Exact Likelihood Inference and Robust Filtering for Gauss-Cauchy Convolution Models

A continuación se presenta un resumen técnico detallado del artículo "Inferencia de Verosimilitud Exacta y Filtrado Robusto para Modelos de Convolución Gauss-Cauchy" de Peter Reinhard Hansen y Chen Tong.

1. Planteamiento del Problema

El artículo aborda el desafío de modelar y filtrar datos de series temporales donde los errores de medición exhiben colas pesadas (valores atípicos) superpuestos sobre un ruido gaussiano estándar.

• Contexto: En muchos campos (por ejemplo, espectroscopía, finanzas), las observaciones son la suma de una señal latente (a menudo gaussiana) y un ruido de medición que combina el ruido de fondo ordinario con choques extremos ocasionales.
• El Modelo: Los autores se centran en la Convolución Gauss-Cauchy, conocida como la distribución de Voigt ($V$), que es la convolución de una Gaussiana $N(\mu, \sigma^2)$ y una Cauchy $C(0, \gamma)$.
• El Cuello de Botella: Históricamente, el uso de la distribución de Voigt en inferencia basada en verosimilitud ha sido limitado porque su densidad no es una función elemental. Los practicantes suelen depender de:
  • Convolución numérica (computacionalmente costosa).
  • Aproximaciones pseudo-Voigt (modelos de mezcla que carecen de la interpretación de ruido aditivo).
  • Derivadas de diferencias finitas (inestables).
  • Métodos basados en simulación.
• La Brecha: Existía una falta de un marco analítico tratable y exacto para la Estimación de Máxima Verosimilitud (MLE) y el filtrado robusto de espacios de estado utilizando la verdadera densidad de Voigt.

2. Metodología

A. Derivaciones Analíticas para la Distribución de Voigt

El avance metodológico central es la derivación de expresiones en forma cerrada para la densidad de Voigt y sus derivadas utilizando la función de error complementaria escalada ($\text{erfcx}$), también conocida como función de Faddeeva.

• Representación de la Densidad: Los autores expresan la densidad de Voigt $f_Y(y)$ utilizando la parte real de la función de error complementaria escalada evaluada en una línea compleja específica.
• Cierre Algebraico: Demuestran que todas las derivadas de orden finito de la densidad (puntuación, hessiana, etc.) son funciones algebraicas de las partes real e imaginaria de esta función especial.
• Implicación: Esto permite el cálculo exacto de la verosimilitud, el vector de puntuación y la matriz hessiana sin integración numérica, cuadratura o aproximaciones.

B. Momentos Condicionales y la Fórmula de Tweedie

El artículo deriva la esperanza condicional y la varianza del componente gaussiano latente dada una observación.

• Fórmula de Tweedie: Utilizando la fórmula de Tweedie para convoluciones gaussianas, muestran que la media condicional de la señal latente es proporcional a la función de puntuación de la densidad marginal de Voigt.
• Propiedad de Descenso: Un hallazgo crítico es que la esperanza condicional es de descenso (redescending).
  • Para errores de predicción pequeños, la relación es aproximadamente lineal (como un filtro de Kalman).
  • Para errores de predicción grandes (valores atípicos extremos), la media condicional desciende hacia cero.
  • Interpretación: El filtro identifica automáticamente las observaciones extremas como probable "ruido" (componente Cauchy) en lugar de "señal" (componente Gaussiano), descontándolas efectivamente en lugar de propagarlas en la estimación del estado.

C. El Filtro de Convolución Gauss-Cauchy (GCC)

Los autores construyen un filtro de espacio de estado robusto para sistemas lineales con dinámicas latentes gaussianas y errores de medición de Voigt.

• Aproximación de Masreliez: Asumen que la densidad de predicción un paso adelante del estado latente es gaussiana.
• Cierre de Voigt: Debido a que la suma de una Gaussiana (error de predicción del estado) y una Voigt (error de medición) es otra distribución de Voigt, la densidad del error de predicción permanece en la familia de Voigt.
• Regla de Actualización: La actualización del estado está impulsada por la puntuación de ubicación de Voigt. Esto reemplaza la actualización lineal del filtro de Kalman con una actualización no lineal y robusta que maneja naturalmente los valores atípicos.
• Suavizado: Se deriva un suavizador de Rauch-Tung-Striebel (RTS) basado en los momentos filtrados.

D. Inferencia y Asintótica

• MLE: El artículo establece la consistencia y la normalidad asintótica del MLE para los parámetros de Voigt, a pesar de que la propia distribución de Voigt no tiene momentos finitos (debido a la cola Cauchy). Esto es posible porque la puntuación y la información de Fisher están bien definidas.
• QMLE para Espacio de Estado: Para el modelo dinámico, los parámetros se estiman mediante Máxima Verosimilitud Cuasi (QMLE), tratando la aproximación de Masreliez como el proceso generador de datos para los errores de predicción.

3. Resultados Clave

Resultados Teóricos y de Simulación

• Inferencia Exacta: El artículo demuestra que el MLE exacto es computacionalmente viable y estable, superando a las aproximaciones pseudo-Voigt que introducen errores de especificación.
• Rendimiento en Muestras Finitas: Las simulaciones de Monte Carlo muestran que el MLE es insesgado y eficiente para tamaños de muestra moderados. Los errores estándar asintóticos derivados de la matriz de información de Fisher proporcionan aproximaciones precisas.
• Precisión de la Aproximación: Los autores comparan el filtro GCC contra un referente exacto (propagación de densidad numérica). Descubren que la aproximación de predicción gaussiana de Masreliez introduce un error negligible (divergencia de Kullback-Leibler $< 10^{-4}$) en la región empíricamente relevante donde el componente Cauchy es pequeño en relación con el componente Gaussiano.
• Robustez: El filtro separa con éxito las señales latentes persistentes del ruido transitorio de colas pesadas, a diferencia del filtro de Kalman estándar que es sensible a los valores atípicos.

Aplicación Empírica

• Datos: Volatilidad realizada logarítmica diaria del Fondo SPDR del Sector Selecto de Tecnología (XLK) de 1998 a 2025.
• Comparación: El filtro GCC se compara frente a filtros Gaussianos (Kalman), Cauchy, Student-$t$, Huber y Normal-Laplace.
• Hallazgos:
  • El filtro GCC logra la máxima pseudo-verosimilitud logarítmica ($-1,306$) en comparación con el referente gaussiano ($-2,465$) y otras alternativas robustas (Student-$t$: $-1,349$; Huber: $-1,444$).
  • Descomposición: Las estimaciones del GCC revelan un ruido de medición gaussiano dominante ($\sigma \approx 0.18$) y un componente Cauchy pequeño pero significativo ($\gamma \approx 0.02$).
  • Comportamiento de Filtrado: El filtro GCC produce una serie de volatilidad latente suave que ignora picos extremos (por ejemplo, el Flash Crash, la burbuja puntocom) que se atribuyen correctamente al componente de ruido Cauchy. En contraste, el filtro gaussiano infla la varianza para acomodar estos picos, lo que lleva a una estimación de estado más ruidosa.

4. Contribuciones Clave

1. Teoría de Verosimilitud Tratable: El artículo resuelve la percepción de larga data de que la inferencia basada en Voigt es computacionalmente intratable al proporcionar expresiones analíticas en forma cerrada para la densidad, la puntuación y la hessiana utilizando funciones especiales.
2. Filtrado Robusto Probabilístico: A diferencia de los filtros robustos que imponen una función de puntuación de descenso ad hoc (por ejemplo, pérdida de Huber), el filtro GCC deriva la propiedad de descenso endógenamente a partir de la esperanza condicional de una señal latente gaussiana observada con ruido Cauchy. Esto proporciona una microfundación probabilística rigurosa para el filtrado robusto.
3. Filtrado Exacto de Espacio de Estado: Los autores desarrollan un filtro recursivo que mantiene la tratabilidad analítica, evitando la necesidad de integración numérica o filtros de partículas, mientras anida el filtro de Kalman (cuando $\gamma \to 0$) y el filtro Cauchy puro (cuando $\sigma \to 0$).
4. Validación Empírica: La aplicación a la volatilidad financiera demuestra que la convolución Gauss-Cauchy ofrece una descomposición superior de las dinámicas persistentes y el ruido transitorio en comparación con las alternativas de colas pesadas estándar.

5. Significado

• Para la Econometría y las Finanzas: El artículo proporciona una herramienta poderosa para filtrar series temporales financieras (como la volatilidad) donde los eventos de "cisne negro" son comunes pero las dinámicas subyacentes son gaussianas. Ofrece una manera principista de distinguir entre rupturas estructurales y valores atípicos de medición.
• Para la Física y la Espectroscopía: Revitaliza el uso del perfil de Voigt en el modelado estadístico al permitir inferencia de verosimilitud exacta, superando la dependencia de aproximaciones.
• Para el Aprendizaje Automático: Las expresiones analíticas para la puntuación y la información de Fisher pueden utilizarse para refinar las estimaciones de aprendizaje automático de perfiles de Voigt o para construir medidas de incertidumbre para tales modelos.

En resumen, Hansen y Tong demuestran que la convolución Gauss-Cauchy no es solo una distribución de colas pesadas, sino un marco computacionalmente tratable que unifica la inferencia de verosimilitud exacta con la extracción robusta de señales, ofreciendo mejoras significativas sobre los métodos existentes tanto en teoría como en la práctica.