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

기술 요약: Hölder 곱셈 노이즈를 가진 확률 미분 방정식에 대한 분할 기법과 추정기

문제 제기
본 논문은 $dX_t = f(X_t; \theta)dt + g(X_t; \sigma)dW_t$ 형태의 일변량 확률 미분 방정식 (SDE) 에 대한 모수 추정 문제를 다룬다. 여기서 드리프트 계수 $f$는 국소 리프시츠 (locally Lipschitz) 성질을 가지며, 확산 계수 $g$는 지수 $q \in (0, 1/2)$를 가진 Hölder 연속성을 가진다. Cox-Ingersoll-Ross(CIR), Wright-Fisher, Ahn-Gao 모델과 같이 널리 사용되는 과정을 포함하는 이 모델 클래스는 기존 추론 방법들에 대해 상당한 어려움을 제시한다.

Euler–Maruyama(EuM) 이산화와 같은 표준 접근법은 종종 상태 공간을 보존하지 못한다 (예: CIR 과정이 음수가 되지 않도록 유지하지 못함). 또한 계수가 전역 리프시츠가 아닐 때 강한 평균 제곱 수렴성을 결여한다. 가우스 근사나 Hermite 다항식 전개 (예: Aït-Sahalia 의 방법) 에 의존하는 대안적 방법들은 큰 관측 시간 간격에서 계산 비효율성이나 불안정성을 겪을 수 있다. furthermore, 기존 분할 기법들은 주로 전역 리프시츠 드리프트나 가산 노이즈를 가진 SDE 에 대해 개발되어 왔으며, Hölder 곱셈 노이즈를 가진 SDE 에 대해 강한 평균 제곱 수렴성과 상태 공간 보존성을 동시에 갖춘 기법에 대한 공백이 존재한다.

방법론
저자들은 원래 SDE 의 특정 분해에서 유도된 수치적 분할 기법에 기반한 새로운 프레임워크를 제안한다. 방법론은 다음과 같이 진행된다:

1. SDE 분해: 저자들은 "환원 가능한 SDE(reducible SDE)"의 개념과 Lamperti 변환을 활용한다. 그들은 $\frac{1}{2}g(x)g'(x)$ 항을 더하고 빼서 드리프트 $f(x)$를 분해한다. 이를 통해 원래 SDE 를 두 개의 부분 방정식으로 나눈다:

   • 상미분 방정식 (ODE): $dX^{[1]}_t = [f(X^{[1]}_t) - \frac{1}{2}g(X^{[1]}_t)g'(X^{[1]}_t)]dt$.
   • 해석 가능한 SDE: $dX^{[2]}_t = \frac{1}{2}g(X^{[2]}_t)g'(X^{[2]}_t)dt + g(X^{[2]}_t)dW_t$.
     두 번째 부분 방정식은 단위 확산을 가진 과정으로 축소하는 Lamperti 변환 $Y_t = \int^x \frac{1}{g(u)}du$를 통해 명시적으로 해석 가능하다.

2. 분할 기법: 이러한 부분 방정식들의 정확한 해를 조합하여 원래 SDE 의 해를 근사한다. 두 가지 특정 조합이 소개된다:

   • Lie-Trotter(LT) 기법: 해를 $\phi^{[2]}_h \circ \phi^{[1]}_h$로 조합한다.
   • Strang(S) 기법: 해를 $\phi^{[1]}_{h/2} \circ \phi^{[2]}_{h/2} \circ \phi^{[1]}_{h/2}$로 조합한다.
     이러한 기법들은 명시적이고 상태 공간을 보존하는 수치적 근사를 제공한다.

3. 의사-우도 추정: 저자들은 이러한 분할 기법의 전이 밀도에 기반한 명시적 의사-우도 함수를 유도한다. 가우스 근사와는 달리, 이러한 밀도들은 가우스 변수의 비선형 변환이다. 모수 벡터 $\alpha = (\theta, \sigma)^T$에 대한 추정기를 얻기 위해 음수 의사-로그-우도를 최소화한다.

4. 이론적 분석: 본 논문은 다음에 대한 엄밀한 증명을 제공한다:

   • 강한 평균 제곱 수렴성: 표준 Milstein 유형의 정리가 적용되지 않는 상황에서 ad-hoc 증명이 필요하며, LT 기법이 Hölder 확산 계수를 가진 경우에도 진정한 해로 강하게 수렴함을 증명한다.
   • 한 단계 일관성: LT 기법이 $O(h^2)$ 차수의 한 단계 일관성을 가지며 Strang 기법이 $O(h^3)$ 차수를 가진다는 것을 확립한다.
   • 점근적 성질: LT 추정기의 일관성과 점근적 정규성을 증명한다. 다루어진 주요 기술적 과제는 의사-우도가 드리프트 ($\theta$) 와 확산 ($\sigma$) 모수 모두에 얽혀 있는 "얽힌(tangled)" 의존성으로, 이는 분리된 모수를 가진 추정기에 사용된 것과 구별되는 새로운 증명 기법을 필요로 한다.

주요 결과

• 수치적 성능: CIR, Student 확산, Ahn-Gao 모델에 대한 광범위한 시뮬레이션은 제안된 분할 기법들이 1 차의 강한 평균 제곱 수렴성을 달성함을 보여준다. Strang 기법은 평균 제곱 오차와 실제 불변 밀도와의 Wasserstein 거리 측면에서 Lie-Trotter 기법 및 다른 경쟁자들 (EuM, Milstein, 반-이산, Lamperti+EuM) 보다 일관되게 우수한 성능을 보인다.
• 상태 공간 보존: 이 기법들은 입구 경계 (entrance boundaries) 에 대해 상태 공간 (예: CIR 의 음수 방지, Wright-Fisher 의 유계성) 을 성공적으로 보존하며, 이는 EuM 및 Milstein 기법에서 종종 위반되는 특성이다.
• 추정 정확도: 분할 기법에 기반한 제안된 의사-최대우도 추정기 (PMLE) 는 정확도 측면에서 기존 벤치마크 (Kessler, Hermite, Lamperti 기반 방법) 를 능가하며, 특히 큰 관측 시간 간격 ($h_{obs}$) 에서 두드러진다. Strang 추정기는 기본 매핑이 가역적일 때 일반적으로 가장 정확한 추론을 제공하며, 그렇지 않은 경우 Lie-Trotter 추정기가 견고한 대안으로 남는다.
• 계산 효율성: Strang 기법은 Lie-Trotter 보다 약간 더 계산 비용이 많이 들지만, 두 기법 모두 Hermite 전개 기반 방법보다 훨씬 빠르며 많은 시나리오에서 Kessler 의 접근법과 비슷하거나 더 빠르다.

의의 및 주장
본 논문은 국소 리프시츠 드리프트와 Hölder 연속 곱셈 확산을 가진 광범위한 SDE 클래스에 대해 동시에 강한 평균 제곱 수렴성과 상태 공간 보존성을 갖는 최초의 명시적 의사-우도 추정기를 도입한다고 주장한다.

이 연구의 의의는 다음과 같다:

1. 공백 해소: 이전 방법들이 수렴성 보장이 부족하거나 해의 필수 구조적 특성을 보존하지 못했던 Hölder 노이즈를 가진 SDE 에 대한 추론 방법론적 공백을 메운다.
2. 새로운 분해 전략: 드리프트의 분할에 Lamperti 변환을 직접 통합하는 특정 분해 전략은 곱셈 노이즈 부분 방정식의 정확한 해를 가능하게 하며, 이는 이 맥락에서 전통적으로 분할 기법에 대해 어렵다고 간주되어 온 과제이다.
3. 이론적 발전: 우도 함수에서 드리프트와 확산 모수가 함께 얽혀 있는 추정기에 대한 일관성과 점근적 정규성 유도는 새로운 모멘트 경계와 증명 기법을 요구하는 중요한 이론적 기여이다.
4. 실용적 유용성: 제안된 추정기는 표준 이산화 방법이 실패하는 복잡한 금융, 생물학, 물리 모델 (예: 이자율 모델링, 집단 유전학) 에 대한 시뮬레이션 기반 추론 및 모수 추정을 위한 견고한 대안을 제공한다.

저자들은 현재 연구가 스칼라 SDE 에 초점을 맞추고 있지만, 다변량 환원 가능 SDE 와 다변량 Lamperti 변환을 통해 다변량 설정으로 자연스럽게 확장 가능하다고 지적한다. 또한, 특정 모델 (큰 시간 간격을 가진 Ahn-Gao 모델 등) 의 경우 Strang 추정기의 우도에 필요한 가역성이 실패할 수 있음을 인정하며, 이 경우 Lie-Trotter 추정기가 견고한 대안으로 작용한다고 명시한다.