Résumé technique : Estimation de la dépendance dynamique multi-échelle sur les réseaux

Énoncé du problème

Les ensembles de données scientifiques et industriels modernes consistent fréquemment en des séries temporelles multivariées dont les dépendances croisées sont structurées par une topologie de réseau sous-jacente connue (par exemple, les systèmes financiers, les réseaux cérébraux, la surveillance climatique). Un défi critique de l'analyse de ces données est que ces séries sont souvent non stationnaires, ce qui signifie que leurs propriétés de second ordre varient au cours du temps. Les cadres existants présentent des limitations significatives :

• Approches multivariées traditionnelles : Les méthodes telles que le cadre de l'ondelettes localement stationnaire multivariée (MvLSW) (Park et al., 2014) modélisent les propriétés spectrales variant dans le temps mais traitent le système comme non contraint. Elles ne parviennent pas à incorporer la structure de réseau connue, ce qui conduit à une sur-paramétrisation et à l'incapacité de distinguer les dépendances directes des indirectes dans un contexte de réseau.
• Modèles d'autorégression sur réseau : Les modèles dans le domaine temporel, tels que les processus d'autorégression de réseau généralisés (GNAR), régularisent les interactions via les voisinages des nœuds, mais manquent souvent de la capacité à capturer explicitement des dépendances croisées dépendantes de l'échelle et variant dans le temps tout en respectant la topologie du graphe.
• Défis d'inférence : L'estimation des dépendances conditionnelles dans des contextes non stationnaires nécessite généralement l'inversion d'opérateurs de covariance de dimension infinie (intractable en pratique) ou l'application de corrections de matrices linéaires conjointes sur toutes les échelles simultanément, ce qui contamine les contraintes de topologie de réseau (c'est-à-dire que les zéros structurels imposés dans les paramètres bruts ne se traduisent pas par des zéros dans le spectre inverse final).

Méthodologie : Cadre Net-LSW

Les auteurs proposent les Ondelettes localement stationnaires sur les réseaux (Net-LSW), un cadre qui intègre explicitement la structure du réseau dans la covariance des incréments aléatoires du processus.

1. Définition du modèle

Le processus Net-LSW $\{X^N_t\}$ est défini comme une somme de sous-processus spécifiques à chaque échelle :
$$X^N_t = \sum_{j \ge 1} \sum_{k \in \mathbb{Z}} W^N_j\left(\frac{k}{T}\right) \psi_{j,k}(t) \xi^N_{j,k}$$
Innovations structurelles clés :

• Fonctions de transfert diagonales : La matrice d'amplitude $W^N_j(z)$ est contrainte à être diagonale, garantissant que les amplitudes propres aux nœuds sont indépendantes du mécanisme de transfert.
• Innovations codées par le réseau : La dépendance croisée est entièrement encodée dans la covariance des vecteurs d'innovation $\xi^N_{j,k}$. La matrice de covariance $\Lambda^N_j(z)$ est définie de telle sorte que son inverse (la matrice de concentration $\Gamma^N_j(z)$) respecte le graphe $G=(N, E)$.
• Équivalence structurelle : Crucialement, l'absence d'une arête $(p, q) \notin E$ correspond exactement à une entrée nulle dans la matrice de concentration $[\Gamma^N_j(z)]_{p,q}$ pour toutes les échelles $j$ et tous les temps redimensionnés $z$.

2. Graphe de corrélation partielle locale

L'article introduit un graphe de corrélation partielle locale dans le domaine des ondelettes. Il établit que pour un processus Net-LSW, le graphe $G$ sur lequel le processus est observé est identique à son graple de corrélation partielle locale. Plus précisément, une arête est absente si et seulement si la cohérence spectrale partielle locale $\eta^N_j(z)$ est nulle pour tous les $j, z$. Cela étend les résultats classiques du domaine de Fourier de Dahlhaus (2000a) au cadre non stationnaire des ondelettes.

3. Stratégie d'estimation : Approche basée sur les sous-processus

Pour estimer la dépendance croisée nœud à nœud locale, les auteurs développent un nouveau schéma d'estimation basé sur les sous-processus :

• Décomposition échelle par échelle : Au lieu d'opérer sur le processus complet, la méthode isole des sous-processus spécifiques à chaque échelle $\{X_{j,t}\}$. Cela simplifie la relation entre les coefficients d'ondelettes et les matrices spectrales, garantissant que la vraisemblance gaussienne reste convexe lorsqu'elle est augmentée de pénalités de réseau.
• Approximation des sous-processus latents : Puisque les sous-processus latents sont inobservables, les auteurs proposent une méthode de projection robuste pour reconstruire ces derniers à partir des coefficients agrégés observés en utilisant la synthèse d'ondelettes.
• Optimisation contrainte : Pour chaque échelle $j$ et point temporel $z$, la méthode résout un problème d'optimisation fini de dimension, convexe et pénalisé par le réseau (en utilisant la sélection de covariance graphique, par exemple glasso), afin d'estimer la matrice de précision $\Theta_j(z)$. Cela garantit que les zéros structurels du réseau sont strictement imposés dans l'estimateur.
• Consistance : Les auteurs prouvent que les estimateurs spectraux de sous-processus lissés sont asymptotiquement convergents en moyenne quadratique et que les estimateurs de précision contraints par le réseau sont uniques et consistants.

Résultats clés

Études de simulation

Le cadre a été évalué par rapport à l'approche MvLSW non contrainte standard (Park et al., 2014) à travers diverses topologies de réseaux (5, 10 et 25 nœuds) et divers types de modulations non stationnaires (bouffées transitoires, points de rupture, tendances).

• Précision : Le cadre Net-LSW a systématiquement surpassé le MvLSW. Pour l'estimation de la cohérence partielle dans un réseau de 10 nœuds, le Net-LSW a atteint une MSE de 0,00272 contre 0,03681 pour le MvLSW (une réduction de l'erreur de plus de 92 %).
• Scalabilité : À mesure que la taille du réseau augmentait, l'erreur du Net-LSW diminuait, tandis que l'erreur du MvLSW augmentait considérablement.
• Robustesse : La méthode a maintenu ses performances à travers différentes densités d'arêtes (10 % à 50 %) et tailles d'échantillons, démontrant que l'imposition de contraintes structurelles améliore la stabilité de l'estimation, même dans des configurations de réseau denses.
• Comportement asymptotique : Alors que le MvLSW montrait des signes de rupture asymptotique (l'erreur augmentant avec la taille de l'échantillon dans des scénarios complexes), le Net-LSW a démontré une consistance claire lorsque $T \to \infty$.

Application empirique : Réseau bancaire mondial

Le cadre a été appliqué aux volatilités quotidiennes des prix des actions de 83 grandes banques mondiales (août 2015 – décembre 2023).

• Construction du réseau : Un graphe de connectivité statique a été dérivé d'une décomposition de la variance de l'erreur de prévision généralisée (GFEVD) à partir d'un modèle VAR de haute dimension, avec des arêtes élaguées pour former un composant géant connecté.
• Résultats :
  • Choc de la COVID-19 : Le modèle a capturé une augmentation localisée et nette de la dépendance directe (cohérence partielle) entre les banques de premier plan américaines (JPMorgan Chase et Citigroup) à des échelles fines ($j=1$), indiquant une transmission rapide du stress sur un horizon court.
  • Brexit : Une forte bouffée localisée de cohérence partielle a été observée entre les banques britanniques et européennes (HSBC, Société Générale) à des échelles fines pendant le référendum de 2016, suivie d'un mouvement conjoint à échelle moyenne pour d'autres paires (Lloyds, Standard Chartered) s'étendant durant la période de la COVID-19.
  • Validation des contraintes : Pour les paires de banques sans arête directe dans le réseau (par exemple, HSBC–Barclays), le cadre a correctement imposé une cohérence partielle nulle, filtrant efficacement les facteurs de marché communs qui entraînaient un mouvement conjoint inconditionnel.

Signification et revendications

L'article affirme les contributions suivantes :

1. Unification théorique : Il fournit la première connexion formelle entre les innovations structurées par réseau et la modélisation graphique de séries temporelles non stationnaires, établissant un « graphe de corrélation partielle locale » où les arêtes manquantes correspondent à des zéros structurels dans la matrice de précision dépendante du temps et de l'échelle.
2. Innovation méthodologique : Il résout le désalignement topologique de l'estimation classique des ondelettes en introduisant une procédure d'estimation par sous-processus, échelle par échelle. Cela permet de formuler un problème d'optimisation convexe et traitable qui respecte les contraintes de réseau sans l'intraitabilité de l'inversion d'opérateurs de dimension infinie.
3. Utilité pratique : Le cadre réussit à récupérer les structures de dépendance évolutives dans des systèmes de haute dimension et non stationnaires, comme en témoigne sa capacité à identifier les changements systémiques variables dans le temps lors de chocs financiers majeurs (Brexit, COVID-19) tout en adhérant strictement à la topologie du réseau sous-jacent.

Les auteurs concluent que bien que le cadre actuel suppose un réseau statique, il constitue une base robuste pour modéliser les dépendances multiscalaires et variant dans le temps, les travaux futurs pouvant potentiellement traiter l'inclusion d'arêtes variant dans le temps.