Asymptotic Properties of Monte Carlo Estimators of Diffusion Processes
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.111 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".