State-Coupled Volatility in Latent Dynamical Systems: Recovery Under Partial Observation

Sintesi Tecnica: Volatilità Accoppiata allo Stato in Sistemi Dinamici Latenti

Definizione del Problema
I modelli a spazio di stato latente sono strumenti standard per l'analisi di sistemi dinamici parzialmente osservati, tuttavia essi tipicamente assumono che la variabilità del processo (rumore stocastico) sia indipendente dalla posizione dello stato latente. In molti sistemi biologici, comportamentali e fisiologici, però, la variabilità esibisce un'organizzazione sistematica legata alla sottostante dinamica di stato. I modelli tradizionali spesso trattano questa variabilità come rumore di disturbo o tentano di modellarla utilizzando proxy dello stato osservato, il che può fallire nel catturare la stocasticità strutturata quando le osservazioni sono rumorose. La sfida centrale affrontata è il recupero della relazione tra lo spostamento dello stato latente dall'equilibrio e la varianza del processo in condizioni di osservazione parziale, dove la quantità che guida la varianza è non osservata.

Metodologia
Il documento introduce un framework di volatilità stocastica accoppiata allo stato in cui la varianza del processo latente è una funzione dello spostamento dello stato latente da un equilibrio di lungo periodo.

• Formulazione del Modello:

  • Dinamica Latente: Lo stato latente $x_t$ segue un processo autoregressivo che cerca l'equilibrio: $x_t = \mu + \phi(x_{t-1} - \mu) + w_t$.
  • Varianza Accoppiata allo Stato: A differenza dei modelli a varianza costante, il rumore di processo $w_t$ ha una varianza tempo-variante $q_t$ definita da: $\log q_t = \alpha + \gamma|x_{t-1} - \mu|$.
    • $\mu$: Media di equilibrio.
    • $\phi$: Parametro di persistenza.
    • $\alpha$: Volatilità di base.
    • $\gamma$: Parametro di accoppiamento che quantifica la forza dell'associazione tra lo spostamento dello stato e la variabilità.
  • Modello di Osservazione: $y_t = x_t + v_t$, dove $v_t \sim N(0, r)$ è il rumore di osservazione.

• Procedura di Inferenza:
  Poiché la quantità che guida la varianza ($|x_{t-1} - \mu|$) è latente, un approccio standard "plug-in" (stimare una singola traiettoria per poi adattare la varianza) è insufficiente poiché ignora la propagazione dell'incertezza. Gli autori sviluppano una procedura di Expectation-Maximization (EM) a particelle:

  1. E-step: Utilizza il Bootstrap Particle Filtering combinato con il Backward Trajectory Smoothing per approssimare la distribuzione a posteriori della traiettoria latente completa $p(x_{1:T} | y_{1:T})$. Questo propaga l'incertezza dello stato latente nella stima della varianza.
  2. M-step: Aggiorna i parametri di volatilità ($\alpha, \gamma$) minimizzando una funzione obiettivo basata sulla verosimiglianza utilizzando le traiettorie delle particelle smussate (smoothed), mantenendo fissi i parametri della dinamica della media ($\mu, \phi, r$).
  3. Ottimizzazione: Utilizza L-BFGS-B con smorzamento per garantire la stabilità numerica.

Contributi Chiave

1. Framework Interpretabile: Una specifica formulazione eteroschedastica dello spazio di stato in cui la varianza di transizione è esplicitamente parametrizzata come funzione della geometria dello stato latente, piuttosto che come un processo di volatilità latente indipendente (come nei modelli di Volatilità Stocastica) o residui passati (come nel GARCH).
2. Strategia di Inferenza: Un algoritmo Particle EM che stima congiuntamente le traiettorie latenti e i parametri di varianza dipendenti dallo stato, tenendo esplicitamente conto dell'accoppiamento tra la ricostruzione dello stato e la stima della varianza.
3. Analisi di Identificabilità: Una proposizione teorica che stabilisce che i parametri di volatilità sono strutturalmente identificabili a condizione della traiettoria latente e dei parametri della dinamica della media.
4. Benchmarking: Uno studio di simulazione su larga scala (4.050 dataset) che confronta il metodo proposto con:
   • Sistemi dinamici latenti (LDS) a varianza costante.
   • Proxy di eteroschedasticità dello stato osservato (modellazione della varianza basata su $y_t$).
   • Proxy GARCH(1,1).
   • Proxy semplificati di Volatilità Stocastica (SV).

Risultati
Il benchmark di simulazione ha valutato il recupero dei parametri (bias, RMSE) e le prestazioni di rilevamento (AUC) attraverso diversi livelli di accoppiamento ($\gamma$), rumore di osservazione ($r$), lunghezza della traiettoria ($T$) e persistenza ($\phi$).

• Riduzione del Bias: Il framework proposto accoppiato allo stato ha ridotto costantemente il bias di recupero rispetto alla proxy dello stato osservato. La proxy ha sistematicamente sottostimato la forza dell'accoppiamento (bias di attenuazione), particolarmente all'aumentare del rumore di osservazione. Il metodo proposto ha mantenuto stime più vicine al valore reale di $\gamma$, anche in regimi di alto rumore.
• Tradeoff Bias-Varianza: Sebbene il metodo proposto abbia ridotto il bias sistematico, ha esibito un RMSE più elevato rispetto alla proxy in contesti con basso rumore e traiettorie brevi, a causa dell'incertezza introdotta dalla ricostruzione dello stato latente. Tuttavia, all'aumentare della forza di accoppiamento e della lunghezza della traiettoria, il gap di RMSE si è ristretto, e il metodo proposto ha spesso ottenuto un RMSE inferiore nei regimi ad alta persistenza e alto rumore.
• Prestazioni di Rilevamento: Il framework proposto ha dimostrato un'Area Sotto la Curva (AUC) superiore o competitiva per il rilevamento della presenza di volatilità accoppiata allo stato. Il suo vantaggio è diventato più pronunciato all'aumentare del rumore di osservazione e della persistenza latente ($\phi$).
• Confronto con le Alternative:
  • LDS a Varianza Costante: Ha mostrato un'alta AUC di rilevamento per un forte accoppiamento (a causa delle firme di misspecificazione del modello), ma non è stata in grado di stimare l'entità dell'accoppiamento.
  • Proxy GARCH/SV: Si sono comportati vicino ai livelli del caso casuale, indicando che il clustering generico della volatilità o le traiettorie di volatilità indipendenti non riescono a catturare i meccanismi di varianza dipendenti dallo stato.

Significatività e Rivendicazioni
Il documento afferma che la volatilità accoppiata allo stato può essere identificata e stimata sotto osservazione parziale quando la struttura dello stato latente è esplicitamente modellata.

• Fattibilità Metodologica: Il lavoro stabilisce che la stocasticità strutturata (variabilità dipendente dallo stato latente) è recuperabile da osservazioni rumorose, a condizione che si tenga conto dell'incertezza della traiettoria latente.
• Vantaggio Contestuale: Il framework è particolarmente vantaggioso per sistemi caratterizzati da sostanziale rumore di osservazione e forte persistenza temporale (ad esempio, sistemi neurali, fisiologici o comportamentali), dove le proxy dirette basate sull'osservazione falliscono nel distinguere l'errore di misurazione dalla vera variabilità dipendente dallo stato.
• Limitazioni e Ambito: Gli autori dichiarano esplicitamente che questi risultati dimostrano la fattibilità metodologica basata su dati simulati generati sotto l'assunto del modello. Il documento non rivendica una validazione empirica in specifici sistemi biologici, né asserisce una superiorità universale rispetto a tutte le specifiche di volatilità. Il lavoro futuro è identificato come necessario per testare il framework su dati reali e valutarne la robustezza alla misspecificazione del modello.

In sintesi, il documento fornisce una base metodologica pratica per investigare se la variabilità strutturata contribuisca informazioni sulle dinamiche di sistema oltre a quelle contenute nelle traiettorie della media di stato.