非平稳Ornstein-Uhlenbeck过程中参数估计量 的中偏差上界

合集下载

非平稳随机信号的参数模型分析方法

非平稳随机信号的参数模型分析方法
2 自适应 AR 谱分析法
信号分析与处理已受到很大重视 并广泛应用于雷达 声
在平稳随机过程情况下 参数模型法主要是先根据过
纳 通信 自动化 地球物理 航天工程 生物医学 天 程的先验信息或一些假定建立一个准确模型来表征所给定
文 振动工程等许多工程领域 产生了明显的作用 但实 采样数据的过程或选择一个较好的近似实际的模型 其次
比 时变参数模型法可以进一步提高参数估计的精确度
4.1 时变参数 AR 模型法
设零均值 p 阶时变参数 AR 模型为
3 式中 et — — 平稳白噪声过程1 零均值 方差为σ 2
对描述非平稳随机过程的时变参数模型 其时变参数
现已研究出一些估计方法 最简单的一种方法是当过程 xt 不是远非平稳时 由于时变参数变化比较平滑 可用自适
Keywords AR model Time-varying AR model Time-varying ARMA model Piecewise stationary AR model Non-stationary random signal
1 引言
随机信号分为平稳的和非平稳的两种 其中平稳随机
参数模型分析的参数模型法 并按次序予以阐述
剔除后 就可用平稳随机信号模型 AR MA 与 ARMA
模型 来研究
处理这类非平稳随机信号的方法可分为两大类 一类
是剔除法 如自回归综合滑动平均 ARIMA 模型法 季
节性模型法 x-11 法[9]等 它是通过某些处理方法剔除 dt 的变化趋势 经处理后的过程{st} 可认为是平稳随机的 按平稳随机过程来研究 该方法建模简单 但不能得到趋
ZHANG Hai-yong LI Kan
(Dalian Naval Academy Dalian 116018 China)

计量经济学-第三部分 非平稳时间序列的问题剖析

计量经济学-第三部分 非平稳时间序列的问题剖析

13
方程(1)也可以表达成:
Yt ( 1)Yt 1 ut Yt 1 ut
(6)
其中Yt = Yt - Yt 1 , △是一阶差分运算因子。 能拒绝H0,则 Yt = u t 是一个平稳序列,即 Y
t
此时的零假设变为:H0: =0。注意到如果不
一阶差分后是一个平稳序列,此时我们称一阶 单整过程(integrated of order 1)序列,记为 I (1)。
的时间序列检验的两难问题。
20
第三节 协整的概念和检验
一、协整的概念和原理
有时虽然两个变量都是随机游走的,但它们的某
个线形组合却可能是平稳的。在这种情况下,我
们称这两个变量是协整的。
比如:变量Xt和Yt是随机游走的,但变量
Zt=Xt+λYt可能是平稳的。在这种情况下,我们称
Xt和Yt是协整的,其中 称为协整参数
33
Johansen协整检验有两个检验统计量:
①迹检验统计量 trace :
ˆi ),其中r为假设的协整关系的 trace=-T ln(1-
g
ˆi 为 的第i个特征值的估计值(下同)。 个数,
对应的零假设是:H0:协整关系个数小于等于r; 被择假设:H1:协整关系个数大于r。 ②最大特征值检验统计量 max :
此时序列是稳定的。
11
(2)若

>1,则当T→∞时, →∞,即对序列
T
的冲击随着时间的推移其影响反而是逐渐增大的, 很显然,此时序列是不稳定的。 (3 )若 =1,则当T→∞时, =1,即对序列
T
的冲击随着时间的推移其影响是不变的,很显然, 序列也是不稳定的。

ornstein-uhlenbeck noise 原理 -回复

ornstein-uhlenbeck noise 原理 -回复

ornstein-uhlenbeck noise 原理-回复Ornstein-Uhlenbeck noise(OU noise)是一种在金融学和物理学领域中经常使用的随机过程模型。

本文将介绍OU噪声的原理,从随机过程的基础知识开始解释其概念,并逐步回答问题。

1. 什么是随机过程?随机过程是描述随机变量随时间变化的数学模型。

它可以看作是一系列随机变量的集合,其中每个随机变量表示系统某个时刻的状态。

通过观察随机过程,我们可以了解系统的动态行为。

2. 什么是布朗运动?布朗运动是一种随机过程,最早由物理学家罗伯特·布朗发现。

它描述了微观粒子在溶液中的运动轨迹,被广泛应用于金融学和物理学中。

3. OU噪声的定义是什么?OU噪声是一种具有随机性的连续时间过程。

它是通过将布朗运动与回归力进行耦合来描述的。

该过程可以通过下面的随机微分方程表示:dX(t) = θ(μ- X(t))dt + σdW(t)其中,X(t)是OU过程在时间t的值,θ是回归力的强度,μ是回归力的均值,σ是扩散力的强度,W(t)是布朗运动。

OU过程可以被视为一个平稳随机过程,其均值和方差可以根据相关参数计算出来。

4. OU过程的优势是什么?OU过程在金融学中有广泛应用,特别适用于建模具有均值回归特性的金融市场。

例如,在股票价格的建模中,OU过程可以捕捉到价格围绕其均值波动的特点,使得模型更加真实和准确。

5. OU噪声的基本特性是什么?OU噪声具有以下基本特性:- 均值回归特性:OU过程的均值趋向于回归到指定均值μ。

- 自相关性:OU过程的自相关函数是指随时间推移,连续两个时刻之间的相关性。

- 平稳性:OU过程在一定条件下可以是平稳的,即其统计特性在时间维度上保持不变。

6. 如何模拟OU噪声?为了模拟OU噪声,我们可以使用数值解法,如欧拉方法或蒙特卡洛模拟。

具体步骤如下:- 初始化OU过程的初始值X(0)。

- 生成一个服从标准正态分布的随机变量dW(t),用于模拟布朗运动。

ornstein- ulhenbeck过程 -回复

ornstein- ulhenbeck过程 -回复

ornstein- ulhenbeck过程-回复什么是Ornstein-Uhlenbeck过程?Ornstein-Uhlenbeck过程是一种随机过程,也被称为回归到均值过程(Mean Reverting Process),它是一个连续时间的马尔可夫过程。

Ornstein-Uhlenbeck过程最早由Thorvald Nicolai Thiele在1880年代开创,后来由Arne B. Sørensen和George E. P. Box于1978年发展为一般的随机过程模型。

Ornstein-Uhlenbeck过程的数学方程为:dX(t) = θ(μ-X(t))dt + σdW(t)其中,X(t)是一个随机变量,表示时间t的过程值;θ是一个回归到均值的速度参数;μ是均值;σ是标准差;dW(t)是维纳过程,表示一个随机因子。

简单来说,Ornstein-Uhlenbeck过程描述了一个随机变量X(t)在时间t 的状态,该状态具有回归到均值μ的趋势。

也就是说,无论随机变量离均值μ有多远,它都有回归到均值的趋势。

为什么我们需要Ornstein-Uhlenbeck过程?Ornstein-Uhlenbeck过程在金融学和经济学中具有广泛的应用。

主要用于描述股票价格、汇率、利率等金融资产的变动。

它的应用领域包括:1. 价格预测:Ornstein-Uhlenbeck过程可以帮助我们预测金融资产的价格走势。

通过观察随机变量X(t)离均值μ的距离,我们可以预测价格回归到均值的过程。

这对于投资者制定交易策略和风险管理非常重要。

2. 市场调整:市场经常出现过度反应,价格远离其均值。

Ornstein-Uhlenbeck过程可以帮助我们理解市场是如何回归到均衡状态的,从而帮助我们判断何时买入或卖出金融资产。

3. 风险管理:Ornstein-Uhlenbeck过程的具体参数可以帮助我们评估金融资产的风险。

通过观察回归到均值的速度参数θ和标准差σ,我们可以了解金融资产价格的波动性和回归性,从而帮助我们评估投资组合的风险。

非平稳信号的瞬时参数估计方法

非平稳信号的瞬时参数估计方法

非平稳信号的瞬时参数估计方法非平稳信号是指随时间变化的信号,其参数在不同时间段内可能存在较大的变化。

由于非平稳信号具有时变性和频变性,传统的参数估计方法在处理非平稳信号时存在一定的局限性。

因此,针对非平稳信号的瞬时参数估计成为了研究的热点。

本文将介绍几种常见的非平稳信号瞬时参数估计方法。

一、小波变换法小波变换是一种将信号分解为不同尺度和频率成分的方法。

对于非平稳信号,小波变换可以提供时间和频率分辨率较高的结果,因此广泛用于非平稳信号的分析和处理。

瞬时参数估计方法中,小波变换可以通过将信号分解为不同尺度的小波包进行分析,得到各个尺度下的瞬时参数。

二、瞬时频率估计法瞬时频率是非平稳信号在不同时间点处的频率特性。

瞬时频率估计通过计算信号的瞬时相位差分来得到。

其中,时域方法采用Hilbert-Huang变换或Wigner-Ville分布等方法,频域方法包括短时傅里叶变换和经验模态分解等方法。

三、自适应滤波法自适应滤波是一种基于信号统计特性的参数估计方法。

其核心思想是利用滤波器对信号进行去噪和增强,从而提取信号的瞬时参数。

自适应滤波法适用于信号存在噪声或干扰的情况下,通过调整滤波器参数使信号的瞬时特性更加准确地估计。

四、时频分析法时频分析是一种将时间域和频率域结合起来的信号分析方法。

在非平稳信号分析中,时频分析可以提供信号在时间和频率上的局部性质,因此对于瞬时参数的估计具有重要的作用。

常见的时频分析方法包括Cohen类分析法、Wigner-Ville分布和Amplitude and Frequency-Modulated (AFM)方法等。

五、模型拟合法模型拟合是一种基于信号的数学模型进行参数估计的方法。

对于非平稳信号的瞬时参数估计,可以将信号拟合为一组适当的数学模型。

通过拟合模型的参数,可以得到非平稳信号的瞬时特性。

常见的模型拟合方法有AR模型、ARMA模型和ARIMA模型等。

总结:非平稳信号的瞬时参数估计是信号处理领域的重点研究内容之一。

ornstein- ulhenbeck过程

ornstein- ulhenbeck过程

ornstein- ulhenbeck过程什么是Ornstein-Uhlenbeck过程?Ornstein-Uhlenbeck过程是一种随机微分方程,常用于模拟随机过程中的回归现象,如金融市场中的股价变动、物理系统中的布朗运动等。

它由R.L. Ornstein和G.E. Uhlenbeck在1930年代提出,用于描述物体在粘滞介质中的运动。

Ornstein-Uhlenbeck过程的数学定义如下:dX(t) = θ(μ- X(t))dt + σdW(t)其中,X(t)表示过程在时刻t的值,θ是回归参数,μ是均值,σ是标准差,W(t)是布朗运动,dX(t)表示过程在无穷小时间间隔dt内的增量。

第一步:理解过程的基本结构Ornstein-Uhlenbeck过程是由两部分组成:回归项和随机项。

回归项(θ(μ- X(t))dt)描述了过程向均值μ回归的趋势,θ表示回归的速率,μ表示过程的均值,X(t)表示过程在时刻t的值。

随机项(σdW(t))描述了过程的随机波动,σ表示随机项的波动幅度,W(t)表示布朗运动。

第二步:理解过程的性质和应用场景Ornstein-Uhlenbeck过程具有以下特点:1. 回归效应:过程有向均值回归的趋势,即过程的值会向平均值靠拢。

2. 逆向阻尼:过程接近均值时,回归项的效应会减小,防止过程超过均值。

3. 随机波动:过程存在随机项,导致其值在均值附近波动。

Ornstein-Uhlenbeck过程在金融市场中的应用广泛,特别适用于模拟股价的变动。

股价经常表现出相对稳定的均值回归趋势,同时有随机的波动。

通过使用Ornstein-Uhlenbeck过程,可以模拟股价的回归特征,并用于评估投资策略的风险和回报。

第三步:数值模拟与参数估计为了模拟Ornstein-Uhlenbeck过程,需要选择合适的参数值。

其中,回归参数θ和均值μ可以通过历史数据的统计方法估计得到,标准差σ可以根据过程的方差进行估计。

一类非平稳两值panel data模型的估计问题

一类非平稳两值panel data模型的估计问题
于刚
【期刊名称】《统计与决策》
【年(卷),期】2009(0)23
【摘要】在非线性paneldata模型中,对于两值的paneldata模型的研究越来越广泛。

文章主要研究截面N和时间序列T大的两值paneldata模型:yit=I(βxit-εit>0)(i=1,2,…,N;t=1,2,…,T),其中xit对于固定的i关于时间t是非平稳过程。

在真参数β是0的条件下,文章给出了参数β的最大似然估计(MLE),并且给出了参数β的MLE的渐近分布。

【总页数】2页(P7-8)
【关键词】两值panel;data模型;非平稳协变量;Brownian运动;最大似然估计【作者】于刚
【作者单位】东北财经大学数学与数量经济学院经济计量分析与预测研究中心【正文语种】中文
【中图分类】O212.1
【相关文献】
1.一类二阶两点边值特征值问题的非平凡解 [J], 李国发
2.一类非零边值Data极小问题(含临界指数) [J], 杨海涛
3.一类非平稳噪声线性模型的估计及其在地壳形变中的应用 [J], 黄青
4.两阶段估计非参数固定效应Panel Data模型 [J], 解其昌
5.一类非平稳两指标模型的参数估计 [J], 胡予濮
因版权原因,仅展示原文概要,查看原文内容请购买。

随机利率下分数跳-扩散Ornstein-Uhlenbeck期权定价模型

随机利率下分数跳-扩散Ornstein-Uhlenbeck期权定价模型严惠云;曹译尹【摘要】假设股票价格遵循分数布朗运动和复合泊松过程驱动的随机微分方程,短期利率服从HullWhite模型,建立了随机利率情形下的分数跳-扩散Ornstein-Uhlenbeck期权定价模型,利用价格过程的实际概率测度和公平保费原理,得到了欧式看涨期权定价的解析表达式,推广了Black-Scholes模型.【期刊名称】《经济数学》【年(卷),期】2011(028)002【总页数】6页(P75-80)【关键词】分数跳-扩散;Ornstein-Uhlenbeck;随机利率【作者】严惠云;曹译尹【作者单位】西安财经学院,统计学院,陕西,西安,710100;华北电力大学,经济管理系,河北,保定,071000【正文语种】中文【中图分类】O211.F830近年来,标的资产价格服从跳-扩散过程或者Lévy过程的期权定价理论已引起了众多学者的关注.跳-扩散过程或者Lévy过程是一类具有平稳独立增量过程,关于跳-扩散过程或者Lévy过程以及在金融中应用可参见文献[1-3].另一方面,在通常金融市场模型中用分数布朗运动取代标准布朗运动早已被众多学者认同,主要是由于分数布朗运动具有较好地“厚尾”和长程依赖特性,而且仍然是一个高斯过程.关于分数布朗运动随机分析理论可参见文献[4-5]分数布朗运动在金融中的应用可见文献[6-7].1998年Bladt和Rydberg首次提出了期权定价的保险精算方法[8],利用实际概率测度和公平保费原理,在非均衡、套利存在、非完备情形下,将期权定价问题转化成为公平保费问题.文献[9]考虑了股票价格遵循布朗运动驱动的Ornstein-Uhlenbeck过程下的欧式期权定价问题,但是给出的定价公式与Ornstein-Uhlenbeck过程的均值回复率没有关系,这显然不符合实际.本文假定股票价格服从分数跳-扩散过程驱动的Ornstein-Uhlenbeck过程,并假定金融市场短期利率为 H ull-White模型,利用保险精算方法,得到了比文献[9]更符合实际的欧式看涨期权的定价公式.假定股票价格过程及金融市场的短期利率 rt满足随机微分方程其中,μt为期望收益率,它是时间 t的函数,波动率σ1,σ2和均值回复率ε及a,b,c1c2都为常数,{BHt,t≥0}和{WHt,t≥0}为完备概率空间(Ω,F,P)上的分数布朗运动,{Jt,t≥0}是个复合泊松过程可以表示为【相关文献】[1] R CONT,P TANKOV.Financial Modelling with Jump Processes[M].London:Chapman and Hall,2004.[2] J M CORCUERA,D NUALART,W pletion of a levy market by power-jump assets[J].Finance Stochast,2005,9(1):109–127.[3] E LUCIANO,W SCHOUTENS.A multivariate jump-driven financial assetmodel[J].Quantitative Finance,2006,6(5):385-402.[4] R J ELLIOTT,J HOEK.A general fractional white noise theory and applications to finance[J].Mathematical Finance,2003,13(2):301-330.[5] T BJORK,H HUL T.A note on wick products and the fractional black-scholesmodel[J].Finance and Stochastics,2005,9(2):197-209.[6] Y HU,BØKSENDAL.Fractional white noise calculus and applications to finance,infinite dimensional analysis[J].Quantum Probability and Related Topics,2003,6(1):1-32.[7] P GUASONI.No arbitrage under transaction costs,with fractional Brownian motion and beyond[J],Mathematical Finance,2006,16(3):569-582.[8] M T BLADT,H RYDERG.An actuarial approach to option pricing under the physical measure and without market assumptions[J].Insurance:Mathematics and Economics,1998,22(1):65-73.[9] 李美蓉.随机利率下股票价格服从指数O-U过程的期权定价[J].合肥工业大学学报:自然科学版,2009,32(4):558-600.[10]HONG Xue,Yu-dong SUN.Pricing european option under fractional jump-diffusion ornstein-uhlenbeck model[C]//International Institute of Applied Statistics Studies,2009.。

随机利率下分数跳扩散Ornstein-Uhlenbeck期权定价模型

严 惠云 , 曹译 尹
( .西 安 财经 学 院 统 计 学 院 , 西 西 安 7 0 0 ; . 北 电力 大 学 经 济 管理 系 , 1 陕 1 10 2 华 河北 保 定 010) 70 0


假 设 股 票价 格 遵 循 分 数 布 朗运 动 和 复 合 泊松 过 程 驱 动 的 随机 微 分 方 程 , 期 利 率 服 从 Hul 短 l —
第 2 8卷
第 2期




Vo128, . No. 2
2 1 年 6 月 0 1
j oURNAL OF QUANTI TATI ONOM I VE EC CS 率 下 分 数 跳 一 散 扩 Or s i- he b c n t n U ln ek期 权 定 价 模 型 e
A b ta t sr c Un e h s u t n h tso k rc r c s sd i e y fa t n l i u i n p o e swih n n h mo e e d r t e a s mp i st a t c s p ie p o e si r n b r c i a f s r c s t o — o g n — o v o d f o - -
Ke wo d fa t n l u i u in y r s rci a- mpdf so ;Or sen Uhe b c o j f n ti- ln e k;so h si trs ae - tc a t i ee trts cn
具 有较好 地“ 尾” 长程 依赖 特 性 , 且 仍 然 是一 厚 和 而
u d rs o h si n e e tr t s wa ul.Usn h sc lp o a i s i me s r f p i e p o e s a d t e p ic p e o a rp e — n e t c a t i t r s a e s b i c t ig p y ia r b b l t a u e o rc r c s n h rn i l f fi r mi i c u ,t e p ii g f r l o r p a p i n wa b a n d wh c e e aie h l c — c o e d 1 m h rcn o mu a fEu o e n o t so t i e , ih g n r l st e B a k S h l smo e . o z

非平稳高斯过程

非平稳高斯过程
非平稳高斯过程(Non-stationary Gaussian Process)是高斯过程(Gaussian Process)的一种扩展形式。

在传统的高斯过程中,平稳性是一个重要的假设,即该过程的统计性质在时间或空间上是不变的。

然而,非平稳高斯过程允许随时间或空间变化的统计性质。

非平稳高斯过程的均值和协方差函数(或核函数)通常会随时间、空间或其他影响因素发生变化。

这种变化可以通过引入额外的参数或函数来描述。

这种参数或函数可以反映出过程随时间或空间的演化特征,从而捕捉到在不同时间或空间范围内的不同统计性质。

非平稳高斯过程在许多实际问题中具有重要应用,例如金融时间序列分析中的波动率建模、地理空间数据建模中的空间变化分析等。

这些应用中,非平稳性能够更好地适应真实世界中的不稳定性和变化性。

对于非平稳高斯过程,需要特别注意参数或函数的选择和估计,以及相关的推断和预测技术。

这涉及到从数据中估计非平稳性的参数、选择合适的核函数或协方差函数,以及进行模型选择和推断的方法。

总之,非平稳高斯过程是对传统高斯过程的扩展,能够更好地应对实际问题中的不稳定性和变化性。

它的使用需要考虑变化的均值和协方差函数,并需要适当的参数选择和估计方法。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
1
(
)
证明:因为对任意 p > 1 ,有
T p2 2 T 2 λ ∫0 X s ds , T ≥ 0 exp λ p ∫ X s dWs − 0 2
是 T -鞅,对任意 λ > 0 ,
ˆ −θ ≥ r P θ T
(
≤ EPθ exp λ ∫0 X s dWs − r λ ∫0 X s2 ds
1 α 2bT x − 2Tθ + ο e 2bT x − 2Tθ − θ T + Ο Te 2bT x − 2Tθ = − x − log 2 e 2θ 2
(
)
(
)
(5)
另一方面,若 x < 0 ,则
DOI: 10.12677/pm.2018.86084 634 理论数学
1
(
)
故引理 2 得证。
3. 主要结论及证明
ˆ −θ 定理:若 θ > 0 , eθ T θ T
(
)
1 bT
, T > 0 以速度 bT 满足中偏差上界,且速率函数为
log x, x ≥ 1; = I ( x ) 0, 0 < x < 1; +∞, x ≤ 0.
(
:= L1 (T ) + L2 (T ) + L3 (T )
由泰勒公式,我们有
α θ 2 + 2α e2bT x − 2Tθ = θ + e2bT x − 2Tθ + ο ( e2bT x − 2Tθ ) , θ
由此可推得
T →∞ 2 lim L2 (T ) = −θ x0 , L3 (T ) = −θ T + Ο Te 2bT x − 2θ T .
1 lim sup log P θ T →∞ bT
θT ˆ −θ e θ T
T
2. 引理及证明
接下来介绍两个关键引理。 令 bT , T ≥ 0 为一个非负函数且满足 bT = ο (T ) 。 引理 1:若 θ > 0 ,对任意的 α > 0 和 x ∈ ,我们有
T − x, x ≥ 0; 1 log EPθ exp −α e 2bT x − 2Tθ ∫0 X t2 dt = T →∞ b 0, x < 0. T
Upper Bounds of Moderate Deviations for the Estimator in the Non-Stationary Ornstein-Ulenbeck Process
Jin Shao
Department of Mathematics, Nanjing University of Aeronautics and Astronautics, Nanjing Jiangsu
2 θ + 2α e
2 2 bT x − 2T θ
−2T θ + 2α e e= e −2T
2
2 bT x −2 Tθ
θ 2 + 2α e2 bT x−2Tθ
+ ο e 2bT x − 2Tθ .
(
)
因此,
1 α − log 2 e 2bT x − 2Tθ + e −2T L1 (T ) = 2 2θ
邵金
T →∞
lim
e 2bT x − 2Tθ e −2T
θ 2 + 2α e2 bT x−2Tθ
= 0,
可推得
T →∞
lim
1 ( L1 (T ) + L3 (T ) ) bT 1 −2T − log e 2
1 = lim T →∞ b T
(
θ 2 + 2α e2 bT x−2Tθ
+ο e
(
)

(
)
当 θ > 0 时,有
log EPθ exp −α e 2bT x − 2Tθ ∫0 X t2 dt
{
T
}
) ( )
1 1 θ θ + θ 2 + 2α e2bT x − 2Tθ −2T θ 2 + 2α e2bT x−2Tθ = − log − + e 2 2 θ 2 + 2α e2bT x − 2Tθ 2 2 θ 2 + 2α e2bT x − 2Tθ 2 bT x − 2T θ 2 x0 α e T − − θ + θ 2 + 2α e2bT x − 2Tθ 2 bT x − 2T θ 2 bT x − 2T θ 2 2 2 coth T θ + 2α e θ − θ + 2α e
DOI: 10.12677/pm.2018.86084 635 理论数学
邵金
如,对任意闭集 F ⊂ ,
lim sup
T →∞
θT 1 log P θˆT − θ θ e bT
(
)
1 bT
∈ F ≤ − inf I ( x ) . x∈F
证明:对任意给定 x > 0 ,由引理 2 有
Pure Mathematics 理论数学, 2018, 8(6), 632-636 Published Online November 2018 in Hans. /journal/pm https:///10.12677/pm.2018.86084


对于非平稳Ornstein-Uhlenbeck估计量的 中偏差上界。
文章引用: 邵金. 非平稳 Ornstein-Uhlenbeck 过程中参数估计量的中偏差上界[J]. 理论数学, 2018, 8(6): 632-636. DOI: 10.12677/pm.2018.86084
(
)
eθ T
(θˆ 2θ
T
−θ ⇒
)
ν , η
其中, ν 和 η 为两个独立的高斯随机变量[6]。
ˆ 的精 对于非平稳 Ornstein-Uhlenbeck 过程,如 θ > 0 的情况,Bercu,Coutin 和 Savy [7]已经研究了 θ T ˆ 的中偏差上界。 细大偏差。本文受非平稳高斯自回归过程的中偏差启发,考虑估计量 θ
1
其中,
1 1 r2 pq + = 1 。结合 inf λ 2 − qr λ = − ( q − 1) ,可得 λ >0 2 p q 2
r2 q T 2 ˆ exp 1 d P E q X s − − ( ) P s θ θT − θ ≥ r ≤ inf ∫ θ . 0 q >1 2
th th th
Received: Oct. 15 , 2018; accepted: Oct. 27 , 2018; published: Nov. 8 , 2018
Abstract
We study the maximum likelihood estimator of the drift estimation in a non-stationary Ornstein-Uhlenbeck process. Upper bounds of moderate deviations for this estimator are obtained.
{
)
T
T
}
1 1
T T T p p T = EPθ exp λ ∫0 X s dWs − λ 2 ∫0 X s2 ds + λ 2 ∫0 X s2 ds − r λ ∫0 X s2 ds 2 2
T p2 2 T 2 p pq 2 q T ≤ λ ∫0 X s ds λ − qr λ ∫0 X s2 ds EPθ exp λ p ∫0 X s dWs − EPθ exp 2 2 pq 2 q T = EPθ exp λ − qr λ ∫0 X s2 ds 2
(
2 bT x − 2T θ
) ) − θ T + Ο ( Te
2 bT x − 2T θ
= 0
)
(6)
结合(3),(5)和(6),引理 1 得证。 引理 2:对任意 r > 0 ,有
r2 q T 2 ˆ exp 1 d P E q X s − − ( ) P s θ θT − θ ≥ r ≤ 2inf ∫0 θ . q >1 2
T θ 2 − θ 02 exp (θ1 − θ 0 ) ∫ X s dX s − 1 = 0 2
∫0
T
X s2 ds
(2)
其中, 基于 { X t , t ≥ 0} 的观测值,θ 在 P = T σ (Ws , s ≤ T ) ,θ 0 , θ1 ∈ 。 θ 之下的极大似然估计量(MLE)为:
(
)
(3)
对 L1 (T ) ,由简单计算得到
θ
2 θ + 2α e
2 2 bT x − 2T θ
1 1 α 2bT x − 2Tθ = = − 2e + ο e 2bT x − 2Tθ 2 bT x − 2T θ 2 2θ 2α e 2 1+ 2
(
)
θ

θ + θ 2 + 2α e2bT x − 2Tθ
邵金
关键词
漂移项参数,中偏差,非平稳Ornstein-Uhlenbeck过程
Copyright © 2018 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
相关文档
最新文档