall random walks.

研究动机与目标

• 开发由Kendall随机游走生成的极值马尔可夫序列的更新理论。
• 将经典更新定理（特别是Fredholm与Blackwell定理）扩展至广义卷积的语境，尤其是Kendall卷积。
• 利用正常变函数分析Kendall卷积下更新过程的渐近行为。
• 通过Williamson变换刻画更新计数过程的标度极限及其矩。
• 在重尾步长分布下，建立更新函数与更新间隔时间分布的精确渐近表达式。

提出的方法

• 本文采用广义卷积，特别是Kendall卷积，定义一种非经典随机游走结构，其中独立单位步长之和服从帕累托型分布。
• 使用Williamson变换作为关键分析工具，刻画更新过程的分布，并推导更新函数的渐近性质。
• 分析依赖于正常变函数理论，以处理重尾分布，并推导更新过程的标度极限。
• 在广义卷积设定下证明了更新测度的Fredholm方程：$ m = \nu + \nu \diamond m $，确保更新测度的存在性与唯一性。
• 通过分析差值 $ R(t+h) - R(t) $ 推导出Blackwell型定理，在适当的矩条件下表明其收敛于 $ \frac{2h}{m(\theta)} $。
• 利用弱收敛技术推导归一化更新过程的极限分布，如 $ S_n / U(n) \Rightarrow Z^{-1/(\alpha-\theta)} $，其中 $ Z $ 具有复合分布。

实验结果

研究问题

• RQ1 经典Fredholm与Blackwell更新定理如何能推广至广义卷积，特别是Kendall卷积？
• RQ2 当单位步长分布具有正常变尾部时，更新函数 $ R(t) = \sum_{n=0}^\infty F^{\diamond n}(t) $ 的渐近行为是什么？
• RQ3 在Kendall随机游走下，归一化更新计数过程 $ N(t) $ 的极限分布是什么？
• RQ4 Williamson变换如何促进广义卷积下更新过程的分析？
• RQ5 当步长分布具有有限的 $ \theta $-阶矩时，$ R(t) $ 与 $ R(t+h) - R(t) $ 的精确标度极限与收敛速度是什么？

主要发现

• Kendall随机游走的初等更新定理成立：若 $ m(\theta) = E[T_1^\theta] < \infty $，则 $ \lim_{t \to \infty} \frac{R(t)}{t^\theta} = \frac{2}{m(\theta)} $。
• 建立了Blackwell型定理：对 $ h > 0 $，有 $ \lim_{t \to \infty} \left( \frac{R(t+h)}{(t+h)^{\theta-1}} - \frac{R(t)}{t^{\theta-1}} \right) = \frac{2h}{m(\theta)} $。
• 当单位步长的尾部满足 $ \overline{F}(x) \sim x^{-\beta} $ 时，更新函数满足 $ R(t) \sim \frac{(\alpha - \beta)(\alpha + \beta)}{\alpha^2} t^{-\beta} $，当 $ \alpha > \beta $ 时成立。
• 当 $ \alpha = \beta $ 时，渐近行为为 $ \alpha t^{-\alpha} \log t \cdot R(t) \to 2 $，且 $ R(t+h) - R(t) \sim \frac{2h}{\alpha t^{\alpha-1} \log t} $。
• 归一化更新过程 $ S_n / U(n) $ 在分布上收敛于 $ Z^{-1/(\alpha-\theta)} $，其中 $ Z $ 具有特征函数 $ \Phi_Z(v) = (1 - iv)^{-2} $ 的复合分布。
• 计数过程 $ N(t) $ 满足 $ \alpha t^{-\beta} N(t) / \theta \to Z $ 在分布上收敛，其中 $ \theta = \alpha - \beta $，且在 $ \alpha = \beta $ 情况下有 $ U(y) \sim (y \log y)^{1/\alpha} $。