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

Sintesi Tecnica: Schemi di splitting e stimatori per equazioni differenziali stocastiche con rumore moltiplicativo Hölderiano

Enunciato del Problema
Il lavoro affronta la sfida della stima dei parametri per equazioni differenziali stocastiche (SDE) univariate della forma $dX_t = f(X_t; \theta)dt + g(X_t; \sigma)dW_t$, dove il coefficiente di deriva $f$ è localmente Lipschitziano e il coefficiente di diffusione $g$ è Hölderiano con esponente $q \in (0, 1/2)$. Questa classe di modelli, che include processi ampiamente utilizzati come i modelli di Cox-Ingersoll-Ross (CIR), Wright-Fisher e Ahn-Gao, presenta difficoltà significative per i metodi di inferenza esistenti.

Gli approcci standard, come la discretizzazione di Euler–Maruyama (EuM), spesso falliscono nel preservare lo spazio degli stati (ad esempio, non riescono a mantenere il processo CIR non negativo) e mancano di convergenza forte in media quadratica quando i coefficienti non sono globalmente Lipschitziani. Metodi alternativi basati su approssimazioni Gaussiane o sviluppi in polinomi di Hermite (ad esempio, il metodo di Aït-Sahalia) possono soffrire di inefficienza computazionale o instabilità con grandi passi temporali di osservazione. Inoltre, gli schemi di splitting esistenti sono stati sviluppati principalmente per SDE con derivate globalmente Lipschitziane o rumore additivo, lasciando un vuoto per schemi che siano sia convergenti in media quadratica forte che preservativi dello spazio degli stati per SDE con rumore moltiplicativo Hölderiano.

Metodologia
Gli autori propongono un nuovo framework basato su schemi di splitting numerici derivati da una specifica decomposizione della SDE originale. La metodologia procede come segue:

1. Decomposizione della SDE: Gli autori sfruttano il concetto di "SDE riducibili" e la trasformata di Lamperti. Decompongono la deriva $f(x)$ aggiungendo e sottraendo il termine $\frac{1}{2}g(x)g'(x)$. Questo divide la SDE originale in due sotto-equazioni:

   • Un'Equazione Differenziale Ordinaria (ODE): $dX^{[1]}_t = [f(X^{[1]}_t) - \frac{1}{2}g(X^{[1]}_t)g'(X^{[1]}_t)]dt$.
   • Una SDE risolvibile: $dX^{[2]}_t = \frac{1}{2}g(X^{[2]}_t)g'(X^{[2]}_t)dt + g(X^{[2]}_t)dW_t$.
     La seconda sotto-equazione è risolvibile esplicitamente tramite la trasformata di Lamperti $Y_t = \int^x \frac{1}{g(u)}du$, che la riduce a un processo con diffusione unitaria.

2. Schemi di Splitting: Le soluzioni esatte di queste sotto-equazioni sono composte per approssimare la soluzione della SDE originale. Vengono introdotte due composizioni specifiche:

   • Schema di Lie-Trotter (LT): Compose le soluzioni come $\phi^{[2]}_h \circ \phi^{[1]}_h$.
   • Schema di Strang (S): Compose le soluzioni come $\phi^{[1]}_{h/2} \circ \phi^{[2]}_{h/2} \circ \phi^{[1]}_{h/2}$.
     Questi schemi producono approssimazioni numeriche esplicite e preservative dello spazio degli stati.

3. Stimazione tramite Pseudo-Verosimiglianza: Gli autori derivano funzioni di pseudo-verosimiglianza esplicite basate sulle densità di transizione di questi schemi di splitting. A differenza delle approssimazioni Gaussiane, queste densità sono trasformazioni non lineari di variabili Gaussiane. I log-pseudo-verosimiglianza negativi sono minimizzati per ottenere stimatori per il vettore dei parametri $\alpha = (\theta, \sigma)^T$.

4. Analisi Teorica: Il lavoro fornisce dimostrazioni rigorose per:

   • Convergenza Forte in Media Quadratica: Dimostrando che lo schema LT converge fortemente alla soluzione vera anche con coefficienti di diffusione Hölderiani, un risultato che richiede dimostrazioni ad hoc poiché i teoremi standard di tipo Milstein non si applicano.
   • Coerenza a Un Passo: Stabilendo che lo schema LT ha una coerenza a un passo di ordine $O(h^2)$ e lo schema di Strang ha ordine $O(h^3)$.
   • Proprietà Asintotiche: Dimostrando la consistenza e la normalità asintotica dello stimatore LT. Una sfida tecnica chiave affrontata è la dipendenza "intrecciata" della pseudo-verosimiglianza sia dai parametri di deriva ($\theta$) che da quelli di diffusione ($\sigma$), il che necessita di nuove tecniche dimostrative distinte da quelle utilizzate per stimatori con parametri separabili.

Risultati Chiave

• Prestazioni Numeriche: Simulazioni estensive sui modelli CIR, diffusione di Student e Ahn-Gao dimostrano che gli schemi di splitting proposti raggiungono una convergenza forte in media quadratica di ordine 1. Lo schema di Strang supera costantemente lo schema di Lie-Trotter e altri concorrenti (EuM, Milstein, semi-discreto, Lamperti+EuM) in termini di errore quadratico medio e distanza di Wasserstein rispetto alla densità invariante vera.
• Preservazione dello Spazio degli Stati: Gli schemi preservano con successo lo spazio degli stati (ad esempio, non negatività per CIR, limitatezza per Wright-Fisher) per le frontiere di ingresso, una proprietà spesso violata dagli schemi EuM e Milstein.
• Accuratezza della Stima: I proposti stimatori di massima pseudo-verosimiglianza (PMLE) basati sugli schemi di splitting superano i benchmark esistenti (Kessler, Hermite, metodi basati su Lamperti) in termini di accuratezza, specialmente per grandi passi temporali di osservazione ($h_{obs}$). Lo stimatore di Strang fornisce generalmente l'inferenza più accurata quando la mappatura sottostante è invertibile; altrimenti, lo stimatore di Lie-Trotter rimane robusto.
• Efficienza Computazionale: Sebbene lo schema di Strang sia leggermente più costoso dal punto di vista computazionale rispetto a Lie-Trotter, entrambi sono significativamente più veloci dei metodi basati su sviluppi di Hermite e comparabili o più veloci dell'approccio di Kessler in molti scenari.

Significato e Affermazioni
Il lavoro afferma di introdurre i primi stimatori di pseudo-verosimiglianza espliciti basati su schemi di splitting numerici che sono simultaneamente convergenti in media quadratica forte e preservativi dello spazio degli stati per la vasta classe di SDE con deriva localmente Lipschitziana e diffusione moltiplicativa Hölderiana continua.

Il significato del lavoro risiede in:

1. Colmare un Vuoto: Colma il vuoto metodologico per l'inferenza in SDE con rumore Hölderiano, dove i metodi precedenti mancavano di garanzie di convergenza o fallivano nel preservare le proprietà strutturali essenziali della soluzione.
2. Decomposizione Innovativa: La strategia di decomposizione specifica, che integra la trasformata di Lamperti direttamente nella splitting della deriva, permette la soluzione esatta della sotto-equazione del rumore moltiplicativo, un compito tradizionalmente considerato difficile per gli schemi di splitting in questo contesto.
3. Avanzamento Teorico: La derivazione della consistenza e della normalità asintotica per stimatori in cui i parametri di deriva e diffusione sono congiuntamente intrecciati nella funzione di verosimiglianza rappresenta un significativo contributo teorico, richiedendo nuovi limiti sui momenti e nuove tecniche dimostrative.
4. Utilità Pratica: Gli stimatori proposti offrono un'alternativa robusta per l'inferenza basata su simulazioni e la stima dei parametri in modelli finanziari, biologici e fisici complessi (ad esempio, modellazione dei tassi di interesse, genetica delle popolazioni) dove i metodi di discretizzazione standard falliscono.

Gli autori notano che, sebbene il lavoro attuale si concentri su SDE scalari, l'approccio è naturalmente estendibile a contesti multivariati tramite SDE riducibili multivariate e la trasformata di Lamperti multivariata. Riconoscono inoltre che per certi modelli (come il modello Ahn-Gao con grandi passi temporali), l'invertibilità richiesta per la verosimiglianza dello stimatore di Strang può fallire, caso in cui lo stimatore di Lie-Trotter funge da alternativa robusta.