[论文解读] Sharp moment estimates for polynomial martingales

E. Ostrovsky, L. Sirota|arXiv (Cornell University)|Oct 3, 2014

Mathematical functions and polynomials参考文献 10被引用 15

一句话总结

本文通过使用鞅差分的无条件矩和相对矩，建立了多项式鞅的精确非渐近矩估计。在鞅情形下，推导出形式为 $ U(p;d,n) \leq \gamma(d) \cdot \frac{p^d}{(\ln p)^d} \cdot V_d(p) $ 的最优界；在独立情形下，推导出形式为 $ \kappa(d) \cdot \frac{p^d}{(\ln p)^d} \cdot W_d(p) $ 的界，并通过下界估计和对广义勒贝格空间与尾概率估计的应用，证明了这些界的精确性。

ABSTRACT

In this paper non-asymptotic moment estimates are derived for tail of distribution for discrete time polynomial martingale by means of martingale differences as a rule in the terms of unconditional and unconditional relative moments and tails of distributions of summands. We show also the exactness of obtained estimations.

研究动机与目标

• 推导离散时间多项式鞅的非渐近、精确矩估计，其鞅差分中心化。
• 将这些估计表达为求和项的无条件与相对 $ L^p $ 矩，避免对高阶矩的依赖。
• 通过下界估计与反例，证明界的精确性。
• 推广先前结果，将先前的 $ p^d $ 和 $ p^d / \ln p $ 增长率改进为 $ p^d / \ln^d p $ 的速率。
• 利用广义勒贝格空间理论，在子高斯型尾部假设下，提供尾概率估计。

提出的方法

• 作者基于Osekowski常数 $ K_{\text{Os}} \approx 15.7858 $，通过递归构造常数 $ \gamma(d) $，其定义为 $ \gamma(d+1) = \gamma(d) \cdot K_{\text{Os}} \cdot (1 + 1/d)^d $。
• 定义多项式鞅 $ Q(d,n,b) = \sum_{\vec{i} \in I(d,n)} b(\vec{i}) \prod_{s=1}^d \xi(i_s,s) $ 为鞅差分的 $ d $ 次齐次多项式。
• 引入关键范数：$ \mu_m(p) = \sup_i |\xi(i,m)|_p $，$ V_d(p) = \prod_{m=1}^d \mu_m(dp) $，以及独立情形与鞅情形下分别对应的 $ W_d(p) = \prod_{m=1}^d \mu_m(p) $。
• 通过鞅不等式、三角不等式与罗森塔尔型估计推导主要不等式，其精确性通过例子与下界得到验证。
• 应用广义勒贝格空间技术，将尾部衰减条件与矩增长联系起来，尤其在子威布尔尾部假设下。
• 引入归一化变量的相对矩范数 $ \tilde{\mu}_m(p) $，从而导出归一化矩估计 $ \tilde{U}(p;d,n) \leq \gamma(d) \cdot \frac{p^d}{(\ln p)^d} \cdot \tilde{V}_d(p) $。

实验结果

研究问题

• RQ1 能否基于求和项的无条件矩，为多项式鞅推导出精确的非渐近 $ L^p $ 矩估计？
• RQ2 矩界中 $ p^d / (\ln p)^d $ 的增长速率是否最优？能否通过下界证明其精确性？
• RQ3 鞅差分的尾部衰减特性（如子威布尔型）如何影响多项式鞅的尾部行为？
• RQ4 能否通过使用归一化（相对）矩对矩估计进行改进，以增强实际适用性？
• RQ5 Osekowski常数及其递归构造在实现精确性中起到何种作用？

主要发现

• 本文建立了多项式鞅的精确上界 $ U(p;d,n) \leq \gamma(d) \cdot \frac{p^d}{(\ln p)^d} \cdot V_d(p) $，其中 $ \gamma(d) $ 通过Osekowski常数递归定义。
• 对于独立求和项，界 $ U(p;d,n) \leq \kappa(d) \cdot \frac{p^d}{(\ln p)^d} \cdot W_d(p) $ 被证明是精确的，且 $ \kappa(d) $ 的定义方式与 $ \gamma(d) $ 类似。
• 下界确认了最优性：$ K_I(p;d) \geq \frac{C(d) \cdot p^d}{\ln^d p} $，表明 $ p^d / \ln^d p $ 的速率无法进一步改进。
• 在子威布尔尾部假设 $ \mathbb{P}(|\xi(i,m)| \geq x) \leq \exp(-C_1 x^q (\ln x)^{-qr}) $ 下，$ Q(d,n,b) $ 的尾部衰减为 $ \exp(-C_2 x^{q/(dq+1)} (\ln x)^{-(q(r-d))/(dq+1)}) $。
• 导出了归一化矩估计 $ \tilde{U}(p;d,n) \leq \gamma(d) \cdot \frac{p^d}{(\ln p)^d} \cdot \tilde{V}_d(p) $，通过使用相对矩提升了实际可用性。
• 结果在精确意义下成立：通过反例与渐近分析，证明了常数 $ \gamma(d) $、$ \kappa(d) $ 以及 $ p^d / \ln^d p $ 的速率均为最优。