Monte Carlo maximum likelihood estimation for discretely observed diffusion processes
离散观测扩散过程的蒙特卡洛最大似然估计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。
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：摘要聚焦一般扩散过程的似然计算，未明确涉及所列经济或金融细分领域。
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…
离散观测扩散过程的蒙特卡洛最大似然估计
- 研究问题
- 研究如何对离散观测的扩散过程进行最大似然推断，并控制似然模拟误差及其对参数估计的影响。
- 方法与思路
- 作者利用扩散过程的精确模拟，构造无偏且几乎处处连续的似然估计，再以蒙特卡洛方法求最大似然估计。
- 材料陈述的贡献
- 摘要称，在正则条件下模拟估计收敛到真实最大似然估计，并给出迭代次数的平方根量级建议及参数一致性结果。
- 阅读关注点
- 应核对适用扩散模型、精确模拟条件、似然估计的连续性，以及迭代次数随样本量变化的理论依据。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；正则条件及计算比较细节未提供，不能将无离散化误差理解为没有模拟误差。
原文摘要
This paper introduces a Monte Carlo method for maximum likelihood inference in the context of discretely observed diffusion processes. The method gives unbiased and a.s. continuous estimators of the likelihood function for a family of diffusion models and its performance in numerical examples is computationally efficient. It uses a recently developed technique for the exact simulation of diffusions, and involves no discretization error. We show that, under regularity conditions, the Monte Carlo MLE converges a.s. to the true MLE. For datasize n→∞, we show that the number of Monte Carlo iterations should be tuned as $\mathcal{O}(n^{1/2})$ and we demonstrate the consistency properties of the Monte Carlo MLE as an estimator of the true parameter value.