Asymptotic Properties of Monte Carlo Estimators of Diffusion Processes
Notice bibliographique
Résumé
Dans cet article, nous étudions les distributions limites d'estimateurs de Monte Carlo de processus de diffusion. Nous examinons deux types d'estimateurs. Le premier est fondé sur un schéma d'Euler appliqué aux processus originaux, tandis que le second applique le schéma d'Euler à une transformation des processus qui stabilise la variance. Nous montrons que la transformation augmente la vitesse de convergence du schéma d'Euler. La distribution limite de cet estimateur, dérivée sous forme explicite, se révèle non centrée. Nous étudions également des estimateurs d'espérances conditionnelles de diffusions à partir d'un état initial connu. Nous caractérisons les erreurs d'approximation attendues et utilisons les expressions obtenues pour construire des estimateurs corrigés du biais de deuxième ordre. La correction de ce biais élimine la distorsion de niveau des intervalles de confiance asymptotiques et nous permet d'évaluer l'efficacité relative des estimateurs. Enfin, nous dérivons les distributions limites des estimateurs de Monte Carlo d'espérances conditionnelles de diffusions avec état initial inconnu. Nous trouvons de nouveau que la transformation stabilisatrice de la variance augmente la vitesse de convergence. À titre comparatif, nous étudions également le schéma de Milshtein. Nous dérivons de nouveaux résultats de convergence pour ce schéma et montrons qu'il n'améliore pas les propriétés de convergence du schéma d'Euler avec transformation. Nos résultats sont illustrés dans le contexte d'un problème de choix de portefeuille dynamique et d'estimation de processus de diffusion par méthodes simulées.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».