Qual è il limite dei punti minimi di molti processi?

Immagine di avere diversi gruppi di processi casuali che evolvono nel tempo con salti improvvisi (processi cadlag). Ogni gruppo contiene molte traiettorie e noi siamo interessati al punto in cui ciascuna traiettoria raggiunge il suo valore più basso – il cosiddetto argmin. Quando il numero di gruppi cresce, questi punti minimi non si comportano più come numeri fissi, ma diventano essi stessi variabili casuali. Gli autori dimostrano che, man mano che i gruppi diventano più numerosi, il vettore formato da tutti gli argmin converge in legge verso un insieme chiuso casuale. Questo insieme è semplicemente il prodotto cartesiano degli insiemi di minimi di ciascun processo limite, cioè dei processi che appaiono quando si lascia andare il numero di gruppi all’infinito. Se ciascuno di questi processi limite ha praticamente sempre un unico punto di minimo, allora l’insieme chiuso si riduce a un singolo punto e la convergenza diventa quella classica: il vettore degli argmin tende a un vettore deterministico formato dai minimi dei processi limite. Il risultato collega la teoria della convergenza di insiemi chiusi con la teoria tradizionale degli argmin, offrendo uno strumento per analizzare procedure di ottimizzazione che dipendono da molti dati rumorosi, come quelli che si incontrano nell’apprendimento automatico o nella finanza quantitativa.

Il teorema esteso dell'argmin considera una famiglia di reti (dirette indici) {X_i^α}_{α∈A_i} di processi stocastici multidimensionali con traiettorie cadlag, dove ogni indice i corrisponde a un diverso componente. Per ogni rete si definisce l'insieme degli argmin M_i^α = {x ∈ ℝ^d : X_i^α(x) = inf_t X_i^α(t)}. Si assume che le reti convergano, nella topologia di Skorokhod J1, a processi limite X_i. Il risultato principale afferma che il vettore chiuso (M_1^α,…,M_k^α) converge in legge, nella topologia di Fell, verso l'insieme chiuso casuale M = M_1 × … × M_k, dove ciascun M_i è l'insieme degli argmin del processo limite X_i. La dimostrazione sfrutta la continuità dell'operatore argmin rispetto alla convergenza uniforme su compatti e la chiusura dell'insieme dei minimi sotto piccole perturbazioni, insieme al teorema di rappresentazione di insiemi chiusi casuali tramite funzionali di supporto. Quando ogni M_i è un singleton quasi certamente, il prodotto cartesiano riduce a un punto deterministico e la convergenza di Fell si riduce alla convergenza tradizionale di variabili aleatorie, recuperando il classico teorema dell'argmin. Questo quadro permette di trattare situazioni in cui i dati di ingresso sono essi stessi processi stocastici, ad esempio in procedure di stima basate su campioni temporali o in algoritmi di ottimizzazione stocastica dove la funzione obiettivo è osservata con rumore.