Sparse Estimation for High-Dimensional Lévy-driven Ornstein--Uhlenbeck Processes from Discrete Observations
离散观测下高维Lévy驱动OU过程的稀疏估计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：摘要以Lévy驱动OU过程的漂移估计与离散高频观测为核心，属于连续时间随机过程的时间序列推断，并涉及高频观测机制。
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…
关注这篇论文的作者
离散观测下高维Lévy驱动OU过程的稀疏估计
- 研究问题
- 研究在仅能离散观测、且漂移矩阵具有稀疏结构时，如何对高维Lévy驱动的Ornstein–Uhlenbeck过程进行漂移矩阵估计，并刻画其收敛性质。
- 方法与思路
- 作者提出基于近似似然构造Lasso与Slope估计量，在高频观测机制下推导非渐近oracle不等式，将离散化误差与随机波动的影响分离，并在适当调参下给出极小极大最优收敛速率。
- 材料陈述的贡献
- 摘要称结果给出尖锐的非渐近oracle不等式与极小极大最优速率，量化了达到这些速率所需的样本复杂度，并将高维统计理论推广到更广的噪声机制，特别是纯跳过程。
- 阅读关注点
- 阅读全文时应核对：稀疏性与调参的具体假设、近似似然的形式、离散化误差与随机波动的分离方式、极小极大下界与上界是否匹配，以及样本复杂度对Lévy噪声特征的依赖条件。
- 阅读边界
- 仅凭摘要无法判断假设是否现实、常数是否可操作、有限样本表现如何，也未说明是否包含数值模拟或实证；该文为arXiv预印本，未经同行评审验证。
原文摘要
We study high-dimensional drift estimation for Lévy-driven Ornstein--Uhlenbeck processes based on discrete observations. Assuming sparsity of the drift matrix, we analyze Lasso and Slope estimators constructed from approximate likelihoods and derive sharp nonasymptotic oracle inequalities. Our bounds disentangle the contributions of discretization error and stochastic fluctuations, and establish minimax optimal convergence rates under suitable choices of tuning parameters in a high-frequency regime. We further quantify the sample complexity required to attain these rates depending on the Lévy noise. The results extend the theory of high-dimensional statistics for stochastic processes to a substantially broader class of noise mechanisms, in particular pure jump processes. They also demonstrate that Lasso and Slope remain competitive for jump-driven systems, providing practical guidance for inference in applications where Lévy processes are a natural modeling choice.