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

Resumo Técnico: Esquemas de divisão e estimadores para equações diferenciais estocásticas com ruído multiplicativo de Hölder

Declaração do Problema
O artigo aborda o desafio da estimação de parâmetros para equações diferenciais estocásticas (EDEs) univariadas da forma $dX_t = f(X_t; \theta)dt + g(X_t; \sigma)dW_t$, onde o coeficiente de deriva $f$ é localmente Lipschitz e o coeficiente de difusão $g$ é contínuo de Hölder com expoente $q \in (0, 1/2)$. Esta classe de modelos, que inclui processos amplamente utilizados como os modelos de Cox-Ingersoll-Ross (CIR), Wright-Fisher e Ahn-Gao, apresenta dificuldades significativas para os métodos de inferência existentes.

Abordagens padrão, como a discretização de Euler–Maruyama (EuM), frequentemente falham em preservar o espaço de estados (por exemplo, falhando em manter o processo CIR não negativo) e carecem de convergência forte em média quadrática quando os coeficientes não são globalmente Lipschitz. Métodos alternativos que dependem de aproximações Gaussianas ou expansões em polinômios de Hermite (por exemplo, o método de Aït-Sahalia) podem sofrer de ineficiência computacional ou instabilidade com grandes passos de tempo de observação. Além disso, os esquemas de divisão existentes foram desenvolvidos principalmente para EDEs com derivadas globalmente Lipschitz ou ruído aditivo, deixando uma lacuna para esquemas que sejam simultaneamente convergentes em média quadrática forte e preservadores do espaço de estados para EDEs com ruído multiplicativo de Hölder.

Metodologia
Os autores propõem um novo framework baseado em esquemas numéricos de divisão derivados de uma decomposição específica da EDE original. A metodologia procede da seguinte forma:

1. Decomposição da EDE: Os autores exploram o conceito de "EDEs redutíveis" e a transformada de Lamperti. Eles decompõem a deriva $f(x)$ adicionando e subtraindo o termo $\frac{1}{2}g(x)g'(x)$. Isso divide a EDE original em duas sub-equações:

   • Uma Equação Diferencial Ordinária (EDO): $dX^{[1]}_t = [f(X^{[1]}_t) - \frac{1}{2}g(X^{[1]}_t)g'(X^{[1]}_t)]dt$.
   • Uma EDE solucionável: $dX^{[2]}_t = \frac{1}{2}g(X^{[2]}_t)g'(X^{[2]}_t)dt + g(X^{[2]}_t)dW_t$.
     A segunda sub-equação é explicitamente solucionável via a transformada de Lamperti $Y_t = \int^x \frac{1}{g(u)}du$, que a reduz a um processo com difusão unitária.

2. Esquemas de Divisão: As soluções exatas dessas sub-equações são compostas para aproximar a solução da EDE original. Duas composições específicas são introduzidas:

   • Esquema Lie-Trotter (LT): Compõe as soluções como $\phi^{[2]}_h \circ \phi^{[1]}_h$.
   • Esquema de Strang (S): Compõe as soluções como $\phi^{[1]}_{h/2} \circ \phi^{[2]}_{h/2} \circ \phi^{[1]}_{h/2}$.
     Esses esquemas produzem aproximações numéricas explícitas e preservadoras do espaço de estados.

3. Estimação por Pseudo-Verossimilhança: Os autores derivam funções de pseudo-verossimilhança explícitas baseadas nas densidades de transição desses esquemas de divisão. Diferentemente das aproximações Gaussianas, essas densidades são transformações não lineares de variáveis Gaussianas. Os negativos das pseudo-log-verossimilhanças são minimizados para obter estimadores para o vetor de parâmetros $\alpha = (\theta, \sigma)^T$.

4. Análise Teórica: O artigo fornece provas rigorosas para:

   • Convergência Forte em Média Quadrática: Provando que o esquema LT converge fortemente para a solução verdadeira mesmo com coeficientes de difusão de Hölder, um resultado que requer provas ad hoc, pois os teoremas padrão do tipo Milstein não se aplicam.
   • Consistência de Um Passo: Estabelecendo que o esquema LT possui uma consistência de um passo de ordem $O(h^2)$ e o esquema de Strang possui ordem $O(h^3)$.
   • Propriedades Assintóticas: Provando a consistência e a normalidade assintótica do estimador LT. Um desafio técnico chave abordado é a dependência "emaranhada" da pseudo-verossimilhança tanto nos parâmetros de deriva ($\theta$) quanto de difusão ($\sigma$), o que necessita de novas técnicas de prova distintas daquelas usadas para estimadores com parâmetros separáveis.

Resultados Chave

• Desempenho Numérico: Simulações extensivas nos modelos CIR, difusão de Student e Ahn-Gao demonstram que os esquemas de divisão propostos alcançam convergência forte em média quadrática de ordem 1. O esquema de Strang supera consistentemente o esquema Lie-Trotter e outros concorrentes (EuM, Milstein, semi-discreto, Lamperti+EuM) em termos de erro quadrático médio e distância de Wasserstein para a densidade invariante verdadeira.
• Preservação do Espaço de Estados: Os esquemas preservam com sucesso o espaço de estados (por exemplo, não negatividade para CIR, limitação para Wright-Fisher) para fronteiras de entrada, uma propriedade frequentemente violada pelos esquemas EuM e Milstein.
• Precisão da Estimação: Os estimadores de pseudo-máxima verossimilhança (PMLE) propostos, baseados nos esquemas de divisão, superam os benchmarks existentes (Kessler, Hermite, métodos baseados em Lamperti) em termos de precisão, particularmente para grandes passos de tempo de observação ($h_{obs}$). O estimador de Strang geralmente fornece a inferência mais precisa quando o mapeamento subjacente é invertível; caso contrário, o estimador Lie-Trotter permanece robusto.
• Eficiência Computacional: Embora o esquema de Strang seja ligeiramente mais caro computacionalmente que o Lie-Trotter, ambos são significativamente mais rápidos que os métodos baseados em expansão de Hermite e comparáveis ou mais rápidos que a abordagem de Kessler em muitos cenários.

Significância e Alegações
O artigo alega introduzir os primeiros estimadores de pseudo-verossimilhança explícitos baseados em esquemas numéricos de divisão que são simultaneamente convergentes em média quadrática forte e preservadores do espaço de estados para a ampla classe de EDEs com deriva localmente Lipschitz e difusão multiplicativa contínua de Hölder.

A significância do trabalho reside em:

1. Preenchendo uma Lacuna: Preenche o vazio metodológico para inferência em EDEs com ruído de Hölder, onde métodos anteriores careciam de garantias de convergência ou falhavam em preservar propriedades estruturais essenciais da solução.
2. Decomposição Novel: A estratégia de decomposição específica, que integra a transformada de Lamperti diretamente na divisão da deriva, permite a solução exata da sub-equação de ruído multiplicativo, uma tarefa tradicionalmente considerada difícil para esquemas de divisão neste contexto.
3. Avanço Teórico: A derivação da consistência e normalidade assintótica para estimadores onde os parâmetros de deriva e difusão estão conjuntamente emaranhados na função de verossimilhança representa uma contribuição teórica significativa, exigindo novas limitações de momentos e técnicas de prova.
4. Utilidade Prática: Os estimadores propostos oferecem uma alternativa robusta para inferência baseada em simulação e estimação de parâmetros em modelos financeiros, biológicos e físicos complexos (por exemplo, modelagem de taxas de juros, genética de populações) onde métodos de discretização padrão falham.

Os autores observam que, embora o trabalho atual foque em EDEs escalares, a abordagem é naturalmente extensível a configurações multivariadas via EDEs redutíveis multivariadas e a transformada de Lamperti multivariada. Eles também reconhecem que, para certos modelos (como o modelo Ahn-Gao com grandes passos de tempo), a invertibilidade necessária para a verossimilhança do estimador de Strang pode falhar, caso em que o estimador Lie-Trotter serve como uma alternativa robusta.