全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1908 62
2022-05-25
英文标题:
《Statistical inference for the doubly stochastic self-exciting process》
---
作者:
Simon Clinet and Yoann Potiron
---
最新提交年份:
2017
---
英文摘要:
  We introduce and show the existence of a Hawkes self-exciting point process with exponentially-decreasing kernel and where parameters are time-varying. The quantity of interest is defined as the integrated parameter $T^{-1}\\int_0^T\\theta_t^*dt$, where $\\theta_t^*$ is the time-varying parameter, and we consider the high-frequency asymptotics. To estimate it na\\\"ively, we chop the data into several blocks, compute the maximum likelihood estimator (MLE) on each block, and take the average of the local estimates. The asymptotic bias explodes asymptotically, thus we provide a non-na\\\"ive estimator which is constructed as the na\\\"ive one when applying a first-order bias reduction to the local MLE. We show the associated central limit theorem. Monte Carlo simulations show the importance of the bias correction and that the method performs well in finite sample, whereas the empirical study discusses the implementation in practice and documents the stochastic behavior of the parameters.
---
中文摘要:
我们引入并证明了具有指数递减核且参数是时变的Hawkes自激点过程的存在性。感兴趣的数量定义为积分参数$T ^{-1}\\int\\u 0^T\\theta\\u T ^*dt$,其中$\\ theta\\u T ^*$是时变参数,我们考虑高频渐近。为了简单地估计它,我们将数据分成几个块,计算每个块上的最大似然估计量(MLE),并取局部估计的平均值。渐近偏差渐近爆炸,因此我们提供了一个非简单估计量,它被构造为na\\“当对局部极大似然估计应用一阶偏差缩减时,我们给出了相关的中心极限定理。蒙特卡罗模拟显示了偏差修正的重要性,并且该方法在有限样本中表现良好,而实证研究讨论了在实践中的实现,并记录了参数的随机行为。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类:Mathematics        数学
二级分类:Statistics Theory        统计理论
分类描述:Applied, computational and theoretical statistics: e.g. statistical inference, regression, time series, multivariate analysis, data analysis, Markov chain Monte Carlo, design of experiments, case studies
应用统计、计算统计和理论统计:例如统计推断、回归、时间序列、多元分析、数据分析、马尔可夫链蒙特卡罗、实验设计、案例研究
--
一级分类:Statistics        统计学
二级分类:Statistics Theory        统计理论
分类描述:stat.TH is an alias for math.ST. Asymptotics, Bayesian Inference, Decision Theory, Estimation, Foundations, Inference, Testing.
Stat.Th是Math.St的别名。渐近,贝叶斯推论,决策理论,估计,基础,推论,检验。
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-25 11:03:19
双随机自激过程的统计推断Simon Clinet1,2和Yoann Potiron东京大学数学科学研究生院:3-8-1 Komaba,Meguro ku,Tokyo 153-8914,Japan。电子邮件:simon@ms.u-东京。ac.jp,网站:http://www.ms.u-tokyo.ac.jp/~simon/CREST,日本科学技术厅,日本。庆应义塾大学工商学院。2-15-45 Mita,Minato ku,东京,108-8345,日本。电话:+81-3-5418-6571。电子邮件:potiron@fbc.keio.ac.jp,网站:http://www.fbc.keio.ac.jp/~Potiron这个版本:2018年9月19日摘要我们介绍并证明了一个具有指数递减核且参数是时变的Hawkes自激点过程的存在性。利息数量定义为综合参数T-1RTθ*tdt,其中θ*这是时变参数,我们考虑了高频渐近性。为了简单地进行估计,我们将数据分成几个块,计算每个块上的最大似然估计量(MLE),并取局部估计的平均值。渐近偏差渐近爆炸,因此我们提供了一个非天真估计,当对局部MLE应用一阶偏差缩减时,该估计被构造为天真估计。我们给出了相关的中心极限定理。蒙特卡罗模拟表明了偏差校正的重要性,并且该方法在有限样本中表现良好,而实证研究讨论了实践中的实现,并记录了参数的随机行为。关键词:霍克斯过程;高频数据;综合参数;时变参数1介绍在高频数据中,观察市场事件的频率比以往任何时候都高。例如,这些事件的时间安排与其他金融量(如资产价格、波动性和微观结构噪音)之间的相关性已成为特别关注的问题。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-25 11:03:22
此外,财务代理可以对订单进行建模,以预测关键数量,例如未来一小时的交易量。出于所有这些原因,需要到达时间间隔模型,也称为持续时间模型。作为一项开创性工作,[16]引入了自回归条件持续时间(ACD)模型。其他参考文献包括但不限于【39】、【41】以及【4】、【18】以及最近的【36】和【35】。引用的工作部分基于【22】和【23】中介绍的自激霍克斯点过程。在该模型中,点过程的强度nTi定义为λ(t):=ν+Rtφt-SDN,其中基线ν>0。自激过程非常常用于建模现象,主要是因为过去的事件可以推动未来的事件。在高频金融文献中,[38]以几个股票的顺序流记录了这种时间聚类特性。其他应用示例见【15】、【1】、【2】、【42】、【28】等。此外,【3】还概述了霍克斯流程在金融领域的应用。我们将注意力限制在指数激励函数φt=ae的情况-bt,如【31】所述。在[37]中,已考虑采用局部平稳过程方法进行时变参数扩展,并在[19]、[7]和[8]中限制为基线时变情况。我们的方法与后两项工作非常一致,因为我们考虑了高频的观点。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-25 11:03:25
在[7]中,作者允许背景参数(他们称之为)ν随时间变化,以考虑日内季节性,并考虑背景参数随时间变化的ACD模型。他们说明,在考虑时变背景的情况下,ACD在数据上的表现更好,而且正如[16]中已经详细记录的那样,背景参数在一天中移动了很多。这就产生了一个问题:当以超高频采样时,其他两个参数a和b会发生什么变化?它们在一天中看起来是不变的吗?在我们的实证研究中,我们记录到,尽管日内季节性模式不太清楚,但它们在日内的移动与背景参数一样。事实上,从一天到下一天,路径是非常不同的,虽然日内季节性可以被视为一个因素,但它似乎不能单独解释这种行为。相应地,我们引入了一个具有随机时变参数θ的自激过程*t: =(ν*t、 a*t、 b类*t) 。新的关注对象定义为综合参数Θ:=TZTθ*tdt,(1.1),其中T>0是地平线时间。为了估计积分参数(1.1),我们选择进行局部极大似然估计,这在[10]的参数背景下进行了研究,其数值计算可参考[33]。具体而言,如果我们考虑Bn:=nh-1n具有时间长度的规则非重叠观测块n: =T hnn-1,将(1.1)的估计量定义为bΘn:=BnBnXi=1bΘi,n,(1.2)其中bΘi,n对应于应用于第i个区块市场事件的最大似然估计,n对应于0到T之间的事件顺序数(通常为预期事件数量),区块大小hn代表区块顺序中的事件数量(通常为区块上的预期事件数量)。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-25 11:03:28
在高频金融问题中使用局部估计的黎曼和的想法非常普遍,例如可以在[26]或[29]中找到。我们最近的工作包括[9]。当不考虑高频数据情况时,关于局部参数方法的更一般文献包括【17】,但也包括【21】,【13】的局部平稳过程等。本文的第一个贡献是获得随机参数θ的条件*在块大小Hn下,我们可以显示高频渐近的局部中心极限定理(LCLT),以及2κ>2阶矩的不确定性。所使用的技术,即准似然分析(QLA),其最通用和强大的公式可参考[40],并不存在特定的问题,可以在很大程度上应用于不同的模型。对于这一部分,最好使用HN的砌块,其成型速度非常慢,因为砌块长度nwill更小,因此参数θ*每个块上的最大常数。特别是,如果θ*这不是常数,我们得到了一个必要的条件(√n) 。(1.3)这项工作所解决的第二个问题是BΘn产生的渐近偏差。即使在简单的参数情况下,请注意,每个BΘi,nis阶块的MLE偏差-1n,因此bΘ的偏差也是相同的h阶-1n。渐近偏差,即标度误差的偏差√NbΘn- Θ, 因此是有序的√新罕布什尔州-1n。如果我们不想得到渐近偏差,那么我们需要假设√n=o(hn)。(1.4)因此,对于该部分,块尺寸Hn应尽可能大。考虑到必要的条件(1.3)和(1.4),没有希望获得bΘn的交感偏向将消失的任何HN。因此,我们推导了一阶偏差修正参数。相应地,我们将bΘ(BC)i定义为偏差修正后的最大似然估计,当与第i块的观测值相匹配时。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-25 11:03:31
此外,(1.1)的偏差修正估计量定义为bΘ(BC)n:=BnBnXi=1bΘ(BC)i,n。(1.5)我们提供了bΘ(BC)nhas无渐近偏差的条件。最后,获得了全局中心极限定理(GCLT),这是2κ阶矩的不确定性、LCLT以及BΘ(BC)的渐近偏差为零这一事实的直接结果。下一节提供了设置,第3节为时变自激过程案例开发了统计基础,第4节介绍了通用模型。在第5节中,我们讨论了主要结果。在第6节中,我们对统计程序的实施提供了一些实际指导。我们还在第7节中进行了数值模拟,并在第8节中对实际逐点数据进行了实证分析。最后,第9节得出结论。证据见附件。2在本工作中,术语“市场事件”应理解为可能对应于交易时间、买卖订单(限额或市场)、取消订单、价格变动时间等。我们需要首先引入一些符号,将在整个工作中使用。对于任何随机过程Xt,我们定义FX=(FXt)t∈[0,T],其中FXt=σ{Xs,0≤ s≤ t} 指定Xt生成的规范过滤。我们假设nnt是一个点过程,它统计事件的数量[0,t]。这意味着,如果在时间t有市场事件,则dNnt=1,如果没有,则dNnt=0。此外,我们假定在时间0时没有跳跃,因此dNn=0。相应地,我们定义了市场事件的强度λn*(t) 。强度过程可以看作是事件的瞬时预期数量,即。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群