Change-point estimation for Weibull time series with copula-based Markov models

Riepilogo Tecnico: Stima del punto di cambiamento per serie temporali Weibull con modelli Markov basati su copule

Enunciato del Problema
Il lavoro affronta la sfida della stima offline dei punti di cambiamento in dati di serie temporali caratterizzati da dipendenza seriale non lineare e osservazioni non negative, come i tempi di evento e le misure di volatilità. Le metodologie tradizionali di rilevamento dei punti di cambiamento spesso si basano su assunzioni di osservazioni indipendenti o su strutture di dipendenza lineare (ad esempio, modelli autoregressivi), che sono frequentemente inadeguate a catturare le strutture di dipendenza asimmetriche e non lineari prevalenti nelle serie temporali pratiche. Gli autori mirano a sviluppare un quadro in grado di rilevare simultaneamente cambiamenti strutturali sia nelle distribuzioni marginali sia nella struttura di dipendenza sottostante.

Metodologia
Gli autori propongono un modello di catena di Markov basato su copule con distribuzioni marginali Weibull. La metodologia è strutturata come segue:

• Struttura del Modello: La serie temporale $\{X_t\}$ è modellata come un processo a due stadi con un singolo punto di cambiamento $\tau$. Prima di $\tau$, le osservazioni seguono una distribuzione Weibull con parametri $(\lambda_0, k_0)$; dopo $\tau$, seguono una distribuzione Weibull con parametri $(\lambda_1, k_1)$.
• Modellazione della Dipendenza: La dipendenza seriale è modellata utilizzando le copule. Lo studio incorpora specificamente la copula di Clayton per catturare la dipendenza asimmetrica nella coda inferiore e la copula di Joe per la dipendenza nella coda superiore. La distribuzione congiunta di osservazioni consecutive è definita tramite la funzione di copula $C_\alpha$ applicata alle funzioni di distribuzione cumulativa marginali. Un parametro di transizione specifico $\alpha_{01}$ è assunto per la coppia $(X_\tau, X_{\tau+1})$ al punto di cambiamento, trattato come una quantità fissa e nota a causa di problemi di identificabilità con una singola coppia di osservazioni.
• Procedura di Stima:
  • Massima Verosimiglianza (MLE): La funzione di log-verosimiglianza è derivata sulla base delle densità condizionate della catena di Markov. Poiché la verosimiglianza non è differenziabile rispetto al punto di cambiamento discreto $\tau$, viene adottato un approccio di verosimiglianza profilata a due stadi.
  • Algoritmo di Newton–Raphson: Per un $\tau$ fissato, i restanti parametri sono stimati numericamente utilizzando l'algoritmo di Newton–Raphson. Per garantire la stabilità numerica e gestire i vincoli sui parametri (ad esempio, $\lambda, k > 0$), viene adottata una tecnica di riparametrizzazione (ad esempio, trasformando $\lambda$ in $\log(\lambda)$).
  • Stima per Intervalli: Gli intervalli di confidenza sia per i parametri del modello sia per il punto di cambiamento sono costruiti utilizzando una procedura di Monte Carlo con bootstrap parametrico.
• Applicazione Empirica: Il metodo è stato applicato a due dataset: l'indice VIX giornaliero durante la pandemia di COVID-19 (2019–2020) e i tempi di interarrivo dei valori del VIX superiori a una soglia di 30 in un periodo più lungo (2018–2024).

Risultati Chiave
Sono stati condotti estesi studi di simulazione e analisi empiriche per valutare le prestazioni dei stimatori proposti:

• Prestazioni in Campioni Finiti: I risultati delle simulazioni indicano che gli stimatori proposti funzionano bene in termini di Errore Quadratico Medio (RMSE) ed Errore Relativo (RE). La stima del punto di cambiamento $\tau$ è particolarmente accurata, con valori di RE che rimangono piccoli anche in caso di errata specificazione moderata del modello.
• Robustezza all'Errata Specificazione: Lo studio ha investigato scenari in cui la famiglia di copule assunta differiva dal vero processo generatore dei dati. Sebbene la stima dei parametri di dipendenza di coda ($\alpha$) si sia rivelata sensibile all'errata specificazione della copula (mostrando un aumento del RE), la stima del punto di cambiamento $\tau$ è rimasta relativamente stabile e robusta.
• Dimensione del Campione e Dipendenza: L'accuratezza della stima è generalmente migliorata con dimensioni del campione più grandi. Strutture di dipendenza più forti hanno leggermente aumentato l'RMSE per le stime dei parametri, ma non hanno degradato in modo significativo le prestazioni dello stimatore del punto di cambiamento.
• Risultati Empirici (Dati VIX):
  • Nell'analisi dell'indice VIX durante la pandemia di COVID-19, il modello ha identificato un punto di cambiamento strutturale intorno alla fine di febbraio 2020 (nello specifico $\hat{\tau} = 121$ per il modello basato su copula di Clayton e $\hat{\tau} = 120$ per il modello basato su copula di Joe), allineandosi all'inizio della pandemia e alla successiva volatilità di mercato.
  • La selezione del modello tramite il Criterio di Informazione di Akaike (AIC) ha favorito il modello Markov basato su copula di Clayton, suggerendo che la serie VIX ha esibito una dipendenza più forte nella coda inferiore (rischio al ribasso) durante il periodo di crisi.
  • L'analisi dei tempi di interarrivo per i valori del VIX superiori a 30 ha rilevato anche un cambiamento strutturale intorno all'inizio di marzo 2020, rafforzando la constatazione che la pandemia ha indotto un cambiamento sia nella distribuzione marginale sia nella struttura di dipendenza seriale della paura del mercato.

Significato e Affermazioni
Il lavoro afferma che il quadro proposto offre un approccio flessibile e affidabile per la stima dei punti di cambiamento in serie temporali non negative con dipendenza non lineare. Svincolando le distribuzioni marginali dalle strutture di dipendenza tramite le copule, il metodo consente di modellare comportamenti di coda asimmetrici che i modelli lineari non possono catturare.

Gli autori sottolineano che, sebbene la stima dei parametri di dipendenza richieda una attenta selezione del modello per evitare bias dovuti all'errata specificazione, l'obiettivo primario di rilevare il punto di cambiamento strutturale rimane robusto anche se la famiglia di copule non è specificata perfettamente. L'applicazione empirica ai dati di volatilità finanziaria dimostra l'utilità pratica dell'approccio nell'identificare cambiamenti di regime associati a eventi globali maggiori, evidenziando l'importanza di tenere conto della dipendenza asimmetrica di coda nell'analisi delle serie temporali finanziarie durante periodi di stress di mercato.

Direzioni Future
Il lavoro suggerisce diverse vie per ricerche future, tra cui:

• Estendere il quadro per accommodare punti di cambiamento multipli.
• Investigare famiglie di copule alternative (ad esempio, Gaussiane, Gumbel, Gumbel di sopravvivenza) per catturare diverse forme di dipendenza.
• Incorporare distribuzioni marginali più flessibili per migliorare l'adattabilità.
• Esplorare approcci bayesiani o metodi basati sulla simulazione per affrontare le esigenze computazionali in strutture di copula più complesse.