Nonparametric drift estimation for i.i.d. paths of stochastic differential equations
基于独立同分布随机微分方程路径的非参数漂移估计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：摘要研究一般随机微分方程的多路径漂移估计，未明确金融、高频离散观测或宏观时间序列应用。
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…
基于独立同分布随机微分方程路径的非参数漂移估计
- 研究问题
- 在固定时间区间内连续观测多条独立的一维随机微分方程路径时，如何在指定区域上非参数估计漂移函数并选择模型维度？
- 方法与思路
- 作者在平方可积函数空间的有限维子空间上构造投影估计量，并从随机模型集合中数据驱动地选择维度，推导风险上界。
- 材料陈述的贡献
- 摘要称方法允许估计区域非紧及扩散系数无界的情形，提出自适应维度选择程序，给出风险上界并报告模拟实验。
- 阅读关注点
- 应核对多路径独立同分布设定、连续观测的作用、随机模型集合与选择准则，以及非紧区域和无界扩散系数所需条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出风险界的具体形式，连续观测下的结论也不能直接用于离散采样数据。
原文摘要
We consider $N$ independent stochastic processes $(X_{i}(t),t\in [0,T])$, $i=1,\ldots ,N$, defined by a one-dimensional stochastic differential equation, which are continuously observed throughout a time interval $[0,T]$ where $T$ is fixed. We study nonparametric estimation of the drift function on a given subset $A$ of ${\mathbb{R}}$. Projection estimators are defined on finite dimensional subsets of ${\mathbb{L}}^{2}(A,dx)$. We stress that the set $A$ may be compact or not and the diffusion coefficient may be bounded or not. A data-driven procedure to select the dimension of the projection space is proposed where the dimension is chosen within a random collection of models. Upper bounds of risks are obtained, the assumptions are discussed and simulation experiments are reported.