主页 › 范文 › 统计学 › 本文

路径依赖随机微分方程：解的存在性与参数估计方法

摘要

文章提出了一种针对路径依赖随机微分方程（SDE）的建模与参数估计框架。通过引入签名SDE概念，将漂移项和扩散项建模为路径签名的线性泛函，利用路径签名的通用性和特征性实现任意路径依赖现象的建模。在理论层面，文章建立了签名SDE解的存在唯一性条件，并基于粗糙路径理论证明了短时间区间内的解存在性。创新性地提出期望签名匹配方法（ESMM），通过匹配观测轨迹与理论期望签名实现参数估计，严格证明了该方法的统计一致性。数值实验验证了ESMM在多种路径依赖场景下的参数估计精度。

1. 路径依赖随机微分方程建模

现实世界过程常具有非马尔可夫特性（如延迟效应、周期模式等），传统路径无关SDE建模存在局限。文章提出签名SDE框架：

\[ dY_t = A_\theta(\mathbf{Y}_t)dt + B_\theta(\mathbf{Y}_t) \circ dW_t \]

其中漂移项$A_\theta$和扩散项$B_\theta$是路径签名$\mathbf{Y}_t$的线性泛函。该模型利用路径签名的两个核心性质：

通用性：路径签名的线性泛函可逼近任意光滑路径函数
特征性：期望签名唯一确定路径空间的概率分布

2. 解的存在唯一性理论

基于粗糙路径理论，文章建立签名SDE解的存在条件：

\[ dY_t = F(\mathbf{Y}_t)dX_t \quad \text{转化为} \quad d\mathbf{Y}_t = \widetilde{F}(\mathbf{Y}_t)dX_t \]

通过构造修正向量场$F_M$满足Lipschitz条件，结合通用极限定理证明：当驱动噪声$X$满足$d_p(X,0) < \mathcal{N}(\theta)$时，存在唯一几何粗糙路径解。该解可通过Picard迭代序列收敛获得：

\[ \|\mathbf{Y}(r)_{s,t} - \mathbf{Y}(r+1)_{s,t}\| \leq 2\rho^{-r}\frac{\omega(s,t)^{1/p}}{\beta(1/p)!} \]

3. 期望签名匹配方法

针对参数估计问题，文章提出ESMM算法：

将Picard迭代解表示为参数多项式：$Y_\theta(r)^I_{0,t} = \sum_J \alpha_{r,J}^I(\theta) X^J_{0,t}$
构建有限样本估计方程： \[ P_r^k(\theta) = \frac{1}{N}\sum_{i=1}^N Y_{\theta_0}(\sigma_i)^k_{0,T} \cdot \chi_{E_\xi}(\sigma_i) \]
证明一致性：当$r,N \to \infty$时，估计量收敛至真实参数： \[ \forall \varepsilon >0, \exists r_0,N_0 \text{ s.t. } \|\theta_{r,N} - \theta_0\| < \varepsilon \]

4. 实验验证

在三种路径依赖场景验证ESMM性能：

实验场景	参数维度	估计误差(均值±标准差)
分布式延迟SDE	θ∈ℝ³	θ³: 4.24±0.18 (单词集𝒲₁)
多维耦合系统	θ∈ℝ⁵	θ²: 4.85±0.26 (单词集𝒲₃)
随机因果动力学	θ∈ℝ⁶	θ⁶: 1.00±0.02 (单词集𝒲₅)

实验结果证实ESMM对漂移项和扩散项参数均具有鲁棒估计能力，且单词集选择影响估计精度。

5. 参数可识别性分析

文章揭示签名SDE的固有局限：不同参数可能生成相同路径分布。构造反例：

\[ \begin{cases} dY^{(m)}_t = H(\mathbf{Y}_t) \\ dY^{(m)}_t = [F_\theta + (Y^{(m)}_t - H(\mathbf{Y}_t))F_\kappa]dX_t \end{cases} \]

当驱动信号满足$d_p(X,0) < \min(\mathcal{N}(\theta_1),\mathcal{N}(\theta_2))$时，不同参数$\theta_1 \neq \theta_2$产生相同解。这表明参数估计需结合先验结构约束。