Splitting schemes and estimators for stochastic differential equations with Hölder multiplicative noise

Resumen Técnico: Esquemas de descomposición y estimadores para ecuaciones diferenciales estocásticas con ruido multiplicativo Hölder

Planteamiento del Problema
El artículo aborda el desafío de la estimación de parámetros para ecuaciones diferenciales estocásticas (EDEs) univariadas de la forma $dX_t = f(X_t; \theta)dt + g(X_t; \sigma)dW_t$, donde el coeficiente de deriva $f$ es localmente Lipschitz y el coeficiente de difusión $g$ es Hölder continuo con exponente $q \in (0, 1/2)$. Esta clase de modelos, que incluye procesos ampliamente utilizados como los de Cox-Ingersoll-Ross (CIR), Wright-Fisher y Ahn-Gao, presenta dificultades significativas para los métodos de inferencia existentes.

Los enfoques estándar, como la discretización de Euler–Maruyama (EuM), a menudo fallan al preservar el espacio de estados (por ejemplo, no logran mantener el proceso CIR no negativo) y carecen de convergencia fuerte en media cuadrática cuando los coeficientes no son globalmente Lipschitz. Los métodos alternativos que dependen de aproximaciones gaussianas o expansiones en polinomios de Hermite (por ejemplo, el método de Aït-Sahalia) pueden sufrir ineficiencia computacional o inestabilidad con grandes pasos de tiempo de observación. Además, los esquemas de descomposición existentes se han desarrollado principalmente para EDEs con derivas globalmente Lipschitz o ruido aditivo, dejando un vacío para esquemas que sean simultáneamente convergentes fuertes en media cuadrática y que preserven el espacio de estados para EDEs con ruido multiplicativo Hölder.

Metodología
Los autores proponen un marco novedoso basado en esquemas de descomposición numérica derivados de una descomposición específica de la EDE original. La metodología procede de la siguiente manera:

1. Descomposición de la EDE: Los autores explotan el concepto de "EDEs reducibles" y la transformada de Lamperti. Descomponen la deriva $f(x)$ sumando y restando el término $\frac{1}{2}g(x)g'(x)$. Esto divide la EDE original en dos subecuaciones:

   • Una Ecuación Diferencial Ordinaria (EDO): $dX^{[1]}_t = [f(X^{[1]}_t) - \frac{1}{2}g(X^{[1]}_t)g'(X^{[1]}_t)]dt$.
   • Una EDE resoluble: $dX^{[2]}_t = \frac{1}{2}g(X^{[2]}_t)g'(X^{[2]}_t)dt + g(X^{[2]}_t)dW_t$.
     La segunda subecuación es explícitamente resoluble mediante la transformada de Lamperti $Y_t = \int^x \frac{1}{g(u)}du$, lo que la reduce a un proceso con difusión unitaria.

2. Esquemas de Descomposición: Las soluciones exactas de estas subecuaciones se componen para aproximar la solución de la EDE original. Se introducen dos composiciones específicas:

   • Esquema Lie-Trotter (LT): Compose las soluciones como $\phi^{[2]}_h \circ \phi^{[1]}_h$.
   • Esquema Strang (S): Compose las soluciones como $\phi^{[1]}_{h/2} \circ \phi^{[2]}_{h/2} \circ \phi^{[1]}_{h/2}$.
     Estos esquemas producen aproximaciones numéricas explícitas que preservan el espacio de estados.

3. Estimación de Pseudo-Verosimilitud: Los autores derivan funciones de pseudo-verosimilitud explícitas basadas en las densidades de transición de estos esquemas de descomposición. A diferencia de las aproximaciones gaussianas, estas densidades son transformaciones no lineales de variables gaussianas. Se minimizan los negativos de los logaritmos de las pseudo-verosimilitudes para obtener estimadores del vector de parámetros $\alpha = (\theta, \sigma)^T$.

4. Análisis Teórico: El artículo proporciona pruebas rigurosas para:

   • Convergencia Fuerte en Media Cuadrática: Demostrando que el esquema LT converge fuertemente a la solución verdadera incluso con coeficientes de difusión Hölder, un resultado que requiere pruebas ad-hoc ya que los teoremas estándar de tipo Milstein no son aplicables.
   • Consistencia de Un Paso: Estableciendo que el esquema LT tiene una consistencia de un paso de orden $O(h^2)$ y el esquema Strang tiene orden $O(h^3)$.
   • Propiedades Asintóticas: Demostrando la consistencia y la normalidad asintótica del estimador LT. Un desafío técnico clave abordado es la dependencia "enredada" de la pseudo-verosimilitud con respecto a los parámetros de deriva ($\theta$) y difusión ($\sigma$), lo que requiere nuevas técnicas de prueba distintas de las utilizadas para estimadores con parámetros separables.

Resultados Clave

• Rendimiento Numérico: Simulaciones extensas en los modelos CIR, difusión de Student y Ahn-Gao demuestran que los esquemas de descomposición propuestos alcanzan una convergencia fuerte en media cuadrática de orden 1. El esquema Strang supera consistentemente al esquema Lie-Trotter y a otros competidores (EuM, Milstein, semi-discreto, Lamperti+EuM) en términos de error cuadrático medio y distancia de Wasserstein hacia la densidad invariante verdadera.
• Preservación del Espacio de Estados: Los esquemas preservan exitosamente el espacio de estados (por ejemplo, no negatividad para CIR, acotación para Wright-Fisher) para fronteras de entrada, una propiedad que a menudo es violada por los esquemas EuM y Milstein.
• Precisión de la Estimación: Los estimadores de pseudo-máxima verosimilitud (PMLE) propuestos basados en los esquemas de descomposición superan a las referencias existentes (Kessler, Hermite, métodos basados en Lamperti) en términos de precisión, particularmente para grandes pasos de tiempo de observación ($h_{obs}$). El estimador Strang generalmente proporciona la inferencia más precisa cuando el mapeo subyacente es invertible; de lo contrario, el estimador Lie-Trotter permanece robusto.
• Eficiencia Computacional: Aunque el esquema Strang es ligeramente más costoso computacionalmente que Lie-Trotter, ambos son significativamente más rápidos que los métodos basados en expansión de Hermite y comparables o más rápidos que el enfoque de Kessler en muchos escenarios.

Significado y Afirmaciones
El artículo afirma introducir los primeros estimadores de pseudo-verosimilitud explícitos basados en esquemas de descomposición numérica que son simultáneamente convergentes fuertes en media cuadrática y que preservan el espacio de estados para la amplia clase de EDEs con deriva localmente Lipschitz y difusión multiplicativa Hölder continua.

El significado del trabajo radica en:

1. Cubrir un Vacío: Llena el vacío metodológico para la inferencia en EDEs con ruido Hölder, donde los métodos anteriores carecían de garantías de convergencia o fallaban al preservar propiedades estructurales esenciales de la solución.
2. Nueva Descomposición: La estrategia de descomposición específica, que integra la transformada de Lamperti directamente en la descomposición de la deriva, permite la solución exacta de la subecuación de ruido multiplicativo, una tarea tradicionalmente considerada difícil para los esquemas de descomposición en este contexto.
3. Avance Teórico: La derivación de la consistencia y la normalidad asintótica para estimadores donde los parámetros de deriva y difusión están conjuntamente enredados en la función de verosimilitud representa una contribución teórica significativa, requiriendo nuevas cotas de momentos y técnicas de prueba.
4. Utilidad Práctica: Los estimadores propuestos ofrecen una alternativa robusta para la inferencia basada en simulación y la estimación de parámetros en modelos complejos financieros, biológicos y físicos (por ejemplo, modelado de tasas de interés, genética de poblaciones) donde los métodos de discretización estándar fallan.

Los autores señalan que, aunque el trabajo actual se centra en EDEs escalares, el enfoque es naturalmente extensible a configuraciones multivariadas mediante EDEs multivariadas reducibles y la transformada de Lamperti multivariada. También reconocen que para ciertos modelos (como el modelo Ahn-Gao con grandes pasos de tiempo), la invertibilidad requerida para la verosimilitud del estimador Strang puede fallar, caso en el cual el estimador Lie-Trotter sirve como una alternativa robusta.