Nonparametric estimation of trawl processes: Theory and applications

1. Il Problema e il Contesto

I processi trawl costituiscono una classe versatile di processi stocastici stazionari a tempo continuo e a divisibilità infinita. Sono definiti come l'evoluzione di una base di Lévy $L$ valutata su insiemi deterministici chiamati "insiemi trawl" ($A_t$). La caratteristica distintiva di questi processi è la capacità di modellare indipendentemente la distribuzione marginale (divisibilità infinita) e la dipendenza seriale (memoria corta o lunga).

Nonostante la loro ampia applicabilità in finanza (es. spread bid-ask), turbolenza e modelli di code stocastiche, l'inferenza statistica sui processi trawl si è finora limitata quasi esclusivamente a contesti parametrici. Questo approccio richiede di assumere a priori una forma funzionale specifica per la funzione trawl $a(\cdot)$ (es. esponenziale, SupGamma), il che può portare a errori di specificazione del modello se la forma reale dei dati è più complessa o sconosciuta.

Il problema centrale affrontato in questo lavoro è lo sviluppo di una teoria di stima non parametrica per la funzione trawl $a(\cdot)$, permettendo di ricostruire la struttura di dipendenza del processo direttamente dai dati senza vincoli parametrici rigidi.

2. Metodologia Proposta

Gli autori propongono un estimatore non parametrico basato sulla relazione fondamentale tra la funzione di autocovarianza $\Gamma_X(h)$ e la funzione trawl $a(\cdot)$. Per un processo trawl con varianza del "seme di Lévy" normalizzata a 1, vale la relazione:
$$\Gamma'_X(h) = -a(h) \quad \text{per } h \ge 0$$
dove $\Gamma'_X$ è la derivata della funzione di autocovarianza.

La metodologia si articola nei seguenti passaggi:

1. Costruzione dell'Estimatore: Si stima la funzione trawl $a(t)$ derivando numericamente l'estimatore della funzione di autocovarianza campionaria $\hat{\Gamma}_l$.
   • Per $t > 0$: $\hat{a}(t) = -\Delta_n^{-1} [\hat{\Gamma}_{l+1} - \hat{\Gamma}_l]$.
   • Per $t = 0$: Si utilizza una versione della varianza realizzata per ridurre il bias e l'errore dovuto alla media campionaria.
2. Schema Asintotico Doppio: La teoria asintotica è sviluppata sotto uno schema di campionamento che combina:
   • In-fill asymptotics: $\Delta_n \to 0$ (frequenza di campionamento crescente).
   • Long-span asymptotics: $n \Delta_n \to \infty$ (lunghezza totale dell'osservazione crescente).
3. Correzione del Bias e Stima della Varianza: Poiché l'estimatore grezzo presenta un bias asintotico legato all'errore di discretizzazione (specialmente quando $n \Delta_n^3 \not\to 0$), gli autori propongono:
   • Un estimatore per la derivata $a'(t)$ per correggere il bias.
   • Nuovi stimatori consistenti per il bias asintotico e la varianza asintotica (ABI e AVAR), necessari per costruire teoremi del limite centrale (CLT) "fattibili" (feasible), utilizzabili nella pratica.
4. Stima delle "Fette" (Slice Estimation): Vengono sviluppati stimatori per le intersezioni e le differenze degli insiemi trawl ($\text{Leb}(A \cap A_h)$, ecc.), fondamentali per la previsione non parametrica dei processi.

3. Contributi Chiave

• Prima Teoria Non Parametrica: Questo lavoro presenta la prima teoria di stima non parametrica completa per i processi trawl, inclusa la consistenza e la normalità asintotica.
• Indipendenza dalla Memoria: Un risultato teorico sorprendente è che la distribuzione asintotica dell'estimatore non dipende dal fatto che il processo abbia memoria corta o lunga. Questo semplifica notevolmente l'inferenza, rendendo il metodo robusto a diverse strutture di dipendenza.
• Teoremi del Limite Centrale Fattibili: Gli autori derivano CLT che includono la stima del bias e della varianza, permettendo la costruzione di intervalli di confidenza e test di ipotesi direttamente applicabili ai dati reali.
• Metodologia per la Previsione: Viene proposta una strategia di previsione non parametrica che utilizza le stime delle "fette" dell'insieme trawl, superando le limitazioni dei metodi basati solo sull'autocorrelazione empirica.
• Software: Il lavoro è accompagnato dal pacchetto R ambit, che implementa tutte le nuove metodologie.

4. Risultati Principali

• Simulazioni: Uno studio di simulazione estensivo (con distribuzioni marginali Negative Binomial, Gamma e Gaussiane, e funzioni trawl esponenziali e SupGamma) dimostra che:
  • Gli stimatori sono consistenti e mostrano buone prestazioni in campioni finiti.
  • La correzione del bias è cruciale, specialmente per tempi piccoli e in regimi di memoria lunga.
  • Gli stimatori basati sulla funzione trawl non parametrica superano o eguagliano quelli parametrici corretti e superano nettamente quelli parametrici errati.
• Applicazioni Empiriche:
  1. Test di Misspecificazione: Il metodo permette di rilevare strutture complesse (es. punti di rottura nella funzione trawl) che vengono nascoste quando si analizza solo l'autocorrelazione (ACF). Viene dimostrato come un modello parametrico esponenziale possa fallire nel catturare la vera struttura dei dati.
  2. Previsione Finanziaria: Applicato agli spread bid-ask di azioni ad alta frequenza (dati LOBSTER), il predittore basato sulla funzione trawl non parametrica mostra errori quadratici medi (MSE) inferiori rispetto ai predittori basati su ACF empirica e modelli parametrici (esponenziale e SupGamma).
  3. Code Stocastiche: Viene applicato alla stima della distribuzione dei tempi di occupazione (busy-time) in una coda M/G/$\infty$, collegando i processi trawl a sistemi di coda reali.

5. Significato e Impatto

Questo studio rappresenta un passo fondamentale nella statistica dei processi stocastici a divisibilità infinita.

• Flessibilità: Rimuove la necessità di assumere a priori la forma della dipendenza seriale, offrendo uno strumento esplorativo potente per la scoperta di strutture di dati complesse.
• Robustezza: La capacità di gestire sia la memoria corta che quella lunga senza modificare la procedura di stima rende il metodo ampiamente applicabile.
• Praticità: Fornisce strumenti statistici rigorosi (intervalli di confidenza, test di specificazione) che erano precedentemente assenti per i processi trawl, facilitando il loro utilizzo in ambiti critici come la finanza quantitativa e la modellazione del rischio.

In sintesi, Sauri e Veraart trasformano i processi trawl da un modello puramente teorico o parametrico in una classe di modelli flessibile e inferenzialmente solida, pronta per l'analisi di dati reali complessi.