갱신 샘플링에서 레비 기반 CARMA 모델의 파라미터 추정

초록

본 연구는 연속시간 자기회귀이동평균(CARMA) 모델의 파라미터를 갱신 샘플링 조건에서 추정하는 방법을 제시한다. 구동 노이즈를 레비 프로세스로 가정하여 무거운 꼬리 분포와 점프를 포함한 유연한 모델링이 가능하며, 통합 주기도를 기반으로 한 휘틀 추정량이 매우 약한 조건 하에서 일관성과 점근적 정규성을 가짐을 증명한다.

상세 분석

이 논문은 고주파수 및 불규칙하게 샘플링된 시계열 데이터 모델링의 핵심 도구인 CARMA 모델의 추정 문제를 다룹니다. 기존 연구가 주로 등간격 샘플링에 집중되어 발생하는 앨리어싱 문제와 모델 유연성의 한계를 해결하기 위해, 두 가지 주요 혁신을 도입합니다.

첫째, 구동 노이즈를 레비 프로세스로 확장합니다. 이는 기존의 가우시안 프로세스 기반 모델이 포착하기 어려운 무거운 꼬리 분포, 비대칭성, 그리고 샘플 경로 상의 불연속 점프(점프) 현상을 모델링할 수 있게 해줍니다. 금융 시계열, 신호 처리, 의학 데이터 등에서 흔히 관찰되는 이러한 특성을 포함시킴으로써 모델의 현실 적용 가능성을 크게 높였습니다.

둘째, 샘플링 시점을 독립적인 갱신 과정으로 모델링합니다. 즉, 관측 시간 간격이 독립적이고 동일한 분포를 따르는 확률 변수열이 됩니다. 이 접근법은 스마트 기기의 배터리 절약 모드나 금융 시장의 불규칙한 체결 시간과 같은 실제 데이터 수집 환경을 잘 반영합니다. 중요한 것은, 이 갱신 샘플링이 앨리어싱 현상을 효과적으로 회피할 수 있다는 이론적 장점을 지닙니다. 특히 샘플링 간격이 지수 분포를 따를 경우, 이 ‘앤티-앨리어싱’ 가정이 자연스럽게 성립합니다.

핵심 방법론은 휘틀 추정법의 변형입니다. 샘플링된 과정의 스펙트럼 밀도를 통합 주기도로 추정하고, 이를 이용해 구성한 목적 함수를 최대화하여 파라미터를 추정합니다. 논문의 주요 기술적 공헌은 이 통합 주기도의 점근적 정규성을 증명한 것입니다. 이를 통해 최종 추정량의 점근적 정규성을 유도할 수 있었습니다. 특히, 기존 문헌(Lii and Masry, 1992)이 모든 차수의 유한 모멘트를 요구한 반면, 본 연구는 레비 프로세스의 4+δ 차 모멘트만 존재하면 충분하다는 더 약한 조건 하에서 결과를 얻었습니다.

또한, 두 가지 점근적 시나리오(관측치 수 n→∞, 관측 시간 구간 T→∞)에서 동일한 극한 분포를 가짐을 보였습니다. 모의실험에서는 구동 노이즈로 브라운 운동과 감마 프로세스를 사용한 오른슈타인-울렌벡 프로세스(1차 CARMA)의 추정 결과를 제시하며, 표본 크기가 증가함에 따라 추정치의 편향과 분산이 감소하는 것을 확인하여 이론적 결과를 경험적으로 뒷받침합니다.