Probabilities and Statistic seminar

We introduce a unified stochastic framework for modeling multiscale financial volatility based on the Log Stationary Fractional Brownian Motion (Log S-fBM) model. This construction provides a continuous interpolation between multifractal volatility regimes and rough volatility dynamics, thereby capturing key empirical features observed in financial time series. We develop a statistically robust Generalized Method of Moments (GMM) estimation procedure within the small intermittency regime. Empirical findings indicate that market indices exhibit pronounced roughness, whereas individual assets display dynamics closer to the multifractal limit which is reproduced by the Nester Stationary fractional Factor model we proposed. The framework of the Log S-fBM is further extended to a multivariate setting, enabling the joint modeling of correlated assets through a multidimensional Log S-fBM structure. This extension preserves marginal properties while incorporating cross-asset dependencies, providing a coherent explanation for the observed discrepancy between index-level and single-asset volatility behavior. In addition, we propose an efficient simulation methodology for Volterra-type processes based on Random Fourier Features (RFF) approximations of the kernel with a particular focus on the S-fBM kernel. This approach yields improved numerical stability and computational efficiency, supported by theoretical error bounds and empirical validation. Overall, the proposed framework offers a consistent and tractable approach to linking rough volatility, multifractal scaling, and factor-based structures, with both theoretical and practical implications for financial modeling.

Dans cet exposé, nous présentons et étudions un modèle pour deux populations avec une interaction prédateur-proie, où chaque population est composée de deux types d’individus, notés 0 et 1, de sorte que les prédateurs d’un type donné prospèrent en présence de proies similaires, tandis que les proies d’un type donné ont plus de chances de survivre en présence de prédateurs du type différent.
Nous considérons une limite dans une grande population avec des mutations dans à une échelle intermédiaire, c’est à dire que le taux de mutation individuel disparaît tandis que le taux de mutation total tend vers l’infini. Nous prouvons qu’en fonction des paramètres du modèle, différents scénarios peuvent se produire : invasion successive de proies et de prédateurs conduisant à la coexistence de quatre types, ou invasion successive de proies dans une population de prédateurs résidents conduisant soit à l’extinction des proies, soit à la coexistence de tous les types, …

Dans cet exposé, nous étudierons le comportement asymptotique des réseaux neuronaux entièrement connectés avec poids et biais gaussiens et dont la taille des couches cachées tend vers l’infini. Basé sur un travail commun récent avec S. Favaro, B. Hanin, D. Marinucci et G. Peccati.

On appelle “animal dirigé” un sous-ensemble fini du quart de plan N x N qui contient l’origine et tel que tout autre site possède au moins un voisin à sa gauche ou en dessous de lui. Dans cet exposé, je regarderai la limite quand n tend vers l’infini d’un animal choisi uniformément parmi les animaux à n sommets. Je montrerai en particulier que l’objet limite est encodé par une marche aléatoire et peut aussi s’interpréter comme un système de particules en interaction possédant une remarquable propriété de Markov spatiale (travail en collaboration avec O. Hénard et E. Maurel-Segala).

It is a standard assumption that the Gaussian noises in stochastic systems are white in time and white space. This means that the noise at different point in space or in time are assumed to be uncorrelated. This leads to the Ito theory of integration. However, some time series data and other data indicate otherwise, some even exhibits long range dependence. In SDEs these imply that neither the Markov theory nor its martingale characterisation can be relied on. In SPDEs, the difficulty of irregularity coming from the white noise can be mitigated if they are replaced by smooth correlated noise. But other problems arrive. In this talk we shall explore these models and some phenomenons. New, as well as old, techniques in Stochastic Analysis will be explored.

After much success in using the double random current representation in the study of the Ising model, Duminil-Copin posed the question in 2016 of determining the (percolative) phase transition of the single random current. By relating the single random current to the loop O(1) model (also known as the high-temperature expansion and Eulerian percolation), we prove polynomial lower bounds for path probabilities (and infinite expectation of cluster sizes) for both the single random current and loop O(1) model corresponding to any supercritical Ising model on the hypercubic lattice. Thereby partially resolving the posed question.

In this talk, I will gently introduce graphical representations of the Ising model, their monotonicity properties and relations through Bernoulli sprinkling and the uniform even subgraph. Afterward, we discuss new results whose surprising proof takes inspiration from the toric code in quantum theory. Based on joint work with Ulrik Tinggaard Hansen and Boris Kjær: https://arxiv.org/abs/2306.05130.

Hawkes processes are a family of point processes for which the occurrence of any event increases the probability of further events occurring. Although the linear Hawkes process, for which a representation in the form of a superposition of branching processes exists, is particularly well studied, difficulties remain in estimating the parameters of the process from imperfect data (noisy, missing or aggregated data), since the usual estimation methods based on maximum likelihood or least squares do not necessarily offer theoretical guarantees or are numerically too costly.
In this work, we propose a spectral approach well-adapted to this context, for which we prove consistency and asymptotic normality. In order to derive these properties, we show that Hawkes processes can be studied through the scope of mixing, opening the use of central limit theorems that already exist in the literature.
I will then present two applications of this approach: to aggregated data (joint work with Gabriel Lang); and to noisy data (joint work with Anna Bonnet, Miguel Martinez and Maxime Sangnier).

Après avoir introduit les U-statistiques de données indépendantes, le théorème limite central fonctionnel et la loi des grands nombres correspondantes, nous présenterons des résultats récents pour des U-statistiques basées sur des suites stationnaires dépendantes à valeurs dans un espace métrique séparable. Nous traiterons le cas des suites beta-mélangeantes (qui se prêtent bien au couplage) ainsi que celui des U-statistiques à valeurs dans un espace de Hilbert. Ces dernières se révèlent utiles dans certains tests statistiques.