High weak order discretization schemes for stochastic differential equation
Étude et modélisation des équations différentielles stochastiques
Résumé
The development of technology and computer science in the last decades, has led the emergence of numerical methods for the approximation of Stochastic Differential Equations (SDE) and for the estimation of their parameters. This thesis treats both of these two aspects. In particular, we study the effectiveness of those methods. The first part will be devoted to SDE's approximation by numerical schemes while the second part will deal with the estimation of the parameters of the Wishart process. First, we focus on approximation schemes for SDE's. We will treat schemes which are defined on a time grid with size n. We say that the scheme X^n converges weakly to the diffusion X, with order h∈ℕ, if for every T≻0, |E[f(X_T)−f(X_{T}^{n})]|⩽ C_f/h^n. Until now, except in some particular cases (Euler and Victoir Ninomiya schemes), researches on this topic require that C_f depends on the supremum norm of f as well as its derivatives. In other words C_f = C∑_{|α|⩽q}‖‖∂_{α}f‖‖_{∞}. Our goal is to show that, if the scheme converges weakly with order h for such C_f, then, under non degeneracy and regularity assumptions, we can obtain the same result with C_f=C‖‖f‖‖_{∞}. We are thus able to estimate E[f(X_T)] for a bounded and measurable function f. We will say that the scheme converges for the total variation distance, with rate h. We will also prove that the density of X^n_T and its derivatives converge toward the ones of X_T. The proof of those results relies on a variant of the Malliavin calculus based on the noise of the random variable involved in the scheme. The great benefit of our approach is that it does not treat the case of a particular scheme and it can be used for many schemes. For instance, our result applies to both Euler (h = 1) and Ninomiya Victoir (h = 2) schemes. Furthermore, the random variables used in this set of schemes do not have a particular distribution law but belong to a set of laws. This leads to consider our result as an invariance principle as well. Finally, we will also illustrate this result for a third weak order scheme for one dimensional SDE's. The second part of this thesis deals with the topic of SDE's parameter estimation. More particularly, we will study the Maximum Likelihood Estimator (MLE) of the parameters that appear in the matrix model of Wishart. This process is the multi-dimensional version of the Cox Ingersoll Ross (CIR) process. Its specificity relies on the square root term which appears in the diffusion coefficient. Using those processes, it is possible to generalize the Heston model for the case of a local covariance. This thesis provides the calculation of the EMV of the parameters of the Wishart process. It also gives the speed of convergence and the limit laws for the ergodic cases and for some non-ergodic case. In order to obtain those results, we will use various methods, namely: the ergodic theorems, time change methods or the study of the joint Laplace transform of the Wishart process together with its average process. Moreover, in this latter study, we extend the domain of definition of this joint Laplace transform
Durant les dernières décennies, l'essor des moyens technologiques et particulièrement informatiques a permis l'émergence de la mise en œuvre de méthodes numériques pour l'approximation d'Equations Différentielles Stochastiques (EDS) ainsi que pour l'estimation de leurs paramètres. Cette thèse aborde ces deux aspects et s'intéresse plus spécifiquement à l'efficacité de ces méthodes. La première partie sera consacrée à l'approximation d'EDS par schéma numérique tandis que la deuxième partie traite l'estimation de paramètres. Dans un premier temps, nous étudions des schémas d'approximation pour les EDSs. On suppose que ces schémas sont définis sur une grille de temps de taille n. On dira que le schéma X^n converge faiblement vers la diffusion X avec ordre h∈ℕ si pour tout T≻0, |E[f(X_T)−f(X_{T}^{n})]|⩽ C_f/h^n. Jusqu'à maintenant, sauf dans certains cas particulier (schémas d'Euler et de Ninomiya Victoir), les recherches sur le sujet imposent que C_f dépende de la norme infini de f mais aussi de ses dérivées. En d'autres termes C_f = C∑_{|α|⩽q}‖‖∂_{α}f‖‖_{∞}. Notre objectif est de montrer que si le schéma converge faiblement avec ordre h pour un tel C_f, alors, sous des hypothèses de non dégénérescence et de régularité des coefficients, on peut obtenir le même résultat avec C_f=C‖‖f‖‖_{∞}. Ainsi, on prouve qu'il est possible d'estimer E[f(X_T)] pour f mesurable et bornée. On dit alors que le schéma converge en variation totale vers la diffusion avec ordre h. On prouve aussi qu'il est possible d'approximer la densité de X_T et ses dérivées par celle X_T^n. Afin d'obtenir ce résultat, nous emploierons une méthode de calcul de Malliavin adaptatif basée sur les variables aléatoires utilisées dans le schéma. L'intérêt de notre approche repose sur le fait que l'on ne traite pas le cas d'un schéma particulier. Ainsi notre résultat s'applique aussi bien aux schémas d'Euler (h=1) que de Ninomiya Victoir (h=2) mais aussi à un ensemble générique de schémas. De plus les variables aléatoires utilisées dans le schéma n'ont pas de lois de probabilité imposées mais appartiennent à un ensemble de lois ce qui conduit à considérer notre résultat comme un principe d'invariance. On illustrera également ce résultat dans le cas d'un schéma d'ordre 3 pour les EDSs unidimensionnelles. La deuxième partie de cette thèse traite le sujet de l'estimation des paramètres d'une EDS. Ici, on va se placer dans le cas particulier de l'Estimateur du Maximum de Vraisemblance (EMV) des paramètres qui apparaissent dans le modèle matriciel de Wishart. Ce processus est la version multi-dimensionnelle du processus de Cox Ingersoll Ross (CIR) et a pour particularité la présence de la fonction racine carrée dans le coefficient de diffusion. Ainsi ce modèle permet de généraliser le modèle d'Heston au cas d'une covariance locale. Dans cette thèse nous construisons l'EMV des paramètres du Wishart. On donne également la vitesse de convergence et la loi limite pour le cas ergodique ainsi que pour certains cas non ergodiques. Afin de prouver ces convergences, nous emploierons diverses méthodes, en l'occurrence : les théorèmes ergodiques, des méthodes de changement de temps, ou l'étude de la transformée de Laplace jointe du Wishart et de sa moyenne. De plus, dans dernière cette étude, on étend le domaine de définition de cette transformée jointe
Domaines
Mathématiques générales [math.GM]
Origine : Version validée par le jury (STAR)
Loading...