TY  - THES
A1  - Bossert, Patrick
T1  - Statistical structure and inference methods for discrete high-frequency observations of SPDEs in one and multiple space dimensions
T1  - Statistische Struktur und Inferenzmethoden für diskrete hochfrequente Beobachtungen von SPDEs in einer und mehreren Raumdimensionen
N2  - The focus of this thesis is on analysing a linear stochastic partial differential equation (SPDE) with a bounded domain. The first part of the thesis commences with an examination of a one-dimensional SPDE. In this context, we construct estimators for the parameters of a parabolic SPDE based on discrete observations of a solution in time and space on a bounded domain. We establish central limit theorems for a high-frequency asymptotic regime, showing substantially smaller asymptotic variances compared to existing estimation methods. Moreover, asymptotic confidence intervals are directly feasible. Our approach builds upon realized volatilities and their asymptotic illustration as the response of a log-linear model with a spatial explanatory variable. This yields efficient estimators based on realized volatilities with optimal rates of convergence and minimal variances. We demonstrate our results by Monte Carlo simulations.
Extending this framework, we analyse a second-order SPDE model in multiple space dimensions in the second part of this thesis and develop estimators for the parameters of this model based on discrete observations in time and space on a bounded domain. While parameter estimation for one and two spatial dimensions was established in recent literature, this is the first work that generalizes the theory to a general, multi-dimensional framework. Our methodology enables the construction of an oracle estimator for volatility within the underlying model. For proving central limit theorems, we use a high-frequency observation scheme. To showcase our results, we conduct a Monte Carlo simulation, highlighting the advantages of our novel approach in a multi-dimensional context.
N2  - Der Fokus dieser Dissertation liegt auf der Analyse von linearen stochastischen partiellen Differentialgleichungen (SPDEs) auf einem beschränkten Raum. Der erste Teil der Arbeit befasst sich mit der Untersuchung einer eindimensionalen SPDE. In diesem Zusammenhang konstruieren wir Schätzer für die Parameter einer parabolischen SPDE basierend auf diskreten Beobachtungen einer Lösung in Zeit und Raum. Wir leiten zentrale Grenzwertsätze innerhalb eines hochfrequenten Beobachtungsschemas her und zeigen dabei, dass die neu entwickelten Schätzer wesentlich kleinere asymptotische Varianzen im Vergleich zu bestehenden Schätzmethoden besitzen. Darüber hinaus sind asymptotische Konfidenzintervalle direkt realisierbar. Unser Ansatz basiert auf realisierten Volatilitäten und ihrer asymptotischen Darstellung durch ein log-lineares Modell mit einer räumlichen erklärenden Variable. Dies ergibt effiziente Schätzer basierend auf realisierten Volatilitäten mit optimalen Konvergenzraten und minimalen Varianzen. Wir demonstrieren unsere Ergebnisse mithilfe von Monte-Carlo-Simulationen.
Den ersten Teil erweiternd, analysieren wir im zweiten Teil dieser Arbeit ein SPDE-Modell zweiter Ordnung in mehreren Raumdimensionen und entwickeln Schätzer für die Parameter dieses Modells basierend auf diskreten Beobachtungen in Zeit und Raum auf einem begrenzten Gebiet. Während die Parameterschätzung für eine und zwei Raumdimensionen in der Literatur bereits behandelt wurde, ist dies die erste Arbeit, die die Theorie auf einen multidimensionalen Rahmen verallgemeinert. Unsere Methodik ermöglicht die Konstruktion eines Orakelschätzers für den Volatilitätsparameter innerhalb des zugrundeliegenden Modells. Für den Beweis zentraler Grenzwertsätze verwenden wir ein hochfrequentes Beobachtungsschema. Um unsere Ergebnisse zu veranschaulichen, führen wir eine Monte-Carlo-Simulation durch, wobei wir die zugrundeliegende Simulationsmethodik hierfür herleiten.
KW  - Stochastische partielle Differentialgleichung
KW  - Multi-dimensional SPDEs
KW  - Central limit theorem under dependence
KW  - High-frequency data
KW  - Least squares estimation
KW  - One-dimensional SPDEs
Y1  - 2024
UR  - https://opus.bibliothek.uni-wuerzburg.de/frontdoor/index/index/docId/36113
UR  - https://nbn-resolving.org/urn:nbn:de:bvb:20-opus-361130
ER  -