Low-rank diffusion matrix estimation for high-dimensional time-changed Lévy processes

Abstract

The estimation of the diffusion matrix $\Sigma$ of a high-dimensional, possibly time-changed Lévy process is studied, based on discrete observations of the process with a fixed distance. A low-rank condition is imposed on $\Sigma$. Applying a spectral approach, we construct a weighted least-squares estimator with nuclear-norm-penalisation. We prove oracle inequalities and derive convergence rates for the diffusion matrix estimator. The convergence rates show a surprising dependency on the rank of $\Sigma$ and are optimal in the minimax sense for fixed dimensions. Theoretical results are illustrated by a simulation study.

Nous étudions le problème de l’estimation de la matrice de diffusion $\Sigma$ d’un processus de Lévy en grande dimension, qui peut être changé de temps, en se basant sur des observations discrètes du processus à une distance fixée. Nous imposons une condition de faible rang sur $\Sigma$. À l’aide d’une méthode spectrale, nous construisons un estimateur pondéré des moindres carrés avec une pénalisation par une norme nucléaire. Nous prouvons des inégalités oracle et obtenons des vitesses de convergence pour l’estimateur de la matrice de diffusion. Nous constatons que ces vitesses dépendent du rang de $\Sigma$ d’une façon surprenante, et qu’elles sont optimales au sens minimax pour une dimension fixée. Ces résultats théoriques sont illustrés par une étude de simulations.