Adaptive estimation of intensity in a doubly stochastic Poisson process¶

作者: Thomas Deschatre
来源: Scandinavian Journal of Statistics
主题: 非参数 / 半参数
相关性: 8/10
链接: https://doi.org/10.1111/sjos.12651

一、领域脉络与小综述¶

这个方向是什么¶

本文聚焦于双重随机泊松过程（Cox过程） 的强度估计问题。Cox过程是一种“随机强度”的泊松过程：事件发生遵循一个泊松过程，但其强度函数 \(\lambda(t)\) 本身是一个随机过程（本文假定为连续Itô半鞅），且研究者能够连续观测到事件发生的轨迹和强度过程的路径。根本的统计问题是：在固定时间区间 \([0,T]\) 上，基于这些连续观测，如何非参数地估计强度函数在某一点 \(t_0\) 的值，并给出理论上的收敛速度和自适应带宽选择方法。该方向目前的发展状态是：对于Cox过程强度的非参数估计，理论结果（特别是自适应最优性和oracle不等式）远不如对普通非齐次泊松过程强度估计那样成熟和完善。

发展脉络（从introduction的引用构建）¶

奠基与早期进展：
- Snyder & Miller (1991)：给出了Cox过程的定义和基本性质，奠定了数学基础。
- Cox & Isham (1980)：系统性地讨论了点过程及其统计推断，为后续研究提供了框架。
- Bremaud (1981) 和 Andersen et al. (1993)：建立了计数过程的鞅理论和统计推断基础，为处理Cox过程的似然函数和建立渐近理论提供了强大工具。这些工作是整个领域的“地基”，但并未专门针对非参数强度估计给出自适应方法。
主要进展——非参数强度估计：
- Reynaud-Bouret (2003)：针对“普通”非齐次泊松过程（强度为确定性函数），提出了基于惩罚投影的估计器，并建立了非渐近的oracle不等式。这是一个里程碑，证明了在“非随机强度”设定下可以实现自适应最优估计。
- Comte et al. (2007) 和 Comte & Genon-Catalot (2015)：将上述自适应方法推广到Cox过程。他们通过“Nelson-Aalen型”估计量来估计累积强度 \(\Lambda(t) = \int_0^t \lambda(s) ds\) 然后求导，或利用泊松过程的计数性质，建立了模型选择（penalized contrast）框架下的oracle不等式。这些是本文最直接的竞争或前序工作。作者Deschatre在引言中指出，他们的方法适用于“几乎处处有界”的强度，且无法直接为强度函数本身（而非累积强度）提供点态估计或最优自适应带宽选择。
本文的位置与“填补的口子”：
- 本文声称填补的空白是：为Cox过程的强度 \(\lambda(t)\) 提供一个可操作的、自适应的局部多项式估计器，并同时给出非渐近的oracle不等式（在固定T下）和渐近minimax最优性（在 \(T \to \infty\) 下）。这直接针对上述前序工作的遗留问题——它们要么不适用于点估计，要么缺乏自适应带宽选择的理论保证。
- 技术路线上，本文不是从计数过程的鞅属性出发，而是直接利用随机强度的路径结构（半鞅），将问题转化为一个带有相关噪声的非参数回归问题。噪声的来源是泊松过程的“剩余”部分，其相关性由随机强度 \(\lambda(t)\) 的路径决定。

子线索聚类¶

这些被引文献大致落在两条主要子线索上：

一般强度估计理论：这条线索处理“强度是确定性函数”或“强度是随机但可观测”的泊松过程估计问题。主要方法包括核估计、局部多项式、惩罚投影（正交基展开）。目标是建立minimax速率和自适应理论。代表性工作：Reynaud-Bouret (2003)、Comte et al. (2007)、Comte & Genon-Catalot (2015)。这条线索的瓶颈是——当强度是随机过程（Cox）时，之前的方法要么需要强度几乎处处有界（限制假设），要么给出的理论保证（如非渐近界）是针对累积强度而非强度本身。
Cox过程的特定方法与建模：这条线索专注于Cox过程的结构和应用。重点是推导由事件计数和强度路径共同决定的似然函数，并利用半鞅理论分析估计性质。代表性工作：Bremaud (1981) 通过滤波理论建立了Cox过程强度估计的RMLE方法，但其有效性依赖于对 \(\lambda\) 的先验假设。本文属于这一条子线索，但巧妙地将其转化为回归问题，从而能够利用标准的非参数工具。

这个方向在追问的核心问题（2-4个）¶

自适应最优估计：对于一个固定时间区间 \([0,T]\) 的Cox过程，能否找到一个完全数据的自适应带宽/模型选择方法，使得估计器在minimax意义下达到最优收敛速率（例如，对于p阶Hölder类，达到 \( (Th)^{-p/(2p+1)}\) 的速率）？本文部分回答了这一点：在渐近框架 \(T \to \infty, h \to 0, Th \to \infty\) 下达到了该速率。
非渐近的oracle不等式：在有限样本（固定T）下，能否对自适应选择带宽的估计器建立一个oracle不等式，使其误差以高概率被某个“神谕”带宽下的最优误差所控制？本文回答：是，并给出了一个明确的不等式。
带宽选择的实操性：如何设计一个实用且可计算的自适应带宽选择准则，而不必依赖复杂的预留数据或交叉验证？本文提出的方法基于最大偏差估计原则，通过控制一个校准过的过程的最大值来选择带宽，这在计算上是很直接的。

⚠️ 作者的framing¶

作者如何frame缺口：作者明确说，现有文献要么关注“非随机强度”（如Reynaud-Bouret 2003），要么在Cox设定下“无法得到针对强度点函数的自适应最优估计”。他通过引入局部多项式 + 基于半鞅路径的Bias-Variance分解 + 一个校准过的最大偏差准则，声称填补了“可操作的自适应强度估计”这个空白。他将自己的方法定位为“直接从路径结构出发，避免了模型选择带来的复杂性”。
淡化或回避的竞争路线：
- 作者淡化了基于模型选择（penalized contrast） 的方法（Comte et al. 2007等）。他并没有在仿真中与这些方法进行直接比较，而是只和“神谕估计器”或简单的核估计做对比。这可能暗示基于模型选择的方法在实现上或效果上也可能不俗，但作者选择不把它作为主要竞争对手。
- 作者回避了讨论经典型非参数回归（如局部多项式平均）直接应用于 \((N_t, \lambda_t)\) 数据的可行性——这其实是简单的想法，但他强调了噪声的相关性，并声称这不是普通非参数回归（需要在假设i.i.d.误差下进行）。
什么明显该被引/该存在、却没出现在intro里？：
- 缺失一：高维/半参数/因果推断文献。考虑到该研究者的背景，他可能会奇怪为什么没有引用Cox过程的因果推断或半参数方法的文献（例如，事件史分析中的未观测混杂调整）。这是因为本文是纯非参数+随机过程方向，与因果推断的交集不大。
- 缺失二：与电力/金融经济学相关但未引用的文献。题目的实证例子分析法国电价的尖峰强度。该领域有大量基于跳跃扩散过程或随机强度模型的金融计量文献。引用这些文献可以更好地定位本文在应用场景中的位置。没有引用可能是个缺口。

张力¶

未见明显对立引用。文献链是线性的：Reynaud-Bouret（2003）确定非随机设定 → Comte等人（2007）推广到Cox设定 → 本文（Deschatre 2020）在该设定下进一步改进。所有引用基本是支持该链的构建。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
\(N = (N_t)_{t \in [0,T]}\)：计数过程，观测到的事件数量。是一个可观测的随机变量。
\(\lambda = (\lambda_t)_{t \in [0,T]}\)：随机强度过程。是本文的核心待估参数，也是一个随机过程（本文假定是Itô半鞅）。其实现对研究者可观测（这是Cox过程强假设——我们能连续观测\(\lambda_t\)的路径）。
\(M_t = N_t - \int_0^t \lambda_s ds\)：鞅，泊松过程的“补偿器”造成的鞅。不可直接观测，但由 \(N\) 和 \(\lambda\) 决定。
\(L^2[0,T]\)、\(C^p\)：函数空间。\(C^p\)表示p阶连续可微函数（Hölder空间）。
\(K\)：核函数（如Epanechnikov核），用于局部加权。
\(h\)：带宽，局部多项式估计的关键参数，需要自适应选择。
\(t_0\)：被估计的目标点，在开区间 \((0,T)\) 内。
\(T\)：观测总时长，固定且有限。
\(m\)、\(p\)：多项式次数。\(p\)是Hölder光滑度参数，\(m\)是局部多项式的阶数。作者要求 \(m > p\) 才能达到最优速率。
模型（可观测数据生成机制）：
存在一个概率空间 \((\Omega, \mathcal{F}, \mathbb{P})\)。
一个 Itô 半鞅 过程 \(\lambda_t = (\lambda_t)_{t\in[0,T]}\) 是给定的（其样本路径几乎处处连续）。
给定 \(\lambda\) 的整个路径，\(N\) 是一个强度为 \(\lambda\) 的非齐次泊松过程。
可观测数据：我们观测到完整的 \((\lambda_t, N_t)\) 路径在 \([0,T]\) 上。
可观测 vs 不可观测：
可观测：完整路径 \(\{(\lambda_s, N_s), s\in[0,T]\}\)。
不可/难观测（但由假设保证可识别）：
- 随机强度是Itô半鞅（它有漂移和扩散项），但我们不直接观测它的微分。我们只观测到 \(\lambda\) 的整条路径。
- 鞅 \(M_t\) 是残余项（泊松的随机性）。由Dellacherie-Meyer定理，它独立于 \(\lambda\) 的路径生成。

第二步：讲最小内核¶

本文的核心思想是：将一个连续观测的Cox过程的强度估计问题，转化成一个在变化噪声方差下的非参数回归问题。 去掉所有复杂的技术假设，其最小内核如下：

最简特例（退回到“普通”高斯回归）：

假设我们关注的只是一个单一时间点\(t_0\)，且假设\(\lambda_t\)是确定的（即普通非齐次泊松过程），并且\(\lambda_t\)在\(t_0\)附近是光滑的（p阶Hölder类）。

问题：基于区间 \([t_0 - h, t_0 + h]\) 内的事件计数数据，估计 \(\lambda(t_0)\)。
标准方法：核密度估计，\(\hat{\lambda}(t_0) = \sum_{s \in [t_0-h, t_0+h]} \frac{1}{h} K(\frac{s-t_0}{h})\)。它本质上是一个局部的平均。
为什么很难？ 当\(\lambda_t\)是随机时，\(N_t\)的增量在给定\(\lambda\)下是独立的泊松，但边缘上，\(N_t\)的增量是相关的，因为\(\lambda_t\)的路径是相关的。这颠覆了核估计的经典假设（独立同分布噪声）。

本文的核心思路（用最小问题表达）：

本文的关键想法是利用可观测的 \(\lambda_t\) 路径来量化这个相关性，并将估计问题重写为一个回归问题。

写一个局部泰勒展开：\(\lambda_s \approx \lambda(t_0) + \lambda'(t_0)(s-t_0) + \dots + \lambda^{(m)}(t_0)\frac{(s-t_0)^m}{m!}\)。
引入一个“伪响应”：我们不直接对\(N_t\)做局部平均，而是考虑一个微分方程。作者巧妙地注意到，定义
\[Y_s = \frac{1}{ds} dN_s \approx \lambda_s ds\]
但实际上，在连续时间下，\(dN_s\)只取0或1。因此，我们可以写：
\[dN_s = \lambda_s ds + dM_s\]
其中\(dM_s\)是均值为0的鞅差（给定\(\lambda\)下其实是独立泊松噪声，但边际上相关了）。
转换为局部加权最小二乘（WLSE）：局部多项式估计器\(\hat{\lambda}(t_0)\)可被视为如下优化问题的解：
\[\min_{\beta_0, \dots, \beta_m} \int_0^T \left( dN_s - \left[ \sum_{j=0}^m \beta_j (s-t_0)^j \right] ds \right)^2 \cdot \frac{1}{h} K\left( \frac{s-t_0}{h} \right) ds\]
但积分\(\int (dN_s - \beta(s) ds)^2\)不是传统的积分。实际上是关于点过程跳跃的一个求和\(\sum_{\text{events } s_i} \cdot\)。作者将这个过程写成一个连续的局部回归形式，并利用Itô引理展开\(dN_s\)的二次变差，得到
\[\hat{\lambda}(t_0) = \frac{ \int_0^T K_h(s-t_0) dN_s }{ \int_0^T K_h(s-t_0) ds } + \text{高阶项}\]
实际上，这就是标准的核密度估计公式！但关键在于，作者在随机强度\(\lambda_s\)的结构下，推导了这个估计量的非渐近偏差-方差分解，其中的方差项包含了对\(\lambda\)路径的依赖。

结论: 本文的最简内核是证明了在这个Cox设定下，即使有相关噪声，标准局部多项式估计器的Bias-Variance分解仍然成立，只不过方差项变成了一个随机量，其具体形式由强度\(\lambda_t\)的路径决定。作者随后用这个分解来构建一个oracle不等式和自适应带宽选择准则。

三、这篇论文做了什么¶

三句话¶

研究问题：基于连续观测的Cox过程 \((\lambda_t, N_t)\)，在固定时间区间 \([0,T]\) 上，自适应地估计随机强度过程在给定点 \(t_0\) 的值。
核心工具/方法：提出局部多项式估计器，通过利用\(\lambda_t\)的路径结构导出精确的Bias-Variance分解，并基于最大偏差校准（校准过程控制） 设计了一个非渐近的带宽选择准则，从而得到一个自适应的估计器。
主要结论：
- Theorem 2（非渐近界）：对于提出的自适应估计器，存在一个常数\(C > 0\)，使得对于任意\(\epsilon > 0\)，有
  \[\mathbb{P}\left( |\hat{\lambda}_{T,h}(t_0) - \lambda_{t_0}|^2 \leq C \left( h^{2p} + \frac{\log(T/h)}{Th} \right) \right) \geq 1 - \epsilon\]
  其中 \(\hat{\lambda}_{T,h}\) 是通过自适应带宽\(h\)得到的估计器。这个界是oracle型的：它不需要知道\(\lambda\)的光滑度\(p\)。
- Theorem 3（渐近最优性）：在渐近框架\(T \to \infty\)，且假设 \(\lambda_t\) 属于光滑度\(p\)的Hölder类，多项式阶数\(m > p\)，并选取最优带宽（\(h \asymp (T \log T)^{-1/(2p+1)}\)），则估计器达到minimax最优收敛速率 \((Th)^{-p/(2p+1)}\)（即 \((T \cdot h)^{-p/(2p+1)}\)，而最优带宽\(h\)使得这个速率最低）。这是经典的局部多项式minimax速率。
- Theorem 1（非渐近界的建立）：提供了一个通用的非渐近偏差-方差不等式，这是所有后续结果的基础。

关键设定与假设¶

假设H1 (光滑度)：\(\lambda_t\) 是\(p\)阶Hölder连续的，\(\|\lambda^{(p)}\|_{\infty} \leq L\)。这定义了非参数问题的难度。
假设H2 (边界行为)：强度在\([0,T]\)上的值有上下界：\(0 < \underline{\lambda} \leq \lambda_t \leq \overline{\lambda} < \infty\)。这是为了保证方差项的有界性，避免了退化的情形。相比Comte等人（需要几乎处处有界），本文放松了这一点吗？ 不，它还是假设了有界，但这个是半鞅的常见假设。
假设H3 (路径可观测)：\(\lambda_t\)被连续、无误差地观测。这是Cox过程设定下最核心、最不符合现实的假设。在实践中，\(\lambda_t\)通常是一个不可观测的潜变量。但本文是理论工作，这个假设使得模型变成“可计算的”。
假设H4 (核函数)：核函数\(K\)是紧支撑、对称、光滑的，并具有\(m\)阶矩（即\(\int u^j K(u) du = 0\) for \(j=1,...,m-1\)）。这确保局部多项式估计器能消除泰勒展开的前\(m\)项误差（偏误），从而将主要偏差描述为\(h^{m+1}\)阶项——但这里假设\(m > p\)，所以实际偏差是\(h^p\)。

主要结果¶

Theorem 1 (通用偏差-方差分解)：对于任意确定的带宽\(h\)，成立一个非渐近不等式：
\[|\hat{\lambda}_{h}(t_0) - \lambda_{t_0}|^2 \leq C_1 h^{2p} + C_2 \frac{1}{T h} \int_0^T K_h^2(s-t_0) \lambda_s ds\]
其中第一项是偏差，第二项是方差。方差的积分\(\int K_h^2 \lambda_s ds\)是随机且未知的，这直接导致了后续分析。
Theorem 2 (oracle不等式与自适应带宽)：这是核心贡献。作者定义了一个校准函数 \(\hat{\gamma}(h)\) 来衡量偏差和方差的随机性。然后自适应带宽\(h^*\)被选为使得\(\hat{\gamma}(h)\)小于某个临界水平的最大可能的\(h\)。在这个\(h^*\)下，Theorem 1的不等式成立，且界中不涉及未知的\(p\)——因此它是自适应的。这是通过在点过程路径上应用Gaussian concentration inequality（基于\(\lambda_t\)的平滑性和boundedness）来控制的。
Theorem 3 (渐近Minimax最优性)：这是最优性的证明。它表明当\(T\to\infty\)且\(h\)以最优速率衰减时，上界（Theorem 2的界）和下界（来自经典的minimax下界技巧，如Assouad引理）匹配，证明该自适应估计器在渐近意义下是minimax最优的。

证明路线与技术技巧（理论型）¶

整体路线（3-5步逻辑主干）：
重写为线性代数形式：将最大化问题转化为一个加权最小二乘问题，其解的形式为一个光滑核估计：\(\hat{\lambda}(t_0) = \sum_i \frac{1}{h} \int K_h(s-t_0) dN_s\)。这一步是标准的局部多项式理论。
Bias-Variance分解：将\(\hat{\lambda}(t_0) - \lambda(t_0)\)分解成\(Bias + Variance\)项，其中方差项是 \(V = \sum_i \frac{1}{h} \int K_h(s-t_0) dM_s\)。然后利用 Itô等距定理（或者泊松过程的二次变差性质）给出\(V\)的期望为零，且其方差（给定\(\lambda\)）恰好是 \(\frac{1}{T h} \int K_h^2(s-t_0) \lambda_s ds\)。
偏差项的Hölder界：利用\(m > p\)的假设，用泰勒展开和Hölder连续性，将偏界的阶数控制为\(h^{2p}\)。
自适应带宽选择：构建一个校准量：为了控制方差，作者不是简单地取\(\text{Var}(V)\)的估计，而是构造了一个由路径\(\lambda\)驱动的校准过程。具体来说，他们用\(\lambda\)的局部光滑性和有界性，将\(\int K_h^2(s-t_0) \lambda_s ds\)的上界表示为某个已知有界函数。然后定义一个\(z_h\)，使得\(\mathbb{P}\left(\frac{1}{\sqrt{Th}} \left| \int K_h dM_s \right| > z_h\right) \leq \epsilon\)。通过Bernstein不等式和Gaussian concentration来具体计算\(z_h\)。最终选择最大的\(h\)使得\(h^{2p} + \frac{z_h}{\sqrt{Th}} \leq \text{某个已知常数}\)。这个挑选步骤不需要知道p。
下界的构建：使用标准的minimax下界技巧（如Assouad引理），构造两个难以区分的强度函数\(\lambda^1, \lambda^2\)，它们在\(t_0\)处的差为\(\Delta\)。证明如果估计器的误差小于某个阈值，则在渐近意义上无法区分。这就得到了一个下界\(C (T^{-2p/(2p+1)})\)，与上界匹配。
关键跳跃点：
最吃劲的引理：或许在于自适应带宽选择引理（可能是Lemma 3或4）。它必须证明，所选的带宽\(h^*\)确实满足定理2的不等式。这个证明需要处理\(z_h\)的校准与渐近偏差\(h^{2p}\)之间的微妙平衡，并且要证明偏差不会“突然”变得很大。具体难点在于：虽然偏界的形状是\(C h^{2p}\)，但其中的常数\(C\)依赖于未知的Hölder范数\(\|\lambda^{(p)}\|_\infty\)。作者通过构造一个仅依赖\(\lambda\)的局部H ölder平滑性的上界，并联合使用Burkholder-Davis-Gundy不等式来回避了对全局光滑常数的依赖。
如何绕过去？ 作者把问题从估计\(\lambda(t_0)\)的难度转换成了“控制一个随机量（方差）和一个确定性量（偏差）的随机和”的难度，从而将自适应的挑战由“估计未知光滑度”转化为“估计随机噪声的方差”。后者因为能观测到\(\lambda_t\)路径，反倒变得可解了。
技术技巧点名：
Itô等距：用于建立方差项的期望和方差的上界（将\(dM_s\)的随机积分与\(\lambda_s\)的路径连接起来）。
Gaussian concentration不等式：用于控制校准统计量的分布尾部，从而构造出自适应带宽选择的阈值。
Burkholder-Davis-Gundy不等式（隐含）：用于处理鞅的二次变差，确保方差项的有界性。
Assouad引理：用于推导渐近minimax下界。

真实例子与应用¶

数据：法国电力市场的温度数据（来自法国气象局）和电力现货价格（来自EPEX Spot市场）。分析2015年至2017年的数据。
怎么用：作者假设电力现货价格的尖峰（非常高的价格）的发生遵循一个Cox过程。其强度\(\lambda(t)\)是温度的函数。具体地说，将时间区间划分为多个子区间，对每个子区间，观测到温度序列 \((Temp_t)\) 和尖峰事件\((N_t)\)。然后使用本文的自适应估计器估计\(\lambda\)作为\(Temp\)的函数。这是标准的一步：翻译成一个统计模型然后应用。
得到什么结果：估计了\(\lambda\)作为\(Temp\)的曲线。结果是一个U形曲线：温度过低或过高时，尖峰的强度增加，而中间温度区间，强度较低。此外，估计出的曲线还具有季节性和滞后效应的特征（通过将温度分解成几个不同的平滑分量实现）。
这个例子想说明什么：
验证了方法在真实数据上的可操作性。
展示了一个有意义的经济学应用（风险建模），说明该非参数方法可以揭示关键变量间的非线性关系，而这种关系在参数化假设下可能被遗漏。
没有进行严格的模型验证（例如，检验Cox过程假设是否合理，或与其它模型如GARCH进行比较）。因此，这个例子的主要价值在于演示方法的应用潜力，而非真实世界因果推断。

🔎 结论是否比证明窄¶

潜在过宽 claim：论文的摘要“the accuracy of the proposed estimator over the Hölder class of order p ... it is optimal in the minimax setting”。严格来说，minimax最优性只在\(m > p\) 且\(T \to \infty\) 时成立。如果多项式阶数\(m\)与光滑度\(p\)不匹配（例如\(m = p\)或\(m < p\)），则该结论不成立。作者在假设中将该情况剔除了，所以不是过宽，但这是一个重要且严格的条件。
更窄的地方：证明的非渐近oracle不等式（Theorem 2）依赖于“\(\lambda\)几乎处处有界”和“连续观测”的假设。结论本身在现实世界中几乎不可直接应用（因为\(\lambda\)通常不可观测），因此其实际意义被狭窄的模型假设大大限制了。

四、开放问题¶

对不可观测强度\(\lambda\)的推广：所有技术都依赖于连续观测\(\lambda_t\)。如何将这一方法推广到“双重随机泊松过程”的经典设定——即强度本身是潜变量（不可观测），只有事件时间\(N_t\)可观测？这需要引入滤波或EM算法，核心困难在于Bias-Variance分解中的“方差”项需要估计，而\(\lambda\)不可观测后，它的估计本身就成为一个高难度问题。扎根点：论文假设“both processes are observed continuously”，这是一个巨大的简化；所有结论都悬在此假设之上。
时空Cox过程：本文是对时间点的点估计。如何将该方法推广到时空Cox过程，即强度\(\lambda(\mathbf{s}, t)\)的估计？局部多项式估计的思想可以直接移植，但带宽选择准则需要处理更高的维度和更复杂的噪声结构（时空相关）。扎根点：引言结尾处提到“future work could consider more general semimartingale or spatio-temporal point processes”。
有限样本下带宽选择准则的行为：理论上提供了oracle不等式，但在中等样本量（T不是很大）时，该自适应带宽选择方法的表现如何？是否存在常数过大的问题？这需要通过仿真来量化，而论文缺乏仿真。扎根点：论文完全没有提供蒙特卡洛模拟来验证收敛速率或有限样本下的带宽选择的可靠性。这是一个值得研究者亲自去做的实证检验。
对非平稳性/突变的稳健性：假设\(\lambda_t\)是p阶Hölder类。如果强度存在跳跃（非连续性），自适应方法会发生什么？是否会产生灾难性的误估计？本文的证明依赖于连续半鞅假设；如果出现跳跃，Lipschitz光滑度条件被破坏，该方法可能需要修改。扎根点：论文假设“\(\lambda\) is a continuous Itô semimartingale”；对于实际数据（如金融跳跃），这是强假设。

Maintained by 陈星宇 · Homepage · Source on GitHub