Spelling suggestions: "subject:"martingale (mathematics)""
31 |
Analyzing and Solving Non-Linear Stochastic Dynamic Models on Non-Periodic Discrete Time DomainsCheng, Gang 01 May 2013 (has links)
Stochastic dynamic programming is a recursive method for solving sequential or multistage decision problems. It helps economists and mathematicians construct and solve a huge variety of sequential decision making problems in stochastic cases. Research on stochastic dynamic programming is important and meaningful because stochastic dynamic programming reflects the behavior of the decision maker without risk aversion; i.e., decision making under uncertainty. In the solution process, it is extremely difficult to represent the existing or future state precisely since uncertainty is a state of having limited knowledge. Indeed, compared to the deterministic case, which is decision making under certainty, the stochastic case is more realistic and gives more accurate results because the majority of problems in reality inevitably have many unknown parameters. In addition, time scale calculus theory is applicable to any field in which a dynamic process can be described with discrete or continuous models. Many stochastic dynamic models are discrete or continuous, so the results of time scale calculus are directly applicable to them as well. The aim of this thesis is to introduce a general form of a stochastic dynamic sequence problem on complex discrete time domains and to find the optimal sequence which maximizes the sequence problem.
|
32 |
Contribution to the estimation of VARMA models with time-dependent coefficients / Contribution à l'estimation des modèles VARMA à coefficients dépendant du temps.Alj, Abdelkamel 07 September 2012 (has links)
Dans cette thèse, nous étudions l’estimation de modèles autorégressif-moyenne mobile<p>vectoriels ou VARMA, `a coefficients dépendant du temps, et avec une matrice de covariance<p>des innovations dépendant du temps. Ces modèles sont appel´es tdVARMA. Les éléments<p>des matrices des coefficients et de la matrice de covariance sont des fonctions déterministes<p>du temps dépendant d’un petit nombre de paramètres. Une première partie de la thèse<p>est consacrée à l’étude des propriétés asymptotiques de l’estimateur du quasi-maximum<p>de vraisemblance gaussienne. La convergence presque sûre et la normalité asymptotique<p>de cet estimateur sont démontrées sous certaine hypothèses vérifiables, dans le cas o`u les<p>coefficients dépendent du temps t mais pas de la taille des séries n. Avant cela nous considérons les propriétés asymptotiques des estimateurs de modèles non-stationnaires assez<p>généraux, pour une fonction de pénalité générale. Nous passons ensuite à l’application de<p>ces théorèmes en considérant que la fonction de pénalité est la fonction de vraisemblance<p>gaussienne (Chapitre 2). L’étude du comportement asymptotique de l’estimateur lorsque<p>les coefficients du modèle dépendent du temps t et aussi de n fait l’objet du Chapitre 3.<p>Dans ce cas, nous utilisons une loi faible des grands nombres et un théorème central limite<p>pour des tableaux de différences de martingales. Ensuite, nous présentons des conditions<p>qui assurent la consistance faible et la normalité asymptotique. Les principaux<p>résultats asymptotiques sont illustrés par des expériences de simulation et des exemples<p>dans la littérature. La deuxième partie de cette thèse est consacrée à un algorithme qui nous<p>permet d’évaluer la fonction de vraisemblance exacte d’un processus tdVARMA d’ordre (p, q) gaussien. Notre algorithme est basé sur la factorisation de Cholesky d’une matrice<p>bande partitionnée. Le point de départ est une généralisation au cas multivarié de Mélard<p>(1982) pour évaluer la fonction de vraisemblance exacte d’un modèle ARMA(p, q) univarié. Aussi, nous utilisons quelques résultats de Jonasson et Ferrando (2008) ainsi que les programmes Matlab de Jonasson (2008) dans le cadre d’une fonction de vraisemblance<p>gaussienne de modèles VARMA à coefficients constants. Par ailleurs, nous déduisons que<p>le nombre d’opérations requis pour l’évaluation de la fonction de vraisemblance en fonction de p, q et n est approximativement le double par rapport à un modèle VARMA à coefficients<p>constants. L’implémentation de cet algorithme a été testée en comparant ses résultats avec<p>d’autres programmes et logiciels très connus. L’utilisation des modèles VARMA à coefficients<p>dépendant du temps apparaît particulièrement adaptée pour la dynamique de quelques<p>séries financières en mettant en évidence l’existence de la dépendance des paramètres en<p>fonction du temps.<p> / Doctorat en Sciences / info:eu-repo/semantics/nonPublished
|
Page generated in 0.1019 seconds