Seasonality in Mixed Causal-Noncausal Processes

Questo articolo dimostra che, nei modelli autoregressivi misti causali-noncausali, le radici stagionali possono essere isolate nella rappresentazione a media mobile senza generare nuovi effetti stagionali congiunti, con implicazioni significative per la selezione del modello verificate tramite simulazioni Monte Carlo e applicazioni empiriche.

L'essenziale

🌧️ Il Meteo, le Onde e i "Fantasmi" del Futuro: Una Guida alle Serie Temporali

Immagina di guardare le previsioni del tempo. Di solito, pensiamo che il tempo di oggi sia causato solo da ciò che è successo ieri e l'altro ieri. Se oggi piove, è perché ieri c'era una nuvola. Questo è il modo "causale" classico di vedere il mondo: il passato determina il futuro.

Ma cosa succede se il mondo funzionasse in modo diverso? Cosa se, in certi momenti, il futuro potesse "tirare" il passato? Sembra magia, o forse un film di fantascienza, ma in economia e finanza questo accade davvero. È quello che gli autori chiamano processo non causale.

Questo paper è come una mappa per navigare in un mondo dove il passato e il futuro si mescolano, e dove le cose si ripetono in modo stagionale (come le stagioni dell'anno), ma in modo complicato.

1. Il Problema: Le Stagioni Nascoste

Immagina di ascoltare una canzone. A volte senti un ritmo che si ripete ogni 4 battute (la "stagionalità").

• I modelli classici (AR) sono come un DJ che sa solo mixare i dischi che ha già suonato. Se c'è un ritmo, lo vede solo guardando indietro.
• I modelli misti (MAR) sono come un DJ che ha un disco magico: può mixare ciò che ha già suonato e anticipare ciò che suonerà tra un attimo. Questo permette di spiegare esplosioni improvvise (come bolle speculative) o picchi di virus (come il COVID) che i modelli classici non riescono a catturare bene.

Il problema? Quando mescoli il passato e il futuro, diventa un caos capire da dove arrivano quei ritmi stagionali. È come se due orchestre suonassero insieme: creano nuove note o semplicemente suonano le stesse note in modo diverso?

2. La Scoperta: Il Trucco della "Decomposizione"

Gli autori del paper hanno scoperto una cosa fondamentale usando un trucco matematico chiamato decomposizione in frazioni parziali (immaginalo come smontare un giocattolo Lego per vedere i singoli pezzi).

Hanno dimostrato che:

Non importa quanto mescoli passato e futuro, le "note stagionali" (i ritmi che si ripetono) non si creano dal nulla.

Se senti un ritmo che si ripete ogni 6 mesi, quel ritmo esiste già nel pezzo "passato" o nel pezzo "futuro" della musica. Non nasce dalla mescolanza dei due. È come se avessi due casse acustiche: se una suona un basso e l'altra un violino, non otterrai mai un nuovo strumento magico. Otterrai solo un mix di basso e violino.

L'analogia del Puzzle:
Immagina di avere un puzzle con pezzi rossi (passato) e pezzi blu (futuro). Se vedi un'immagine stagionale (ad esempio, un fiore che sboccia), quel fiore è fatto solo di pezzi rossi o solo di pezzi blu. Non puoi creare un fiore "nuovo" incollando un pezzo rosso a un pezzo blu. Questo semplifica enormemente il lavoro degli scienziati: non devono cercare combinazioni impossibili, ma solo capire quali pezzi appartengono a quale colore.

3. Perché è Importante? (La Selezione del Modello)

Prima di questa scoperta, scegliere il modello giusto era come cercare un ago in un pagliaio. C'erano troppe combinazioni possibili di "passato" e "futuro" da testare.

Grazie a questa scoperta, il processo diventa più semplice:

1. Guarda il puzzle intero: Prima analizza il modello classico (solo passato) per vedere quali pezzi (radici) ci sono.
2. Assegna i pezzi: Se trovi un "pezzo stagionale" complesso (come una coppia di numeri che girano in tondo, chiamati coniugati complessi), devi assegnarlo tutto al passato o tutto al futuro. Non puoi spezzarlo a metà.
3. Risparmia tempo: Questo riduce drasticamente il numero di modelli da testare. È come se ti dicessero: "Non provare a costruire un castello con i pezzi del ponte, sono incompatibili".

4. Gli Esempi Reali: Virus e Soia

Per dimostrare che la loro teoria funziona, hanno applicato il metodo a due casi reali:

• Il COVID-19 (Belgio e Italia): Hanno guardato le morti giornaliere. In Belgio, i dati facevano un'onda "a zig-zag" (su e giù) che sembrava una bolla stagionale. Il modello misto ha capito che c'era un ritmo nascosto che i modelli classici ignoravano. Ha potuto dire: "Ehi, questo picco non è solo un caso, è un ritmo che il futuro sta influenzando il presente!".
• Il Prezzo della Soia: I prezzi delle soie hanno avuto esplosioni improvvise nel tempo. Il modello ha scoperto che c'erano ritmi stagionali (ogni 6 mesi) che si mescolavano con esplosioni di mercato. Il modello misto ha fatto un lavoro migliore nel prevedere questi picchi rispetto ai modelli tradizionali.

In Sintesi: Cosa ci insegna questo paper?

Immagina di essere un detective che deve risolvere un caso di "ritmi misteriosi" in una serie di dati.

1. Il sospetto: Pensavi che il passato e il futuro mescolati potessero creare nuovi ritmi magici.
2. La verità: No! I ritmi stagionali sono come impronte digitali: sono già presenti nei singoli sospetti (passato o futuro).
3. Il vantaggio: Ora, invece di interrogare tutti i sospetti a caso, puoi sapere esattamente chi interrogare. Se trovi un'impronta complessa, sai che appartiene a un solo sospetto, non a una cospirazione di due.

Questo rende la statistica più veloce, più precisa e ci aiuta a capire meglio fenomeni caotici come le pandemie o i crolli finanziari, distinguendo il "rumore" dai veri "ritmi" della storia.

Sommario tecnico

Titolo: Stagionalità nei Processi Autoregressivi Misti Causali-Noncausali

1. Il Problema e il Contesto

Il modello autoregressivo misto causale-noncausale (MAR) è diventato uno strumento fondamentale per analizzare serie temporali caratterizzate da dinamiche non lineari, come bolle speculative ed episodi esplosivi locali, tipicamente guidati da errori non gaussiani. Tuttavia, la letteratura si è concentrata prevalentemente su radici reali positive (frequenza zero), trascurando l'impatto di radici negative e complesse che generano comportamenti stagionali o ciclici.

Il problema centrale affrontato dagli autori è la comprensione di come le radici associate alle frequenze stagionali (incluse quelle complesse coniugate) si comportino all'interno della struttura moltiplicativa dei polinomi causali e noncausali di un modello MAR. Nello specifico, si indaga se l'interazione tra le componenti causali (retrospettive) e noncausali (prospettiche) possa generare nuovi effetti stagionali congiunti o se le stagionalità rimangano isolabili nelle rispettive componenti. Inoltre, la presenza di radici complesse introduce sfide nella selezione del modello, data la natura non nidificata dei modelli MAR e il problema della bimodalità nella stima.

2. Metodologia

Gli autori adottano un approccio teorico basato sull'algebra polinomiale e sulla decomposizione in fratti semplici, integrato da simulazioni Monte Carlo e applicazioni empiriche.

• Decomposizione in Fratti Semplici: Utilizzando la rappresentazione esponenziale delle radici inverse ($\alpha_k = \rho_k e^{i\omega_k}$), gli autori dimostrano che è possibile isolare le radici associate a diverse frequenze (zero, di Nyquist e armoniche) nella rappresentazione a media mobile (MA) del processo.
• Analisi Teorica: Viene esteso il risultato ai modelli MAR, mostrando che la struttura moltiplicativa dei polinomi causali $\phi(L)$ e noncausali $\phi(L^{-1})$ non crea nuove frequenze stagionali. Le stagionalità sono determinate esclusivamente dalle radici dei singoli polinomi.
• Stima e Selezione del Modello:
  • Viene proposta una procedura in tre fasi: (1) analisi esplorativa tramite periodogramma (normalizzato) per identificare le frequenze; (2) stima di un modello pseudo-causale (equivalente al secondo ordine) per determinare l'ordine autoregressivo totale $p$ e recuperare le radici; (3) stima tramite Massima Verosimiglianza Approssimata (AMLE) per assegnare le radici ai polinomi causali o noncausali.
  • Un punto chiave è il vincolo di assegnazione: le coppie di radici complesse coniugate devono essere assegnate giuntamente a uno dei due polinomi (causale o noncausale) per garantire che i coefficienti rimangano reali. Questo riduce drasticamente lo spazio delle combinazioni possibili durante la selezione del modello.
• Simulazioni Monte Carlo: Vengono condotte 10.000 iterazioni per verificare la consistenza nella stima delle radici tramite il modello pseudo-causale e l'efficacia della procedura di selezione del modello in presenza di radici complesse.

3. Risultati Chiave

• Isolamento delle Radici Stagionali: Il risultato teorico principale è che, nonostante la struttura moltiplicativa, nessun nuovo effetto stagionale congiunto viene generato. Le radici stagionali (reali negative o complesse) possono sempre essere isolate e assegnate univocamente alla parte causale o noncausale nella rappresentazione MA.
• Semplificazione della Selezione del Modello: La presenza di coppie di radici complesse coniugate semplifica la selezione del modello MAR. Poiché tali coppie devono rimanere unite, si eliminano combinazioni di modelli non fattibili (ad esempio, un modello MAR(1,1) non è possibile se le radici del modello pseudo-causale di ordine 2 sono complesse coniugate, poiché richiederebbero di spezzare la coppia).
• Performance delle Simulazioni:
  • Le radici del modello MAR possono essere stimate in modo coerente utilizzando il modello pseudo-causale, anche in presenza di errori con coda pesante (distribuzione t-Student).
  • La procedura di selezione basata sulla massimizzazione della log-verosimiglianza identifica correttamente il modello vero (es. MAR(0,2) contro MAR(1,1) o MAR(2,0)), specialmente all'aumentare della dimensione del campione e della forza del segnale noncausale.
• Applicazioni Empiriche:
  • Dati COVID-19 (Belgio e Italia): L'analisi delle variazioni giornaliere dei decessi rivela la presenza di radici stagionali. Per il Belgio, il modello selezionato è un MAR(2,2) che cattura un "bolla stagionale" (comportamento zig-zag esplosivo) associato a una radice alla frequenza di Nyquist nella componente noncausale. Per l'Italia, il modello migliore è un MAR(2,0) puramente causale, dimostrando come la presenza di radici complesse vincoli la scelta del modello (escludendo MAR(1,1)).
  • Prezzo della Soia: L'analisi dei prezzi mensili della soia mostra come un modello MAR(2,3) catturi meglio le esplosività locali rispetto a un modello AR causale. La procedura ha permesso di identificare correttamente una coppia di radici complesse associata a una frequenza di 6 mesi (ciclo semestrale), correggendo potenziali errori di assegnazione presenti in studi precedenti basati solo su OLS.

4. Contributi Principali

1. Teoria delle Radici: Dimostrazione formale che la struttura mista causale-noncausale non genera frequenze stagionali "ibride" o nuove; le stagionalità sono proprietà additive delle radici dei polinomi separati.
2. Guida alla Selezione del Modello: Fornisce un criterio pratico per la selezione dei modelli MAR in presenza di stagionalità, riducendo il numero di modelli candidati da testare grazie al vincolo di accoppiamento delle radici complesse.
3. Strumenti Pratici: Propone un flusso di lavoro operativo che combina l'uso del modello pseudo-causale per l'identificazione delle radici e l'AMLE per la stima finale, affrontando il problema della scelta dei valori iniziali e della bimodalità.
4. Implicazioni Empiriche: Mostra che ignorare la natura complessa delle radici può portare a specificazioni errate del modello (es. forzare un MAR(1,1) quando è impossibile), influenzando negativamente la capacità del modello di catturare dinamiche esplosive stagionali.

5. Significato e Implicazioni

Questo lavoro è significativo perché estende la teoria dei modelli MAR a un contesto più realistico che include la stagionalità e i cicli economici complessi. Fornisce agli econometri e ai ricercatori un quadro teorico solido e strumenti pratici per modellare serie temporali che presentano sia comportamenti esplosivi (bolle) sia oscillazioni periodiche. La capacità di isolare le radici stagionali e semplificare la selezione del modello rende l'approccio MAR più accessibile e robusto per l'analisi di dati macroeconomici e finanziari, come quelli relativi a pandemie o prezzi delle materie prime, dove le dinamiche non lineari e stagionali coesistono.