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

Ce papier dérive des expressions analytiques pour la distribution de Voigt afin de permettre une estimation du maximum de vraisemblance stable et introduit un filtre de convolution Gauss-Cauchy robuste qui sépare efficacement les dynamiques latentes persistantes du bruit de mesure à queue lourde, surpassant les alternatives gaussiennes et robustes existantes dans la modélisation de la volatilité financière.

L'essentiel

Imaginez que vous essayez d'écouter la voix d'un ami (le signal) dans une pièce bondée et bruyante. Habituellement, le bruit n'est qu'un bourdonnement constant de conversations — prévisible et gérable. Mais parfois, quelqu'un fait tomber un plateau lourd, ou une sirène hurle juste à l'extérieur. Ce sont des bruits extrêmes et soudains qui diffèrent considérablement du bourdonnement de fond.

Ce papier présente une nouvelle méthode, plus intelligente, pour séparer la voix de l'ami du bruit, spécifiquement lorsque le bruit est un mélange de « conversations normales » et d'« événements soudains et follement bruyants ».

Voici la décomposition de leur découverte, en utilisant des analogies simples :

1. Le Problème : Le Cocktail « Voigt »

Dans le monde des statistiques, les scientifiques modélisent souvent le bruit comme une distribution Gaussienne (une courbe en cloche). Cela fonctionne très bien pour le bruit normal et quotidien. Mais parfois, les données présentent des « queues lourdes » — ce qui signifie que les valeurs aberrantes extrêmes se produisent plus souvent que ce que prédit une courbe en cloche.

Pour modéliser cela, les scientifiques mélangent une distribution Gaussienne (bruit normal) avec une distribution Cauchy (qui représente des pics sauvages et imprévisibles). En physique, ce mélange est appelé la distribution de Voigt.

L'Ancienne Méthode :
Pendant des décennies, utiliser ce mélange pour l'analyse de données était comme essayer de résoudre un puzzle avec un marteau. Parce que les mathématiques de ce mélange sont si complexes, les scientifiques devaient généralement :

• Utiliser des simulations informatiques lentes.
• Utiliser des approximations « factices » (comme faire semblant que le mélange n'est que deux choses séparées collées ensemble).
• Deviner les réponses par essais et erreurs.

La Découverte du Papier :
Les auteurs, Peter Reinhard Hansen et Chen Tong, ont découvert une « clé magique » (une fonction mathématique spécifique appelée la fonction d'erreur complémentaire mise à l'échelle) qui déverrouille les mathématiques exactes de ce mélange.

• L'Analogie : Au lieu d'essayer de construire un pont sur une rivière en devinant où se trouvent les rochers, ils ont trouvé un plan qui leur indique exactement où se trouve chaque rocher.
• Le Résultat : Ils peuvent maintenant calculer la probabilité exacte, le « score » (la probabilité qu'un événement se produise) et la « courbure » (à quel point nous sommes sûrs) sans aucune devinette ni simulation lente. C'est rapide, exact et stable.

2. Le Filtre : Le « Videur Intelligent »

Le papier crée également un nouvel outil appelé le Filtre GCC (Filtre de Convolution Gauss-Cauchy). Imaginez cela comme un videur intelligent dans une boîte de nuit qui décide ce qui entre dans le « État Latent » (l'histoire vraie et sous-jacente des données).

• L'Ancien Videur (Filtre de Kalman) : Ce videur est très poli. Si un invité arrive avec une histoire énorme et folle (une valeur aberrante), le videur la croit et modifie immédiatement l'ambiance du club pour correspondre à cette histoire. Si une personne crie, tout le club pense que la fête est chaotique.
• Le Nouveau Videur (Filtre GCC) : Ce videur est sage.
  • Si un invité arrive avec une histoire normale, le videur écoute et met à jour l'ambiance.
  • Si un invité arrive avec une histoire massive et incroyable (une énorme valeur aberrante), le videur pense : « Ceci est probablement juste du bruit, pas la vérité. »
  • L'Astuce « Redescendante » : Le papier montre que plus l'histoire devient plus extrême, plus le videur commence à l'ignorer. Au lieu de laisser l'histoire folle tirer l'ambiance dans cette direction, le filtre dit : « Tu es trop bruyant pour être réel ; tu dois être un bug. » Il décompte automatiquement le bruit extrême afin qu'il ne gâche pas l'estimation du vrai signal.

3. Le Test Réel : La Volatilité du Marché Boursier

Pour prouver que cela fonctionne, les auteurs l'ont testé sur le Technology Select Sector SPDR Fund (XLK). Ils ont examiné la « volatilité réalisée » quotidienne (l'ampleur des fluctuations du prix de l'action).

• La Situation : Les marchés boursiers ont généralement de petites fluctuations quotidiennes (bruit Gaussien). Mais parfois, en raison d'un krach ou d'une panique, il y a des pics massifs sur une seule journée (bruit Cauchy).
• Le Résultat :
  • L'ancien filtre Gaussien a été confus par les pics, pensant que le marché était durablement chaotique, et a rendu la volatilité « vraie » très bruyante.
  • Le nouveau filtre GCC a réussi à séparer les deux. Il a maintenu la tendance lisse et à long terme du marché (le signal) tout en traitant les pics massifs comme un bruit à queues lourdes et temporaire.
  • Il a mieux fonctionné que d'autres méthodes « robustes » populaires (comme les filtres Student-t ou Huber) parce qu'il n'a pas seulement deviné ; il a utilisé les mathématiques exactes du mélange de bruit pour décider quoi ignorer.

Résumé

Ce papier dit : « Nous avons trouvé un moyen de faire les mathématiques pour un mélange de bruit normal et fou exactement, sans approximations. En utilisant cela, nous avons construit un filtre qui agit comme un videur sage : il écoute les données normales mais ignore automatiquement les valeurs aberrantes « trop folles pour être vraies », nous donnant une image beaucoup plus claire de la réalité sous-jacente. »

Ils ont appliqué cela aux données du marché boursier et ont montré qu'il sépare la vraie tendance du marché du bruit mieux que toute méthode existante.

Résumé technique

1. Énoncé du problème

L'article aborde le défi de la modélisation et du filtrage de séries temporelles où les erreurs de mesure présentent des queues lourdes (valeurs aberrantes) superposées à un bruit gaussien standard.

• Contexte : Dans de nombreux domaines (par exemple, la spectroscopie, la finance), les observations sont la somme d'un signal latent (souvent gaussien) et d'un bruit de mesure combinant un bruit de fond ordinaire avec des chocs extrêmes occasionnels.
• Le modèle : Les auteurs se concentrent sur la convolution Gauss-Cauchy, connue sous le nom de distribution de Voigt ($V$), qui est la convolution d'une Gaussienne $N(\mu, \sigma^2)$ et d'une Cauchy $C(0, \gamma)$.
• Le goulot d'étranglement : Historiquement, l'utilisation de la distribution de Voigt dans l'inférence par vraisemblance a été limitée car sa densité n'est pas une fonction élémentaire. Les praticiens s'appuient généralement sur :
  • La convolution numérique (coûteuse en calcul).
  • Les approximations de type Pseudo-Voigt (modèles de mélange qui manquent d'interprétation en bruit additif).
  • Les dérivées par différences finies (instables).
  • Les méthodes basées sur la simulation.
• Le vide : Il manquait un cadre analytique exact et traitable pour l'estimation du maximum de vraisemblance (MLE) et le filtrage robuste d'état-espace utilisant la véritable densité de Voigt.

2. Méthodologie

A. Développements analytiques pour la distribution de Voigt

La percée méthodologique centrale réside dans la dérivation d'expressions en forme close pour la densité de Voigt et ses dérivées en utilisant la fonction d'erreur complémentaire échelonnée ($\text{erfcx}$), également connue sous le nom de fonction de Faddeeva.

• Représentation de la densité : Les auteurs expriment la densité de Voigt $f_Y(y)$ en utilisant la partie réelle de la fonction d'erreur complémentaire échelonnée évaluée sur une ligne complexe spécifique.
• Clôture algébrique : Ils prouvent que toutes les dérivées d'ordre fini de la densité (score, hessien, etc.) sont des fonctions algébriques des parties réelle et imaginaire de cette fonction spéciale.
• Implication : Cela permet le calcul exact de la vraisemblance, du vecteur score et de la matrice hessienne sans intégration numérique, quadrature ou approximations.

B. Moments conditionnels et formule de Tweedie

L'article dérive l'espérance conditionnelle et la variance du composant gaussien latent étant donné une observation.

• Formule de Tweedie : En utilisant la formule de Tweedie pour les convolutions gaussiennes, ils montrent que la moyenne conditionnelle du signal latent est proportionnelle à la fonction de score de la densité marginale de Voigt.
• Propriété de redescendance : Une découverte critique est que l'espérance conditionnelle est redescendante.
  • Pour de petites erreurs de prédiction, la relation est approximativement linéaire (comme un filtre de Kalman).
  • Pour de grandes erreurs de prédiction (valeurs aberrantes extrêmes), la moyenne conditionnelle redescend vers zéro.
  • Interprétation : Le filtre identifie automatiquement les observations extrêmes comme étant probablement du « bruit » (composante Cauchy) plutôt que du « signal » (composante Gaussienne), les décomptant efficacement plutôt que de les propager dans l'estimation de l'état.

C. Le filtre de convolution Gauss-Cauchy (GCC)

Les auteurs construisent un filtre d'état-espace robuste pour les systèmes linéaires avec une dynamique latente gaussienne et des erreurs de mesure de type Voigt.

• Approximation de Masreliez : Ils supposent que la densité de prédiction à un pas de l'avance de l'état latent est gaussienne.
• Clôture de Voigt : Parce que la somme d'une Gaussienne (erreur de prédiction d'état) et d'une Voigt (erreur de mesure) est une autre distribution de Voigt, la densité d'erreur de prédiction reste dans la famille de Voigt.
• Règle de mise à jour : La mise à jour de l'état est pilotée par le score de localisation de Voigt. Cela remplace la mise à jour linéaire du filtre de Kalman par une mise à jour non linéaire et robuste qui gère naturellement les valeurs aberrantes.
• Lissage : Un lisseur de Rauch-Tung-Striebel (RTS) est dérivé à partir des moments filtrés.

D. Inférence et asymptotique

• MLE : L'article établit la consistance et la normalité asymptotique du MLE pour les paramètres de Voigt, malgré le fait que la distribution de Voigt elle-même n'ait pas de moments finis (en raison de la queue Cauchy). Cela est possible car le score et l'information de Fisher sont bien définis.
• QMLE pour l'état-espace : Pour le modèle dynamique, les paramètres sont estimés via un Maximum de Vraisemblance Quasi (QMLE), traitant l'approximation de Masreliez comme le processus générateur de données pour les erreurs de prédiction.

3. Résultats clés

Résultats théoriques et de simulation

• Inférence exacte : L'article démontre que le MLE exact est réalisable et stable sur le plan computationnel, surpassant les approximations de type Pseudo-Voigt qui introduisent des erreurs de spécification.
• Performance sur échantillons finis : Les simulations de Monte Carlo montrent que le MLE est sans biais et efficace pour des tailles d'échantillon modérées. Les erreurs standards asymptotiques dérivées de la matrice d'information de Fisher fournissent des approximations précises.
• Précision de l'approximation : Les auteurs comparent le filtre GCC à une référence exacte (propagation de densité numérique). Ils constatent que l'approximation gaussienne de prédiction de Masreliez introduit une erreur négligeable (divergence de Kullback-Leibler $< 10^{-4}$) dans la région empiriquement pertinente où la composante Cauchy est petite par rapport à la composante Gaussienne.
• Robustesse : Le filtre sépare avec succès les signaux latents persistants du bruit transitoire à queues lourdes, contrairement au filtre de Kalman standard qui est sensible aux valeurs aberrantes.

Application empirique

• Données : Volatilité réalisée logarithmique quotidienne du Technology Select Sector SPDR Fund (XLK) de 1998 à 2025.
• Comparaison : Le filtre GCC est comparé aux filtres Gaussien (Kalman), Cauchy, Student-$t$, Huber et Normal-Laplace.
• Constats :
  • Le filtre GCC atteint la pseudo-vraisemblance logarithmique la plus élevée ($-1\,306$) par rapport à la référence gaussienne ($-2\,465$) et aux autres alternatives robustes (Student-$t$ : $-1\,349$ ; Huber : $-1\,444$).
  • Décomposition : Les estimations du GCC révèlent un bruit de mesure gaussien dominant ($\sigma \approx 0,18$) et une composante Cauchy petite mais significative ($\gamma \approx 0,02$).
  • Comportement de filtrage : Le filtre GCC produit une série de volatilité latente lisse qui ignore les pics extrêmes (par exemple, le Flash Crash, la bulle Internet) qui sont correctement attribués à la composante de bruit Cauchy. En revanche, le filtre gaussien gonfle la variance pour accommoder ces pics, conduisant à une estimation d'état plus bruyante.

4. Contributions clés

1. Théorie de vraisemblance traitable : L'article résout la perception de longue date selon laquelle l'inférence basée sur Voigt est computationnellement intraitable en fournissant des expressions analytiques en forme close pour la densité, le score et le hessien utilisant des fonctions spéciales.
2. Filtrage robuste probabiliste : Contrairement aux filtres robustes qui imposent une fonction de score redescendante ad hoc (par exemple, la perte de Huber), le filtre GCC dérive la propriété de redescendance endogènement de l'espérance conditionnelle d'un signal latent gaussien observé avec un bruit Cauchy. Cela fournit une micro-fondation probabiliste rigoureuse pour le filtrage robuste.
3. Filtrage d'état-espace exact : Les auteurs développent un filtre récursif qui maintient la tractabilité analytique, évitant le besoin d'intégration numérique ou de filtres à particules, tout en englobant le filtre de Kalman (lorsque $\gamma \to 0$) et le filtre Cauchy pur (lorsque $\sigma \to 0$).
4. Validation empirique : L'application à la volatilité financière démontre que la convolution Gauss-Cauchy offre une décomposition supérieure des dynamiques persistantes et du bruit transitoire par rapport aux alternatives à queues lourdes standard.

5. Signification

• Pour l'économétrie et la finance : L'article fournit un outil puissant pour filtrer les séries temporelles financières (comme la volatilité) où les événements « cygnes noirs » sont courants mais où les dynamiques sous-jacentes sont gaussiennes. Il offre une manière raisonnée de distinguer entre les ruptures structurelles et les valeurs aberrantes de mesure.
• Pour la physique et la spectroscopie : Il revitalise l'utilisation du profil de Voigt dans la modélisation statistique en permettant une inférence de vraisemblance exacte, dépassant la dépendance aux approximations.
• Pour l'apprentissage automatique : Les expressions analytiques pour le score et l'information de Fisher peuvent être utilisées pour affiner les estimations d'apprentissage automatique des profils de Voigt ou pour construire des mesures d'incertitude pour de tels modèles.

En résumé, Hansen et Tong démontrent que la convolution Gauss-Cauchy n'est pas seulement une distribution à queues lourdes, mais un cadre computationnellement traitable qui unifie l'inférence de vraisemblance exacte avec l'extraction robuste de signaux, offrant des améliorations significatives par rapport aux méthodes existantes tant en théorie qu'en pratique.