Riepilogo Tecnico: MA a Innovazione Centrata per ARMA Dirichlet Bayesiano

1. Enunciato del Problema

Le serie temporali composizionali, in cui le osservazioni sommano a un totale fisso (ad esempio, le quote degli asset bancari), sono spesso modellate utilizzando la distribuzione Dirichlet mappata nello spazio euclideo tramite la trasformazione log-rapporto additivo (ALR). Nei modelli bayesiani Dirichlet ARMA (B–DARMA) guidati dalle osservazioni, il blocco della media mobile (MA) utilizza tipicamente il residuo ALR grezzo, definito come $\epsilon_t^{raw} = \text{alr}(y_t) - \eta_t$, dove $\eta_t$ è il predittore lineare.

Sorge un problema teorico fondamentale sotto precisione finita ($\phi_t$): il valore atteso condizionato dell'osservazione trasformata in ALR, $E[\text{alr}(Y_t) | \mu_t, \phi_t]$, non è uguale al predittore lineare $\eta_t$. Invece, è una funzione digamma dei parametri di concentrazione. Di conseguenza, il residuo grezzo $\epsilon_t^{raw}$ possiede una media condizionata non nulla dell'ordine di $O(\phi_t^{-1})$. Questo bias distorce il percorso della media condizionata, oscura l'interpretazione dei coefficienti MA e introduce uno spostamento deterministico che i prior non anticipano. Mentre gli approcci frequentisti aggirano il problema utilizzando collegamenti basati sulla digamma che mancano di inversi in forma chiusa, il quadro bayesiano spesso mantiene il collegamento ALR per la trattabilità, lasciando questo bias irrisolto.

2. Metodologia

Il documento propone una modifica analitica minima al quadro B–DARMA: sostituire il regressore MA grezzo con un'innovazione centrata.

2.1 L'Innovazione Centrata

Invece di utilizzare $\epsilon_t^{raw}$, gli autori definiscono l'innovazione centrata $\epsilon_t^\circ$ come:
$$\epsilon_t^\circ = \text{alr}(y_t) - E[\text{alr}(Y_t) | \mu_t, \phi_t]$$
Il termine della media condizionata $E[\text{alr}(Y_t) | \mu_t, \phi_t]$ è disponibile in forma chiusa tramite identità digamma:
$$g(\mu_t, \phi_t)_j = \psi(\phi_t \mu_{tj}) - \psi(\phi_t \mu_{tj^\star})$$
dove $\psi(\cdot)$ è la funzione digamma e $j^\star$ è la componente di riferimento. Questo aggiustamento garantisce che l'innovazione MA abbia una media condizionata pari a zero, ripristinando l'interpretazione standard degli shock MA senza alterare la verosimiglianza Dirichlet o richiedere un'inversione numerica.

2.2 Equivalenza Teorica

Il documento stabilisce un'equivalenza di primo ordine a livello di ricorsione tra la specifica centrata e un ipotetico DARMA a collegamento digamma nel regime di alta precisione ($\phi_t \to \infty$).

• Teorema 1: Sotto condizioni esplicite di interno (lontano dal bordo del simplesso) e di stabilità del ritardo, la ricorsione a innovazione centrata e la ricorsione a collegamento digamma differiscono per $O(r_T)$, dove $r_T = \max \phi_t^{-1}$.
• Implicazione: Nei regimi di alta precisione, le due specifiche dovrebbero essere predittivamente indistinguibili a livello di ricorsione. Tuttavia, il documento chiarisce che questa equivalenza teorica non governa automaticamente la geometria delle posteriori bayesiane prodotte durante la ristima dei parametri.

2.3 Ricorsione di Previsione

Un vantaggio pratico chiave della specifica centrata è il ripristino della ricorsione di previsione ARMA standard.

• Centrata: Gli shock futuri si integrano a zero. La media condizionata a un passo avanti dipende solo dagli shock osservati.
• Grezza: I residui grezzi futuri contribuiscono tramite la loro media condizionata non nulla, introducendo un termine di bias che complica la logica della previsione multi-step.

3. Applicazione Empirica

La metodologia è valutata sulle quote settimanali degli asset bancari della Federal Reserve H.8 (Cassa, Titoli, Prestiti, Altro) da ottobre 2015 a ottobre 2025 ($T=522$).

• Protocollo: Una valutazione a un passo scorrevole su 104 origini settimanali.
• Confronto: Sono utilizzati covariate, prior e impostazioni del campionatore identiche (Hamiltonian Monte Carlo tramite Stan) sia per le specifiche "MA-Grezza" che per le specifiche "MA-Centrata".
• Sensibilità: Viene condotta un'analisi a quattro riferimenti, utilizzando Cassa, Titoli, Prestiti e "Altro" come componente di riferimento ALR a turno.

4. Risultati Chiave

4.1 Prestazioni Predittive

• Indistinguibilità: Le prestazioni predittive delle due specifiche sono statisticamente indistinguibili su tutte le metriche di accuratezza (ELPD, RMSE, MAE e copertura).
• Invarianza del Riferimento: Questa equivalenza vale indipendentemente dalla componente di riferimento ALR scelta. La differenza cumulativa nella Densità Predittiva Logaritmica Attesa (ELPD) è trascurabile (ad esempio, +0,37 nat per il riferimento Prestiti, con una differenza media per origine di +0,0035 nat).
• Coerenza con la Teoria: Questi risultati si allineano con l'equivalenza teorica di alta precisione, poiché la precisione realizzata $\phi_t$ è rimasta ben al di sopra dell'unità (spesso >80) durante la finestra di test.

4.2 Geometria del Campionamento (Hamiltonian Monte Carlo)

Sebbene l'accuratezza predittiva sia identica, le proprietà geometriche della posteriore differiscono nettamente:

• Transizioni Divergenti: La specifica Grezza soffre di un numero significativamente maggiore di transizioni divergenti HMC, indicando una geometria posteriore patologica (regioni strette, curve o a imbuto).
  • Riferimento Prestiti: La MA Grezza ha prodotto 446 divergenze su 104 origini, rispetto a sole 34 per la MA Centrata (un rapporto di circa 13:1).
  • Casi Estremi: Una singola origine a febbraio 2025 ha generato 211 divergenze per la specifica Grezza (con un fattore di riduzione della scala potenziale $\hat{R}$ di 1,58), mentre la specifica Centrata è rimasta pulita.
• Dipendenza del Riferimento della Geometria: L'entità del vantaggio geometrico varia in base al riferimento. È più drammatico per il riferimento Prestiti (dove i fit Grezzi falliscono occasionalmente in modo catastrofico) e diminuisce fino alla parità per il riferimento Cassa, dove entrambe le specifiche si comportano bene.
• ESS e $\hat{R}$: La specifica Centrata produce costantemente dimensioni del campione effettivo (ESS) bulk più elevate e valori massimi di $\hat{R}$ più bassi, indicando una convergenza più affidabile.

5. Significato e Affermazioni

Il documento afferma che il valore principale della centralizzazione è operativo piuttosto che predittivo.

1. Robustezza Operativa: Nei flussi di lavoro di produzione in cui la simulazione della posteriore alimenta test di stress a valle e la gestione attivo-passivo, i "picchi di divergenza catastrofica della MA grezza" che si verificano in origini scorrevoli isolate sotto la specifica grezza rappresentano un modo di fallimento critico. La specifica centrata evita questi picchi senza intervento dell'operatore (ad esempio, rifitting automatici).
2. Costo Minimo: L'aggiustamento è analitico, plug-in e richiede solo una modifica locale al calcolo dell'innovazione MA. Preserva il contenuto predittivo del modello migliorando significativamente il condizionamento della posteriore per i coefficienti MA.
3. Chiarimento Teorico: Il lavoro chiarisce che, sebbene le specifiche grezza e centrata siano predittivamente equivalenti nei regimi di alta precisione, la specifica grezza introduce uno spostamento deterministico che crea tensione inutile nella posteriore congiunta, portando a patologie di campionamento che la formulazione centrata risolve.

Gli autori concludono che la centralizzazione dovrebbe essere il default naturale per i termini MA nei modelli ARMA Dirichlet guidati dalle osservazioni, in particolare quando la qualità della simulazione della posteriore è una priorità per le applicazioni a valle.