Inference and Computation for Sparsely Sampled Random Surfaces
稀疏采样随机曲面的推断与计算AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将方法用于期权隐含波动率曲面的分析与预测，因此归入波动率方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
稀疏采样随机曲面的推断与计算
- 研究问题
- 当随机曲面仅在少量不规则位置被含误差地观测时，如何估计协方差、预测潜在曲面，并兼顾统计精度与计算成本？
- 方法与思路
- 作者采用局部线性平滑估计协方差，利用可分离结构将四维平滑拆为多个二维问题，并汇集全部数据预测潜在曲面。
- 材料陈述的贡献
- 摘要称方法保留二维平滑的经典极小极大最优收敛率；模拟及隐含波动率应用显示计算提速和有利的偏差方差权衡。
- 阅读关注点
- 应核对最优收敛率所需条件、可分离性失效时的估计目标，以及曲面预测的交叉验证设计和不确定性量化方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未给出误差条件、加速幅度或样本外比较的具体结果。
原文摘要
Non-parametric inference for functional data over two-dimensional domains entails additional computational and statistical challenges, compared to the one-dimensional case. Separability of the covariance is commonly assumed to address these issues in the densely observed regime. Instead, we consider the sparse regime, where the latent surfaces are observed only at few irregular locations with additive measurement error, and propose an estimator of covariance based on local linear smoothers. Consequently, the assumption of separability reduces the intrinsically four-dimensional smoothing problem into several two-dimensional smoothers and allows the proposed estimator to retain the classical minimax-optimal convergence rate for two-dimensional smoothers. Even when separability fails to hold, imposing it can be still advantageous as a form of regularization. A simulation study reveals a favorable bias-variance trade-off and massive speed-ups achieved by our approach. Finally, the proposed methodology is used for qualitative analysis of implied volatility surfaces corresponding to call options, and for prediction of the latent surfaces based on information from the entire data set, allowing for uncertainty quantification. Our cross-validated out-of-sample quantitative results show that the proposed methodology outperforms the common approach of pre-smoothing every implied volatility surface separately.