Afiniczne rekursje stochastyczne z macierzami trójkatnymi

Podobne dokumenty
2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

Ośrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

Procesy stochastyczne

28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką

Geometryczna zbieżność algorytmu Gibbsa

Procesy stochastyczne

Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej

Zadania z Rachunku Prawdopodobieństwa III - 1

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7

Metody probabilistyczne

Modele zapisane w przestrzeni stanów

26 marzec, Łańcuchy Markowa z czasem ciągłym. Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136

Prawa wielkich liczb, centralne twierdzenia graniczne

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka

Metody dekompozycji macierzy stosowane w automatyce

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe

Zadania z Procesów Stochastycznych 1

Teoria ze Wstępu do analizy stochastycznej

1 Relacje i odwzorowania

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

Zadania z RP 2. seria Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n

Różne rozkłady prawdopodobieństwa

Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014

O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego

Stacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła

Szkice do zajęć z Przedmiotu Wyrównawczego

Przyczynowość Kointegracja. Kointegracja. Kointegracja

5 Przegląd najważniejszych rozkładów

Rynek, opcje i równania SDE

Aproksymacja. j<k. L 2 p[a, b] l 2 p,n X = Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza przestrzeni liniowej Π n. Dowód.

Weryfikacja hipotez statystycznych

Stacjonarność Integracja. Integracja. Integracja

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku

Wielowymiarowy próbnik Gibbsa

Prawdopodobieństwo i statystyka

Losowe zmienne objaśniające. Rozszerzenia KMRL. Rozszerzenia KMRL

Przekształcenia liniowe

Maksymalne powtórzenia w tekstach i zerowa intensywność entropii

WYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki

Metody systemowe i decyzyjne w informatyce

Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1

Regresja form kwadratowych i algebry Jordana

Recenzja rozprawy doktorskiej mgra Piotra Dyszewskiego Asymptotyczne własności modeli bazujących na transformacie gładzącej

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej

Statystyka i eksploracja danych

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

13 Układy równań liniowych

x x 1. Przedmiot identyfikacji System x (1) x (2) : x (s) a 1 a 2 : a s mierzone, a = zestaw współczynników konkretyzujacych F ()

Notatki z Analizy Matematycznej 2. Jacek M. Jędrzejewski

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

Zaawansowane metody numeryczne

WYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki

Metody systemowe i decyzyjne w informatyce

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0,

Rozdział 5. Szeregi liczbowe. 5.1 Szeregi liczbowe. Definicja sumy częściowej ciągu. Niech dany będzie ciąg liczbowy (a n ) n=1.

6. Identyfikacja wielowymiarowych systemów statycznych metodanajmniejszychkwadratów

III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej

Detekcja rozkładów o ciężkich ogonach

Transformaty. Kodowanie transformujace

Informacja o przestrzeniach Hilberta

Procesy stochastyczne

Procesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.

10. Metody obliczeniowe najmniejszych kwadratów

Układy równań i nierówności liniowych

WYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego

Prawdopodobieństwo i statystyka

6. Punkty osobliwe, residua i obliczanie całek

Modelowanie ryzyka kredytowego: MODEL BLACK-COX A

Grzegorz Bobiński. Wykład monograficzny Programowanie Liniowe i Całkowitoliczbowe

1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo

Prawdopodobieństwo i statystyka

Algebra liniowa II. Lista 1. 1 u w 0 1 v 0 0 1

Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/

1 Zacznijmy od początku... 2 Tryb tekstowy. 2.1 Wyliczenia

Rozkłady prawdopodobieństwa

Matematyka ubezpieczeń majątkowych r.

Hypatia? 415 PROCESY KAWAŁKAMI DETERMINISTYCZNE I ICH ASYMPTOTYKA RYSZARD RUDNICKI ŚLADAMI KOBIET W MATEMATYCE RZESZÓW, Strona 1 z 36 Wróć

1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick]

Analiza matematyczna 1 - test egzaminacyjny wersja do ćwiczeń

Metody Obliczeniowe w Nauce i Technice

Stochastyczne równania różniczkowe, studia II stopnia

g liczb rzeczywistych (a n ) spe lnia warunek

Zagadnienia stacjonarne

8 Całka stochastyczna względem semimartyngałów

Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik. Historia

n=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa

1 Gaussowskie zmienne losowe

Wykład 11: Martyngały: definicja, twierdzenia o zbieżności

ALGEBRA Z GEOMETRIĄ BAZY PRZESTRZENI WEKTOROWYCH

Podstawy robotyki. Wykład II. Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska

Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.

1 Ciągłe operatory liniowe

Transkrypt:

Afiniczne rekursje stochastyczne z macierzami trójkatnymi Ewa Damek (Uniwersytet Wrocławski ) (wyniki wspólne z Witoldem Światkowskim, Jackiem Zienkiewiczem - Uniwersytet Wrocławski, Muneya Matsui - Nanzan University) Rzeszów 24.06. 2017

Losowe równanie afiniczne X = d AX + B, (A, B) X A M(d, R), X, B R d. X = A 1... A n 1 B n = A 1 A 2... A n 1 B n +B 1 = A 1 X θ+b 1 n=1 n=2 Jeśli E log + A <, E log + B < i 1 γ = inf n 1 n E log Π n = lim log Π n 1/n < 0, n Π n = A 1 A n, (A n, B n ) i.i.d to mamy zbieżność i istnieje jedyne rozwiazanie (Bougerol, Pickard, 1992). Π n e γn/2 p.w. od pewnego miejsca. X = n=1 A n 1 B = A n=2 A n 2 B + B. Jeśli lim n A n 1/n < 1, to szereg zbieżny.

Losowe równanie afiniczne X = d AX + B, A M(d, R), X, B R d. (A, B) X A ij = 0, i > j X = A 1... A n 1 B n n=1 P( X > t)? Przypadek jednowymiarowy W = d MW + Q, M > 0, W niezależne od (M, Q) 1 γ = lim ni=1 n n log M i = E log M < 0 M 1 M n 0 eksponencjanie szybko, W = n=1 M 1... M n 1 Q n

Goldie(1991)-Kesten(1973), przypadek jednowymiarowy W = d MW + Q, M > 0, W niezależne od (M, Q) Theorem Załóżmy, że rozkład log M jest niearytmetyczny, E log M < 0, EM α = 1 dla pewnego α > 0 i E[ Q α ] <, ρ = E[M α log M] <. Wtedy P[W > t] C + t α i P[W < t] C t α. C + + C > 0 lub W = x 0 p.w. E W β <, 0 < β < α h(β) = EM β < 1, 0 < β < α, h (β) = EM β (log M) 2 > 0, h (β) = EM β log M, h (0) < 0. W = M 1 M n 1 Q n supp n M 1 M n n=1 P(M 1 M log t/ρ > t) Ct α (log t) 1/2,

GARCH(1,1) X t = σ t Z t, t Z, Z t 0 i.i.d, często N(0, σ), volatility (zmienność) σ t 0 zależy od Z s, s < t, ciag stacjonarny. Z t, σ t niezależne. Modeluje ceny instrumentów finansowych. σ 2 t =α 0 + α 1 X 2 t 1 + β 1 σ 2 t 1 = α 0 + α 1 σ 2 t 1Z 2 t 1 + β 1 σ 2 t 1 =α 0 + (α 1 Z 2 t 1 + β 1 )σ 2 t 1 = α 0 + Mσ 2 t 1 α 0, α 1, β 1 > 0. Jeśli E log(α 1 Zt 1 2 + β 1) < 0, to wpadamy w tw. Kestena-Goldiego. W σ t, W = d α 0 + MW. σ t ma ogon cięższy niż Z t. Stad X t ma ogon cięższy niż Z t. E(α 1 Zt 1 2 + β 1) α = 1 to można go precyzyjnie opisać. Buraczewski, Damek, Mikosch Stochastic Models with Power Law Tails. The Equation X = AX + B, 2016.

Uproszczona wersja twierdzenia Kestena (1973) X = d AX + B, (A, B) X ( h(s) = inf E Πn s) 1/n, Πn = A 1 A n, h(s) = EM s n N Załóżmy, że Wtedy A ij > 0, A odwracalna, B 0 istnieje α > 0 takie, że h(α) = 1, + istnienie pewnych momentów A ij i B P( x, X > t) e(x)t α, x S d 1 e(x) > 0 gdy x 0, x = 1. Nieredukowalność działania. Alsmeyer, Mentemeier; Guivarc h, Le Page; Klüppelberg, Pergamenchtchikov; Buraczewski, Damek, Guivarc h, Hulanicki, Urban.

GARCH(2,1) X t = σ t Z t, t Z, Z t 0 i.i.d, często N(0, σ), volatility σ t 0 zależy od Z s, s < t, ciag stacjonarny. Z t, σ t niezależne. σ 2 t = α 0 + α 1 X 2 t 1 + α 2 X 2 t 2 + β 1 σ 2 t 1, α 0, α 1, α 2, β 1 > 0 X t = ( σ 2 t+1 X 2 t ) = ( α1 Zt 2 + β 1 α 2 Zt 2 0 X t = A t X t 1 + B ) ( σ 2 t X 2 t 1 ) + ( α0 0 Jeśli α 1 + α 2 + β 1 < 1, to γ < 0 i wpadamy w tw. Kestena. σ t ma ogon cięższy niż Z t. Stad X t ma ogon cięższy niż Z t. Jeśli istnieje s, E(α 1 Z 2 t + β 1 ) s > 1, to istnieje α, h(α) = 1. )

Macierze trójkatne 2015 A = ( a y 0 d ), B = ( b1 b 2 ) X = AX + B, X 2 = dx 2 + b 2, Przy założeniach Kestena-Goldiego mamy wg. rozkładu wg. rozkładu lim t tα 2 P[X 2 > t] = c + i lim t α 2 P[X 2 < t] = c. t Ponadto X 2 = d 1... d n 1 b 2,n n=1 E log a < 0, E log d < 0, Ea α 1 = 1, Ed α 2 = 1

Bivariate GARCH(1,1) X t = ( Xt,1 X t,2 ) ( σt,1 Z = t,1 σ t,2 Z t,2 ) σ t,1 = α 11 X 2 t 1,1 + α 12 X 2 t 1,2 + β 11 σ 2 t 1,1 + β 12 σ 2 t 1,2 + α 01 σ t,2 = α 21 Xt 1,1 2 + α 22 Xt 1,2 2 + β 21 σt 1,1 2 + β 22 σt 1,2 2 + α 02 ( ) ( ) ( ) σ 2 t,1 σ 2 σt,2 2 = A t 1,1 α01 σt 1,2 2 + α 02 A 11 =α 11 Z 2 t 1,1 + β 11, A 12 = α 12 Z 2 t 1,2 + β 12 A 21 =α 21 Z 2 t 1,1 + β 21, A 22 = α 22 Z 2 t 1,2 + β 22 A ij > 0 to Kesten, A 21 = α 21 Z 2 t 1,1 + b 21 = 0, to my.

Wykładnik Lapunova A ij = 0, for i > j, A ii > 0 Istnieje ε > 0 takie, że Ea ε, Ed ε η < 1, to wtedy γ < 0. Niech A n = D n + N n, gdzie ( ) ( ) an 0 0 yn D n =, N 0 d n = n 0 0 A 1 A n =(D 1 + N 1 ) (D n + N n ) n = D 1 D i 1 N i D i+1 D n + D 1 D n i=1 bo N i diagn j = 0. E A 1 A n ε Cnη n, η < 1 ( ) 0 a1 a D 1 D i 1 N i D i+1 D n = i 1 y i d i+1 d n 0 0

Pierwsza współrzędna X = A 1... A n 1 B n X 1 = a 1 a n 1 b 1,n + X, n=1 n=1 gdzie ( X n 1 ) = a 1 a i 1 y i d i+1 d n 1 b2,n n=2 i=1 ( ) ( ) a1 a A 1 A n 1 B n = n 1 b1,n 0 d 1 d n 1 b 2,n Co jest cięższe X czy i=1 a 1 a n 1 b 1,n. Ea α 1 = 1, Ed α 2 = 1 ( ) an y A n = n 0 d n α 2 < α 1 to X cięższy, α 1 < α 2 nie.

Ostatnie wyniki Theorem (Matsui, W. Światkowski, Damek) Załóżmy, że B 0, E log a < 0, E log d < 0, Ea α 1 = 1, Ed α 2 = 1 i pewne założenia o momentach. Jeśli α 1 < α 2 to P(X 1 > t) Ct α 1, C > 0. Jeśli α 1 > α 2 to P(X 1 > t) Ct α 2, C > 0. Jeśli α 1 = α 2 = α to powinno być P( X > t) L(t)t α. Theorem (Damek, Zienkiewicz) Jeśli A 11 = A 22, A 12 R to P( X > t) Ct α (log t) α or P( X > t) Ct α (log t) α/2, C > 0. W zalezności od średniej A 12. ( ) a y X = X + B 0 d

d-wymiarowe stochastyczne równanie afiniczne Muneya Matsui, W. Światkowski X = d AX + B, (A, B) X A M(d, R), A ij = 0, for i > j, A ii > 0. Załóżmy, że A ij 0, EA α i ii = 1 dla pewnych α i > 0 i niech α 1,... α d będa parami różne, B i 0. Wtedy dla każdego i P(X i > t) t α i, gdzie α i zależy tylko od α i,... α d. EA α i ij EA α i ii <, E log A ii < 0, log A ii niearytmetyczne, log + A ii <

Pierwsza współrzędna X 1 = a 1 a n 1 b 1,n + X, X 2 = d 1... d n 1 b 2,n i=1 n=1 P ( a 1 a n 1 b 1,n > t ) t α 1 i=1 X = a 1 a i 1 y i X 2 θ i i=1 α 1 < α 2 to E X 2 θ i α 1 <. Prawie jak założenia Goldiego tyle, że X 2 θ i stacjonarny nie i.i.d. P(X 1 > t) t α 1. α 1 > α 2, to Ea α 2 < 1. Z lematu Breimana P(a 1 a i 1 y i X 2 θ i > t) (c + c + )t α 2 (Ea α 2 ) i 1 E y i α 2.

Zimowa Szkoła dla Studentów Małe Horyzonty - Baby Horizons, Będlewo 24-26.11.2017, 16-18.03.2018 Piotr Śniady, Krzysztof Fraczek z Torunia, Piotr Gwiazda z Warszawy będa 24-26.11, Radosław Adamczak, Piotr Zakrzewski z MIMUW i Jacek Wesołowski z MINI bedą 16-18.03. info na stronie Banach Center organizatorzy: Piotr Rudnicki, Kajetan Jastrzębski, Oskar Słowik, Tomasz Limisiewicz

Buraczewski, Damek, Guivarc h, Hulanicki, Urban X = d AX + B, X niezależne od (A, B), A R + O(d) Theorem Załóżmy, że rozkład log A jest niearytmetyczny, E log A < 0, E A α = 1 dla pewnego α > 0 i E[ B α + A α log + A ] <. Ponadto załóżmy, że P[Ax + B = x] < 1 dla każdego x R d. Wtedy isnieje niezerowa miara σ na S d 1 taka, że P[ X > t, o ile σ( W ) = 0. Dokładniej, A α Ef (A 1 R) f C c (R), A. X X W Sd 1 ] σ(w )t α 0 α f (rω) drdσ(ω) r α+1