Moving Aggregate Modified Autoregressive Copula-Based Time Series Models (MAGMAR-Copulas)

1. Il Problema

I modelli di serie temporali basati su copule sono strumenti flessibili per modellare dipendenze temporali non lineari e distribuzioni marginali complesse. Tuttavia, questi modelli tradizionali presentano un limite fondamentale: assumono implicitamente che il processo segua una proprietà di Markov di ordine finito ($p$). Ciò significa che lo stato corrente $X_t$ dipende solo da un numero finito di valori passati ($X_{t-1}, \dots, X_{t-p}$).

Nella realtà, molte serie temporali (ad esempio, l'inflazione o la volatilità finanziaria) mostrano un comportamento persistente o una dipendenza parziale che non si interrompe bruscamente (non-cut-off autodependence). Estendere l'ordine di Markov a un valore arbitrariamente alto rende il modello non fattibile a causa dell'aumento infinito dei parametri. Esiste quindi la necessità di un modello basato su copule che possa catturare una dipendenza parziale di ordine infinito, analogamente a quanto fatto dai modelli classici ARMA (che introducono termini di media mobile per superare i limiti degli AR) e GARCH (per la persistenza nella varianza).

2. Metodologia: Il modello MAGMAR-Copula

L'autore propone una modifica ai modelli di serie temporali basati su copule introducendo una componente di Media Mobile Aggregata (Moving Aggregate - MAG) nell'equazione di aggiornamento.

• Struttura del Modello: Il modello MAGMAR(p, q) combina una parte autoregressiva (AR) e una parte MAG.
  • Parte AR: Utilizza una copula stazionaria (spesso modellata tramite una struttura D-vine) per catturare la dipendenza dai valori passati.
  • Parte MAG: È una funzione non lineare delle innovazioni correnti e passate ($w_t, w_{t-1}, \dots, w_{t-q}$). La forma funzionale della parte MAG è definita come una funzione quantile condizionale corrispondente a una copula (denominata MAG-Copula).
• Equazione di Aggiornamento: Invece di usare direttamente l'innovazione $w_t$ come nei modelli AR standard, l'equazione di aggiornamento per le pseudo-osservazioni $U_t$ (trasformate in distribuzione uniforme) diventa:
  $$R_{\phi}^{-1}(U_t, U_{t-1}, \dots) = (R_{\theta}^{-1})^{-1}(w_t, w_{t-1}, \dots)$$
  Dove $R$ rappresenta le funzioni di Rosenblatt (composizioni di funzioni $h$ delle copule).
• Rappresentazioni Infinte: Il modello ammette rappresentazioni sia AR($\infty$) che MAG($\infty$), dimostrando che ogni osservazione passata ha un'influenza sulla corrente, eliminando la restrizione di Markov finita.
• Trasformazione di Aggiustamento: Poiché la distribuzione stazionaria incondizionata di un processo MAGMAR non è necessariamente uniforme (come richiesto dalla teoria delle copule), l'autore introduce una trasformazione di aggiustamento $\Psi$. Questa trasformazione garantisce che la distribuzione marginale finale sia standard-uniforme, permettendo una corretta specificazione del modello.

3. Contributi Chiave

1. Generalizzazione Non Lineare dell'ARMA: Il modello MAGMAR-Copula è una generalizzazione non lineare del classico modello ARMA. Dimostrato che i modelli ARMA lineari e i modelli basati su copule Markoviani sono casi particolari annidati all'interno di MAGMAR.
2. Gestione della Persistenza: Introduce un meccanismo per catturare la persistenza a lungo termine (dipendenza infinita) nelle serie temporali non lineari, superando il limite dell'ordine di Markov finito.
3. Proprietà Distributive e Stazionarietà: Vengono derivate le proprietà distributive del modello, inclusa la dimostrazione della stazionarietà ed ergodicità per il caso MAGMAR(1,1) quando la copula AR soddisfa una proprietà di "contrazione in media" (contraction-on-average).
4. Metodologia di Stima: Viene sviluppato un algoritmo iterativo per la Massima Verosimiglianza (MLE). Poiché la distribuzione stazionaria non è nota a priori, si propone un approccio in due fasi: stima iniziale sui dati trasformati, stima della distribuzione stazionaria implicata, e successiva ri-stima sui dati ri-trasformati.
5. Criteri di Selezione del Modello: Vengono discussi criteri per la selezione degli ordini $p$ e $q$ e delle famiglie di copule, basandosi su misure di dipendenza parziale (kpacf) e dipendenza di coda.

4. Risultati

• Studio di Simulazione:
  • Gli stimatori di massima verosimiglianza mostrano consistenza e normalità asintotica per campioni sufficientemente grandi.
  • L'approccio iterativo di stima (con la trasformazione $\Psi$) corregge efficacemente il bias iniziale causato dalla specificazione errata della distribuzione marginale.
  • Il modello MAGMAR riesce a catturare dipendenze temporali complesse che i modelli Markoviani (con ordini finiti) o i modelli a dipendenza parziale infinita (IPD) di McNeil e Bladt (2022) faticano a rappresentare con la stessa parsimonia parametrica.
• Applicazione all'Inflazione USA:
  • Il modello è stato applicato all'inflazione trimestrale degli Stati Uniti (dati 1960-2020).
  • I risultati mostrano che il modello MAGMAR(4,1) con copule Gumbel (per l'asimmetria) e t-Student (per le code pesanti), dopo due iterazioni di aggiustamento ($\Psi(2)$), ottiene i valori AIC e BIC più bassi rispetto ai modelli di riferimento (inclusi i modelli IPD e le versioni lineari ARMA).
  • L'analisi dei residui conferma che il modello cattura efficacemente la dinamica dei dati, lasciando poca struttura non spiegata.
  • La necessità di una parte MAG (ordine $q>0$) suggerisce che il processo generatore dei dati dell'inflazione USA non soddisfa l'assunzione di Markov di ordine finito.

5. Significato e Implicazioni

Il lavoro di Pappert rappresenta un avanzamento significativo nella modellazione delle serie temporali non lineari.

• Teorico: Colma il divario tra i modelli classici ARMA (che gestiscono la persistenza tramite media mobile lineare) e i modelli basati su copule (che gestiscono la non linearità ma spesso falliscono nella persistenza a lungo termine).
• Pratico: Offre uno strumento robusto per la modellazione di fenomeni economici e finanziari caratterizzati da "memoria lunga", asimmetria e code pesanti, come l'inflazione o la volatilità dei mercati.
• Flessibilità: La capacità di scegliere diverse famiglie di copule per le parti AR e MAG permette di adattare il modello a diverse strutture di dipendenza (es. asimmetria nelle code, dipendenza pesante).

In sintesi, il modello MAGMAR-Copula estende il paradigma delle serie temporali basate su copule rendendolo capace di gestire la persistenza infinita, mantenendo al contempo la flessibilità nella modellazione delle distribuzioni marginali e delle strutture di dipendenza non lineari.