Riepilogo Tecnico: Causalità di Granger negli Estremi

1. Definizione del Problema

La scoperta causale nelle serie temporali è fondamentale per comprendere i sistemi dinamici, in particolare durante i periodi di alta volatilità ed eventi estremi. Tuttavia, i metodi allo stato dell'arte si concentrano prevalentemente sulla causalità all'interno del "corpo" della distribuzione (ad esempio, la causalità nella media o nella varianza). Questi approcci classici spesso non riescono a catturare i meccanismi che si manifestano esclusivamente durante gli eventi estremi, come l'impatto dei rendimenti azionari estremi su altri asset o delle precipitazioni estreme sulle piene dei fiumi. Inoltre, l'inferenza causale standard è altamente sensibile ai confonditori nascosti, e i metodi esistenti per l'analisi degli eventi estremi si affidano spesso a forti assunzioni riguardanti la variazione regolare, l'equivalenza delle code o modelli parametrici specifici che ne limitano l'applicabilità sia a variabili a coda pesante che a coda leggera.

Il documento affronta la necessità di un framework che definisca e inferisca formalmente la causalità di tipo Granger specificamente nel contesto degli eventi estremi, capace di gestire serie non lineari e ad alta dimensionalità, ed essendo robusto rispetto al confondimento nascosto sotto specifiche condizioni di coda.

2. Metodologia

2.1 Framework Teorico: Causalità negli Estremi

Gli autori introducono due nuove definizioni di causalità negli estremi per un processo bivariate $(X, Y)$, condizionato su un insieme di variabili $Z$ (che può includere i valori passati di $X$ e $Y$ e potenziali confonditori). Queste definizioni si basano sul coefficiente di coda causale, una generalizzazione del coefficiente introdotto da Gnecco et al. (2020).

Sia $F$ una funzione di distribuzione con $F(x) < 1$ per ogni $x$. Il coefficiente di coda causale aggiustato per $Z$ è definito come:
$$\Gamma_{X \to Y|C} := \lim_{v \to \infty} \mathbb{E}[F(Y_{t+1}) \mid X_t > v, C^{-X}_t]$$
dove $C^{-X}_t$ rappresenta l'insieme informativo escludendo il passato di $X$.

Il documento definisce due forme di causalità estrema:

1. Causalità di Coda ($X \xrightarrow{tail} Y$): La coda superiore di $X$ causa la coda di $Y$ se l'aspettativa condizionata sopra differisce dall'aspettativa di base $\mathbb{E}[F(Y_{t+1}) \mid C^{-X}_t]$.
2. Causalità Estrema ($X \xrightarrow{ext} Y$): Un evento estremo in $X$ causa un evento estremo in $Y$ se il coefficiente è uguale a 1 quasi certamente. Ciò implica che un evento estremo in $X$ rende certo un evento estremo in $Y$ (la probabilità si avvicina a 1).

Il framework si estende a lag non unitari (lag massimo $p$), effetti istantanei, entrambe le code (usando $|X|$ e $|Y|$) e supporti limitati.

2.2 Equivalenza e Robustezza

Gli autori stabiliscono formali equivalenze tra queste nuove definizioni e i concetti classici:

• Sotto l'Assunzione A1 (la dipendenza strutturale non svanisce nelle code), $X \xrightarrow{ext} Y \iff X \xrightarrow{tail} Y \iff X \xrightarrow{G} Y$ (causalità di Granger).
• Robustezza ai Confonditori Nascosti: Un contributo teorico chiave è la dimostrazione che, sotto assunzioni di variazione regolare (specificamente l'assunzione di Grey) e stazionarietà, l'aggiustamento per i confonditori $Z$ può essere ignorato quando si testa la causalità estrema. Nello specifico, $\Gamma_{X \to Y|C} = 1 \iff \Gamma_{X \to Y|\emptyset} = 1$. Ciò consente il rilevamento di legami causali estremi senza dover modellare esplicitamente i confonditori ad alta dimensionalità, a condizione che il comportamento estremo di $X$ sia sufficientemente guidato dalle proprie innovazioni.

2.3 Stima e Inferenza

Il documento propone una procedura di inferenza non parametrica e senza modello:

• Stimatore: Un estimatore basato sul campione $\hat{\Gamma}_{X \to Y|Z}$ è costruito mediando $F(y_{t+1})$ su un sottoinsieme di passi temporali $S$ in cui $X_t$ è estremo (supera una soglia $\tau_n$) e i confonditori $Z_t$ (e potenzialmente $Y_t$) non sono estremi.
• Selezione dell'Insieme: Sono proposti due insiemi per $S$:
  • $S_1$: Condiziona su $X_t$ estremo e $Z_t$ (e $Y_t$) al di sotto di una soglia fissa.
  • $S_2$: Condiziona su $X_t$ estremo e $(Y_t, Z_t)$ all'interno di una piccola sfera attorno a un punto specifico $(y_0, z_0)$.
• Consistenza: Il Teorema 2 e il Teorema 3 dimostrano che questi stimatori sono consistenti al tendere di $n \to \infty$.
• Algoritmo: Un algoritmo di classificazione (Algoritmo 1) confronta il coefficiente stimato con una linea di base. Se $\hat{\Gamma} \approx 1$, conclude la causalità estrema; altrimenti, conclude l'assenza di causalità estrema.
• Estensione Multivariata: L'Algoritmo 2 estende questo processo alla stima di un intero grafo causale per $m$ variabili. Esso sfrutta la proprietà di robustezza per eseguire prima uno screening a coppie (ignorando i confonditori) e poi raffinare il grafo condizionandosi sui genitori, raggiungendo una complessità temporale di $O(m^2 n \log n)$.
• Test: Viene utilizzata una procedura di moving block bootstrap per costruire intervalli di confidenza per i test di causalità di coda, preservando le dipendenze temporali.

3. Risultati Chiave

3.1 Contributi Teorici

• Equivalenza: Il documento prova che, sotto deboli assunzioni strutturali (A1/A2), la causalità negli estremi è equivalente alla causalità di Granger e alla causalità strutturale classica.
• Robustezza al Confondimento: Il Teorema 1 stabilisce che per processi a variazione regolare che soddisfano l'assunzione di Grey, la presenza di confonditori nascosti non altera il rilevamento della causalità estrema ($\Gamma=1$) se il percorso diretto domina il percorso di confondimento nelle code.
• Teorema del "No-Free-Lunch": Gli autori dimostrano che senza restringere la classe di modelli (ad esempio, ai modelli causali strutturali), non esiste un test di livello valido per la non-causalità di Granger o la non-causalità negli estremi, evidenziando la necessità delle assunzioni strutturali utilizzate.

3.2 Prestazioni Empiriche

• Simulazioni: Studi comparativi contro metodi allo stato dell'arte (PCMCI con RobustParCorr e GPDC) su modelli VAR e GARCH (sia Gaussiani che a coda pesante) mostrano che il metodo proposto:
  • Raggiunge errori di modello medi significativamente inferiori in quasi tutti i setting, particolarmente in scenari ad alta dimensionalità e a coda pesante.
  • È computazionalmente più efficiente (ad esempio, ~6 secondi rispetto a >1 ora per PCMCI-GPDC su un dataset di 20 variabili).
  • Dimostra robustezza ai confonditori nascosti dove altri metodi falliscono.
• Applicazioni nel Mondo Reale:
  • Idro-meteorologia: Applicato ai dati di scarico fluviale e precipitazioni in Svizzera. Il metodo ha identificato con successo che le precipitazioni estreme in una stazione sorgente causano scarichi estremi nelle stazioni a valle (causalità estrema), mostrando solo causalità di coda per le stazioni in cui il legame causale è probabilistico o bloccato dalla geografia.
  • Criptovalute: Analizzato 14 rendimenti ad alta frequenza di criptovalute. Il framework ha identificato Bitcoin e Litecoin come i principali driver dei movimenti estremi del mercato, rivelando strutture causali coerenti che si allineano con la conoscenza del mercato (ad esempio, Bitcoin come indicatore anticipatore).

4. Significato e Rivendicazioni

Il documento sostiene di fornire il primo framework formale per la causalità di Granger negli estremi che colma il divario tra causalità predittiva e analisi degli eventi estremi. La sua importanza risiede nel:

1. Gestione degli Estremi: Offrire uno strumento progettato specificamente per eventi ad alto impatto e bassa probabilità, dove i metodi classici basati sulla media sono insufficienti.
2. Robustezza: Fornire una garanzia teorica che i legami causali estremi possano essere rilevati anche in presenza di confonditori nascosti, una sfida maggiore nell'inferenza causale osservazionale.
3. Utilità Pratica: Fornire un'implementazione open-source, veloce e non parametrica che supera i metodi allo stato dell'arte esistenti in termini di accuratezza e velocità, applicabile a campi che spaziano dalla finanza alla scienza del clima.

Gli autori osservano che, sebbene il framework sia potente, esso si basa su specifiche assunzioni di coda (variazione regolare, assunzione di Grey) e proprietà strutturali. Essi riconoscono questioni aperte riguardanti l'estensione di questi risultati di robustezza alle assunzioni di Kesten-Goldie e lo sviluppo di alternative più veloci e teoricamente giustificate alla procedura di test bootstrap.