单变量随机扩散过程的参数估计——Hermite序列近似估计转移密度

随机扩散过程参数估计——Hermite序列近似估计转移密度

这篇博文基于作者个人最近阅读Yacine（2002）年的一篇很经典的论文的理解。这篇文章比较牛逼之处在于可以通过Hermite序列近似估计出转移概率密度（regardless the underlying distribution），从而得到一个外生得似然函数。并且可以扩展到多维的随机过程。

(未完待续 …)

虽然Yacine公开了程序，但是作者最近求知欲爆棚（比较无聊），所以记下自己的理解和自己猜测的一些推导细节。当然，刚开始学习，理解还浮于表面，如果有不到位的地方，希望路过的大牛能够指出。

对于一个一般的扩散过程：
$$d{\mathbf{X}}_t=\mu \left({\mathbf{X}}_t;\mathbf{\theta }\right)dt+\sigma \left({\mathbf{X}}_t;\mathbf{\theta }\right)d{\mathbf{W}}_t\text{\hspace{1em}(1)}$$
比如说CIR过程：
$$d{x}_t=\alpha \left(\mu -x_t\right)dt+\sigma \sqrt{x_t}d{W}_t\text{\hspace{1em}(1*)}$$
从作者的上一篇博文可知，CIR过程服从非中心卡方分布，转移概率计算相当复杂。但是通过一系列的变换，Yacine让以上的过程更加近似于正态分布，从而可以用Hermite序列来近似估计正态分布函数。这个变换就是一个从X到Z的过程。得到Z过程的近似转移概率后，我们可以倒推到X过程，从而推出外生的似然函数，最终目标如下：
$${\ell }_n(\theta )\equiv \sum _{i=1}^n\ln \left\{p_X\left(\Delta ,X_{i\Delta }|X_{(i-1)\Delta };\theta \right)\right\}\text{\hspace{1em}(**)}$$
通过似然函数的最优化，即可以对未知参数进行估计。具体的变化过程如下：

第一步， 标准化，去除方差的影响。 $(X\to Y)$
$$Y\equiv \gamma (X;\theta )={\int }^{x}du/\sigma (u;\theta )\text{\hspace{1em}(2)}$$
带入Ito公式
$$\begin{array}{rl}& d{Y}_s={\mu }_Y\left(Y_t;\theta \right)dt+d{W}_t,\text{ where }\\ & {\mu }_Y(y;\theta )=\frac{\mu \left({\gamma }^{-1}(y;\theta );\theta \right)}{\sigma \left({\gamma }^{-1}(y;\theta );\theta \right)}-\frac{1}{2}\frac{\partial \sigma }{\partial x}\left({\gamma }^{-1}(y;\theta );\theta \right)\end{array}$$
第二步， 中心化，去除尖峰影响。$(Y\to Z)$
$$Z\equiv {\Delta }^{-1/2}\left(Y-y_0\right)\text{\hspace{1em}(3)}$$
第三步，利用Hermite序列近似逼近Z的转移概率密度：
$$p_Z^{(J)}\left(\Delta ,z|y_0;\theta \right)\equiv \varphi (z)\sum _{j=0}^J{\eta }_Z^{(j)}\left(\Delta ,y_0;\theta \right)H_j(z)\text{\hspace{1em}(4)}$$
其中$\varphi (z)\equiv e^{-z^2/2}/\sqrt{2\pi }$, 是标准的正态分布密度函数。而
$$H_j(z)\equiv e^{z^2/2}\frac{d^j}{d{z}^j}\left[e^{-z^2/2}\right],j\ge 0\text{\hspace{1em}(5)}$$
是标准的Hermite序列。系数项可以如下的积分过程得到
$${\eta }_Z^{(j)}(\Delta ,y_0$$