Exact Likelihood Inference and Robust Filtering for Gauss-Cauchy Convolution Models

1. Enunciato del Problema

Il documento affronta la sfida di modellare e filtrare dati di serie temporali in cui gli errori di misura presentano code pesanti (outlier) sovrapposti a un rumore gaussiano standard.

• Contesto: In molti campi (ad esempio, spettroscopia, finanza), le osservazioni sono la somma di un segnale latente (spesso gaussiano) e di un rumore di misura che combina il rumore di fondo ordinario con shock estremi occasionali.
• Il Modello: Gli autori si concentrano sulla Convoluzione Gauss-Cauchy, nota come distribuzione di Voigt ($V$), che è la convoluzione di una Gaussiana $N(\mu, \sigma^2)$ e una Cauchy $C(0, \gamma)$.
• Il Collo di Bottiglia: Storicamente, l'uso della distribuzione di Voigt nell'inferenza basata sulla verosimiglianza è stato limitato poiché la sua densità non è una funzione elementare. I praticanti fanno tipicamente affidamento su:
  • Convoluzione numerica (computazionalmente costosa).
  • Approssimazioni Pseudo-Voigt (modelli di mistura che mancano dell'interpretazione del rumore additivo).
  • Derivate alle differenze finite (instabili).
  • Metodi basati sulla simulazione.
• Il Divario: Mancava un quadro analitico trattabile ed esatto per la Massima Verosimiglianza (MLE) e il filtraggio robusto degli spazi di stato utilizzando la vera densità di Voigt.

2. Metodologia

A. Derivazioni Analitiche per la Distribuzione di Voigt

La svolta metodologica fondamentale è la derivazione di espressioni in forma chiusa per la densità di Voigt e le sue derivate utilizzando la funzione errore complementare scalata ($\text{erfcx}$), nota anche come funzione di Faddeeva.

• Rappresentazione della Densità: Gli autori esprimono la densità di Voigt $f_Y(y)$ utilizzando la parte reale della funzione errore complementare scalata valutata su una specifica linea complessa.
• Chiusura Algebrica: Dimostrano che tutte le derivate di ordine finito della densità (punteggio, hessiana, ecc.) sono funzioni algebriche delle parti reale e immaginaria di questa funzione speciale.
• Implicazione: Ciò consente il calcolo esatto della verosimiglianza, del vettore di punteggio e della matrice hessiana senza integrazione numerica, quadratura o approssimazioni.

B. Momenti Condizionali e Formula di Tweedie

Il documento deriva il valore atteso e la varianza condizionale del componente gaussiano latente data un'osservazione.

• Formula di Tweedie: Utilizzando la formula di Tweedie per le convoluzioni gaussiane, mostrano che la media condizionale del segnale latente è proporzionale alla funzione di punteggio della densità marginale di Voigt.
• Proprietà di Ridiscendenza: Una scoperta critica è che il valore atteso condizionale è ridiscendente.
  • Per piccoli errori di previsione, la relazione è approssimativamente lineare (come un filtro di Kalman).
  • Per grandi errori di previsione (outlier estremi), la media condizionale ridiscende verso zero.
  • Interpretazione: Il filtro identifica automaticamente le osservazioni estreme come probabili "rumore" (componente Cauchy) piuttosto che "segnale" (componente Gaussiana), scontandole efficacemente invece di propagarle nella stima dello stato.

C. Il Filtro Gauss-Cauchy Convolution (GCC)

Gli autori costruiscono un filtro robusto per lo spazio degli stati per sistemi lineari con dinamiche latenti gaussiane ed errori di misura di Voigt.

• Approssimazione di Masreliez: Assumono che la densità di previsione a un passo avanti dello stato latente sia gaussiana.
• Chiusura di Voigt: Poiché la somma di una Gaussiana (errore di previsione dello stato) e una Voigt (errore di misura) è un'altra distribuzione di Voigt, la densità dell'errore di previsione rimane nella famiglia di Voigt.
• Regola di Aggiornamento: L'aggiornamento dello stato è guidato dal punteggio di posizione di Voigt. Ciò sostituisce l'aggiornamento lineare del filtro di Kalman con un aggiornamento non lineare e robusto che gestisce naturalmente gli outlier.
• Lisciatura: Viene derivato un lisciatore Rauch-Tung-Striebel (RTS) basato sui momenti filtrati.

D. Inferenza e Asintotica

• MLE: Il documento stabilisce la consistenza e la normalità asintotica dell'MLE per i parametri di Voigt, nonostante il fatto che la distribuzione di Voigt stessa non abbia momenti finiti (a causa della coda Cauchy). Ciò è possibile perché il punteggio e l'informazione di Fisher sono ben definiti.
• QMLE per lo Spazio degli Stati: Per il modello dinamico, i parametri sono stimati tramite Massima Verosimiglianza Quasi (QMLE), trattando l'approssimazione di Masreliez come il processo generatore di dati per gli errori di previsione.

3. Risultati Chiave

Risultati Teorici e di Simulazione

• Inferenza Esatta: Il documento dimostra che l'MLE esatto è computazionalmente fattibile e stabile, superando le approssimazioni Pseudo-Voigt che introducono errori di specificazione.
• Prestazioni in Campioni Finiti: Le simulazioni Monte Carlo mostrano che l'MLE è non distorto ed efficiente per dimensioni campionarie moderate. Gli errori standard asintotici derivati dalla matrice di informazione di Fisher forniscono approssimazioni accurate.
• Accuratezza dell'Approssimazione: Gli autori confrontano il filtro GCC con un benchmark esatto (propagazione numerica della densità). Scoprono che l'approssimazione gaussiana di previsione di Masreliez introduce un errore trascurabile (divergenza di Kullback-Leibler $< 10^{-4}$) nella regione empiricamente rilevante dove la componente Cauchy è piccola rispetto alla componente Gaussiana.
• Robustezza: Il filtro separa con successo i segnali latenti persistenti dal rumore transitorio a code pesanti, a differenza del filtro di Kalman standard che è sensibile agli outlier.

Applicazione Empirica

• Dati: Volatilità realizzata giornaliera in log per il Technology Select Sector SPDR Fund (XLK) dal 1998 al 2025.
• Confronto: Il filtro GCC è confrontato con filtri Gaussiano (Kalman), Cauchy, Student-$t$, Huber e Normal-Laplace.
• Risultati:
  • Il filtro GCC raggiunge la più alta pseudo-verosimiglianza logaritmica ($-1.306$) rispetto al benchmark gaussiano ($-2.465$) e ad altre alternative robuste (Student-$t$: $-1.349$; Huber: $-1.444$).
  • Decomposizione: Le stime GCC rivelano un rumore di misura gaussiano dominante ($\sigma \approx 0,18$) e una componente Cauchy piccola ma significativa ($\gamma \approx 0,02$).
  • Comportamento di Filtraggio: Il filtro GCC produce una serie di volatilità latente liscia che ignora picchi estremi (ad esempio, Flash Crash, bolla Dot-com) correttamente attribuiti alla componente di rumore Cauchy. Al contrario, il filtro gaussiano inflaziona la varianza per accommodare questi picchi, portando a una stima dello stato più rumorosa.

4. Contributi Chiave

1. Teoria della Verosimiglianza Trattabile: Il documento risolve la percezione di lunga data secondo cui l'inferenza basata su Voigt è computazionalmente intrattabile fornendo espressioni analitiche in forma chiusa per la densità, il punteggio e l'hessiana utilizzando funzioni speciali.
2. Filtraggio Robusto Probabilistico: A differenza dei filtri robusti che impongono una funzione di punteggio ridiscendente ad hoc (ad esempio, perdita di Huber), il filtro GCC deriva la proprietà di ridiscendenza endogenamente dal valore atteso condizionale di un segnale gaussiano latente osservato con rumore Cauchy. Ciò fornisce una solida micro-fondazione probabilistica per il filtraggio robusto.
3. Filtraggio Esatto dello Spazio degli Stati: Gli autori sviluppano un filtro ricorsivo che mantiene la trattabilità analitica, evitando la necessità di integrazione numerica o filtri particellari, pur annidando il filtro di Kalman (al limite $\gamma \to 0$) e il filtro Cauchy puro (al limite $\sigma \to 0$).
4. Validazione Empirica: L'applicazione alla volatilità finanziaria dimostra che la convoluzione Gauss-Cauchy offre una decomposizione superiore delle dinamiche persistenti e del rumore transitorio rispetto alle alternative a code pesanti standard.

5. Significato

• Per l'Econometria e la Finanza: Il documento fornisce uno strumento potente per filtrare le serie temporali finanziarie (come la volatilità) in cui gli eventi "cigno nero" sono comuni ma le dinamiche sottostanti sono gaussiane. Offre un modo principiato per distinguere tra rotture strutturali e outlier di misura.
• Per la Fisica e la Spettroscopia: Rivitalizza l'uso del profilo di Voigt nella modellazione statistica consentendo un'inferenza di verosimiglianza esatta, superando la dipendenza dalle approssimazioni.
• Per l'Apprendimento Automatico: Le espressioni analitiche per il punteggio e l'informazione di Fisher possono essere utilizzate per affinare le stime di apprendimento automatico dei profili di Voigt o per costruire misure di incertezza per tali modelli.

In sintesi, Hansen e Tong dimostrano che la convoluzione Gauss-Cauchy non è solo una distribuzione a code pesanti, ma un quadro computazionalmente trattabile che unifica l'inferenza di verosimiglianza esatta con l'estrazione robusta del segnale, offrendo miglioramenti significativi rispetto ai metodi esistenti sia nella teoria che nella pratica.