Analyse statistique de quelques modèles de processus de type fractionnaire

Statistical analysis of some models of fractional type process

• Auteur / Autrice : Chunhao Cai
• Direction : Marina Kleptsyna, Alexandre Brouste
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 18/04/2014
• Etablissement(s) : Le Mans
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et mathématiques (Nantes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire manceau de mathématiques - Laboratoire Manceau de Mathématiques / LMM

Mots clés

Mots clés contrôlés

Mouvement brownien

Bruit aléatoire, Théorie du

Estimation, Théorie de l'

Processus stochastiques

Systèmes fractionnaires

Mots clés libres

Processus fractionnaire

Mouvement brownien fractionnaire

Mouvement brownien fractionnaire mélangé

Estimateur de maximum vraisemblance

Fractional Brownian motion

Mixed fractional Brownian motion

Maximum likelihood estimator

Résumé

Cette thèse porte sur l’analyse statistique de quelques modèles de processus stochastiques gouvernés par des bruits de type fractionnaire, en temps discret ou continu.Dans le Chapitre 1, nous étudions le problème d’estimation par maximum de vraisemblance (EMV) des paramètres d’un processus autorégressif d’ordre p (AR(p)) dirigé par un bruit gaussien stationnaire, qui peut être à longue mémoire commele bruit gaussien fractionnaire. Nous donnons une formule explicite pour l’EMV et nous analysons ses propriétés asymptotiques. En fait, dans notre modèle la fonction de covariance du bruit est supposée connue, mais le comportement asymptotique de l’estimateur (vitesse de convergence, information de Fisher) n’en dépend pas.Le Chapitre 2 est consacré à la détermination de l’entrée optimale (d’un point de vue asymptotique) pour l’estimation du paramètre de dérive dans un processus d’Ornstein-Uhlenbeck fractionnaire partiellement observé mais contrôlé. Nous exposons un principe de séparation qui nous permet d’atteindre cet objectif. Les propriétés asymptotiques de l’EMV sont démontrées en utilisant le programme d’Ibragimov-Khasminskii et le calcul de transformées de Laplace d’une fonctionnellequadratique du processus.Dans le Chapitre 3, nous présentons une nouvelle approche pour étudier les propriétés du mouvement brownien fractionnaire mélangé et de modèles connexes, basée sur la théorie du filtrage des processus gaussiens. Les résultats mettent en lumière la structure de semimartingale et mènent à un certain nombre de propriétés d’absolue continuité utiles. Nous établissons l’équivalence des mesures induites par le mouvement brownien fractionnaire mélangé avec une dérive stochastique, et en déduisons l’expression correspondante de la dérivée de Radon-Nikodym. Pour un indice de Hurst H > 3=4, nous obtenons une représentation du mouvement brownien fractionnaire mélangé comme processus de type diffusion dans sa filtration naturelle et en déduisons une formule de la dérivée de Radon-Nikodym par rapport à la mesurede Wiener. Pour H < 1=4, nous montrons l’équivalence de la mesure avec celle la composante fractionnaire et obtenons une formule pour la densité correspondante. Un domaine d’application potentielle est l’analyse statistique des modèles gouvernés par des bruits fractionnaires mélangés. A titre d’exemple, nous considérons le modèle de régression linéaire de base et montrons comment définir l’EMV et étudié son comportement asymptotique.

This thesis focuses on the statistical analysis of some models of stochastic processes generated by fractional noise in discrete or continuous time.In Chapter 1, we study the problem of parameter estimation by maximum likelihood (MLE) for an autoregressive process of order p (AR (p)) generated by a stationary Gaussian noise, which can have long memory as the fractional Gaussiannoise. We exhibit an explicit formula for the MLE and we analyze its asymptotic properties. Actually in our model the covariance function of the noise is assumed to be known but the asymptotic behavior of the estimator ( rate of convergence, Fisher information) does not depend on it.Chapter 2 is devoted to the determination of the asymptotical optimal input for the estimation of the drift parameter in a partially observed but controlled fractional Ornstein-Uhlenbeck process. We expose a separation principle that allows us toreach this goal. Large sample asymptotical properties of the MLE are deduced using the Ibragimov-Khasminskii program and Laplace transform computations for quadratic functionals of the process.In Chapter 3, we present a new approach to study the properties of mixed fractional Brownian motion (fBm) and related models, based on the filtering theory of Gaussian processes. The results shed light on the semimartingale structure andproperties lead to a number of useful absolute continuity relations. We establish equivalence of the measures, induced by the mixed fBm with stochastic drifts, and derive the corresponding expression for the Radon-Nikodym derivative. For theHurst index H > 3=4 we obtain a representation of the mixed fBm as a diffusion type process in its own filtration and derive a formula for the Radon-Nikodym derivative with respect to the Wiener measure. For H < 1=4, we prove equivalenceto the fractional component and obtain a formula for the corresponding derivative. An area of potential applications is statistical analysis of models, driven by mixed fractional noises. As an example we consider only the basic linear regression setting and show how the MLE can be defined and studied in the large sample asymptotic regime.