State-Coupled Volatility in Latent Dynamical Systems: Recovery Under Partial Observation

Resumen Técnico: Volatilidad Acoplada al Estado en Sistemas Dinámicos Latentes

Planteamiento del Problema
Los modelos de espacio de estados latentes son herramientas estándar para analizar sistemas dinámicos parcialmente observados, sin embargo, suelen asumir que la variabilidad del proceso (ruido estocástico) es independiente de la posición del estado latente. En muchos sistemas biológicos, conductuales y fisiológicos, no obstante, la variabilidad exhibe una organización sistemática vinculada al estado dinámico subyacente. Los modelos tradicionales tratan esta variabilidad como ruido de molestia o intentan modelarla utilizando proxies del estado observado, lo cual puede fallar al capturar la estocasticidad estructurada cuando las observaciones son ruidosas. El desafío central abordado es la recuperación de la relación entre el desplazamiento del estado latente desde el equilibrio y la varianza del proceso bajo condiciones de observación parcial, donde la magnitud que impulsa la varianza no es observada.

Metodología
El artículo introduce un marco de volatilidad estocástica acoplada al estado donde la varianza del proceso latente es una función del desplazamiento del estado latente desde un equilibrio de largo plazo.

• Formulación del Modelo:

  • Dinámica Latente: El estado latente $x_t$ sigue un proceso autorregresivo que busca el equilibrio: $x_t = \mu + \phi(x_{t-1} - \mu) + w_t$.
  • Varianza Acoplada al Estado: A diferencia de los modelos de varianza constante, el ruido del proceso $w_t$ tiene una varianza variable en el tiempo $q_t$ definida por: $\log q_t = \alpha + \gamma|x_{t-1} - \mu|$.
    • $\mu$: Media de equilibrio.
    • $\phi$: Parámetro de persistencia.
    • $\alpha$: Volatilidad base.
    • $\gamma$: Parámetro de acoplamiento que cuantifica la fuerza de la asociación entre el desplazamiento del estado y la variabilidad.
  • Modelo de Observación: $y_t = x_t + v_t$, donde $v_t \sim N(0, r)$ es el ruido de observación.

• Procedimiento de Inferencia:
  Debido a que la magnitud que impulsa la varianza ($|x_{t-1} - \mu|$) es latente, un enfoque estándar de sustitución (estimar una trayectoria única y luego ajustar la varianza) es insuficiente, ya que ignora la propagación de la incertidumbre. Los autores desarrollan un procedimiento de Esperanza-Máxima de Partículas (EM de Partículas):

  1. Paso E: Utiliza un Filtro de Partículas Bootstrap combinado con un Suavizado de Trayectoria hacia Atrás para aproximar la distribución posterior de la trayectoria latente completa $p(x_{1:T} | y_{1:T})$. Esto propaga la incertidumbre del estado latente hacia la estimación de la varianza.
  2. Paso M: Actualiza los parámetros de volatilidad ($\alpha, \gamma$) minimizando una función objetivo basada en la verosimilitud utilizando las trayectorias suavizadas de las partículas, mientras mantiene fijos los parámetros de la dinámica de la media ($\mu, \phi, r$).
  3. Optimización: Utiliza L-BFGS-B acotado con amortiguación para asegurar la estabilidad numérica.

Contribuciones Clave

1. Marco Interpretable: Una formulación de espacio de estados heterocedástica específica donde la varianza de transición está parametrizada explícitamente como una función de la geometría del estado latente, en lugar de un proceso de volatilidad latente independiente (como en los modelos de Volatilidad Estocástica) o de residuos pasados (como en GARCH).
2. Estrategia de Inferencia: Un algoritmo EM de partículas que estima conjuntamente las trayectorias latentes y los parámetros de varianza dependientes del estado, contabilizando explícitamente el acoplamiento entre la reconstrucción del estado y la estimación de la varianza.
3. Análisis de Identificabilidad: Una proposición teórica que establece que los parámetros de volatilidad son estructuralmente identificables condicionados a la trayectoria latente y a los parámetros de la dinámica de la media.
4. Benchmarking: Un estudio de simulación a gran escala (4,050 conjuntos de datos) comparando el método propuesto contra:
   • Sistemas Dinámicos Latentes (LDS) de varianza constante.
   • Proxies de estado observado heterocedásticos (modelando la varianza basándose en $y_t$).
   • Proxies GARCH(1,1).
   • Proxies simplificados de Volatilidad Estocástica (SV).

Resultos
El benchmark de simulación evaluó la recuperación de parámetros (sesgo, RMSE) y el rendimiento de detección (AUC) a través de diversas fuerzas de acoplamiento ($\gamma$), ruido de observación ($r$), longitudes de trayectoria ($T$) y persistencia ($\phi$).

• Reducción del Sesgo: El marco propuesto acoplado al estado redujo consistentemente el sesgo de recuperación en comparación con el proxy de estado observado heterocedástico. El proxy subestimó sistemáticamente la fuerza de acoplamiento (sesgo de atenuación), particularmente a medida que aumentaba el ruido de observación. El método propuesto mantuvo las estimaciones más cercanas al valor real de $\gamma$, incluso en regímenes de alto ruido.
• Compromiso Sesgo-Varianza: Si bien el método propuesto redujo el sesgo sistemático, exhibió un Error Cuadrático Medio (RMSE) más alto que el proxy en entornos de bajo ruido y trayectorias cortas debido a la incertidumbre introducida por la reconstrucción del estado latente. Sin embargo, a medida que la fuerza de acoplamiento y la longitud de la trayectoria aumentaron, la brecha del RMSE se estrechó, y el método propuesto a menudo logró un RMSE menor en regímenes de alta persistencia y alto ruido.
• Rendimiento de Detección: El marco propuesto demostró un Área Bajo la Curva (AUC) superior o competitivo para detectar la presencia de volatilidad acoplada al estado. Su ventaja se hizo más pronunciada a medida que aumentaba el ruido de observación y se fortalecía la persistencia latente ($\phi$).
• Comparación con Alternativas:
  • LDS de Varianza Constante: Mostró un alto AUC de detección para un acoplamiento fuerte (debido a firmas de error de especificación del modelo), pero no pudo estimar la magnitud del acoplamiento.
  • Proxies GARCH/SV: Se desempeñaron cerca del nivel del azar, indicando que la agrupación de volatilidad genérica o las trayectorias de volatilidad independientes fallan al capturar mecanismos de varianza dependientes del estado.

Significancia y Reivindicaciones
El artículo sostiene que la volatilidad acoplada al estado puede identificarse y estimarse bajo observación parcial cuando la estructura del estado latente se modela explícitamente.

• Factibilidad Metodológica: El trabajo establece que la estocasticidad estructurada (variabilidad dependiente del estado latente) es recuperable a partir de observaciones ruidosas, siempre que se tenga en cuenta la incertidumbre en la trayectoria latente.
• Ventaja Contextual: El marco es particularmente ventajoso para sistemas caracterizados por un ruido de observación sustancial y una fuerte persistencia temporal (por ejemplo, sistemas neuronales, fisiológicos o conductuales), donde los proxies basados directamente en la observación fallan al distinguir el error de medición de la verdadera variabilidad dependiente del estado.
• Limitaciones y Alcance: Los autores declaran explícitamente que estos resultados demuestran la factibilidad metodológica basada en datos simulados generados bajo el modelo asumido. El artículo no pretende la validación empírica en sistemas biológicos específicos, ni afirma una superioridad universal sobre todas las especificaciones de volatilidad. Se identifica que es necesario un trabajo futuro para probar el marco con datos del mundo real y evaluar su robustez ante la especificación errónea del modelo.

En resumen, el artículo proporciona una base metodológica práctica para investigar si la variabilidad estructurada contribuye con información sobre la dinámica del sistema más allá de lo que contienen las trayectorias de la media del estado por sí solas.