Sintesi Tecnica: Stima della Dipendenza Dinamica Multiscala su Reti

Definizione del Problema

I moderni dataset scientifici e industriali consistono frequentemente di serie temporali multivariate le cui dipendenze incrociate sono strutturate da una nota topologia di rete sottostante (ad esempio, sistemi finanziari, reti cerebrali, monitoraggio climatico). Una sfida critica nell'analisi di tali dati è che queste serie sono spesso non stazionarie, ovvero le loro proprietà del secondo ordine variano nel tempo. Gli approicoli esistenti presentano limitazioni significative:

• Approcci Multivariati Tradizionali: Metodi come il framework Multivariate Locally Stationary Wavelet (MvLSW) (Park et et al., 2014) modellano proprietà spettrali variabili nel tempo ma trattano il sistema come non vincolato. Essi non riescono a incorporare la struttura di rete nota, portando a una sovra-parametrizzazione e all'incapacità di distinguere le dipendenze dirette da quelle indirette in un contesto di rete.
• Modelli Autoregressivi di Rete: Modelli nel dominio del tempo come i processi Generalised Network Autoregressive (GNAR) regolarizzano le interazioni tramite i vicinati dei nodi, ma spesso mancano della capacità di catturare esplicitamente dipendenze incrociate variabili nel tempo e dipendenti dalla scala pur rispettando la topologia del grafo.
• Sfide di Inferenza: Stimare le dipendenze condizionali in contesti non stazionari richiede tipicamente l'inversione di operatori di covarianza infinitamente dimensionali (intrattabili nella pratica) o l'applicazione di correzioni matriciali lineari congiunte su tutte le scale simultaneamente, il che contamina i vincoli della topologia di rete (ovvero, gli zeri strutturali imposti nei parametri grezzi non corrispondono a zeri nella matrice inversa finale dello spettro).

Metodologia: Framework Net-LSW

Gli autori propongono i Locally Stationary Wavelet processes on Networks (Net-LSW), un framework che incorpora esplicitamente la struttura di rete nella covarianza degli incrementi casuali del processo.

1. Definizione del Modello

Il processo Net-LSW $\{X^N_t\}$ è definito come una somma di subprocessi specifici per scala:
$$X^N_t = \sum_{j \ge 1} \sum_{k \in \mathbb{Z}} W^N_j\left(\frac{k}{T}\right) \psi_{j,k}(t) \xi^N_{j,k}$$
Innovazioni strutturali chiave includono:

• Funzioni di Trasferimento Diagonali: La matrice di ampiezza $W^N_j(z)$ è vincolata ad essere diagonale, garantendo che le ampiezze specifiche dei nodi siano indipendenti dal meccanismo di trasferimento.
• Innovazioni Codificate dalla Rete: La dipendenza incrociata è codificata interamente nella covarianza dei vettori di innovazione $\xi^N_{j,k}$. La matrice di covarianza $\Lambda^N_j(z)$ è definita in modo tale che la sua inversa (la matrice di concentrazione $\Gamma^N_j(z)$) rispetti il grafo $G=(N, E)$.
• Equivalenza Strutturale: Fondamentalmente, l'assenza di un arco $(p, q) \notin E$ corrisponde esattamente a un elemento nullo nella matrice di concentrazione $[\Gamma^N_j(z)]_{p,q}$ per tutte le scale $j$ e i tempi riscalati $z$.

2. Grafo di Correlazione Parziale Locale

Il paper introduce un Grafo di Correlazione Parziale Locale nel dominio wavelet. Stabilisce che per un processo Net-LSW, il grafo $G$ sul quale il processo è osservato è identico al suo grafo di correlazione parziale locale. Nello specifico, un arco è assente se e solo se la coerenza spettrale parziale locale $\eta^N_j(z)$ è zero per tutti i valori di $j, z$. Questo estende i classici risultati nel dominio di Fourier di Dahlhaus (2000a) al setting non stazionario delle wavelet.

3. Strategia di Stima: Approccio Basato sui Subprocessi

Per stimare la dipendenza incrociata nodo-specifica locale, gli autori sviluppano un nuovo schema di stima basato sui subprocessi:

• Decomposizione per Scala: Invece di operare sull'intero processo, il metodo isola i subprocessi specifici per scala $\{X_{j,t}\}$. Ciò semplifica la relazione tra i coefficienti wavelet e le matrici spettrali, garantendo che la verosimiglianza gaussiana rimanga convessa quando aumentata con penalità di rete.
• Approssimazione dei Subprocessi Latenti: Poiché i subprocessi latenti non sono osservabili, gli autori propongono un metodo di proiezione robusto per ricostruire tali processi dai coefficienti aggregati osservati utilizzando la sintesi wavelet.
• Ottimizzazione Vincolata: Per ogni scala $j$ e punto temporale $z$, il metodo risolve un problema di ottimizzazione finito, convesso e penalizzato dalla rete (utilizzando la selezione della covarianza grafica, ad esempio glasso), per stimare la matrice di precisione $\Theta_j(z)$. Ciò assicura che gli zeri strutturali della rete siano rigorosamente imposti nello stimatore.
• Consistenza: Gli autori dimostrano che gli stimatori spettrali dei subprocessi smussati sono asintoticamente consistenti in senso media quadratica e che gli stimatori della precisione vincolati dalla rete sono unici e consistenti.

Risultati Chiave

Studi di Simulazione

Il framework è stato valutato rispetto all'approccio MvLSW non vincolato standard (Park et al., 2014) attraverso varie topologie di rete (5, 10 e 25 nodi) e tipi di modulazione non stazionaria (burst transitori, cambi di regime, trend).

• Accuratezza: Il framework Net-LSW ha superato costantemente MvLSW. Nella stima della coerenza parziale per una rete a 10 nodi, Net-LSW ha ottenuto un MSE di 0.00272 rispetto a 0.03681 di MvLSW (una riduzione dell'errore superiore al 92%).
• Scalabilità: All'aumentare della dimensione della rete, l'errore di Net-LSW diminuiva, mentre l'errore di MvLSW aumentava significativamente.
• Robustezza: Il metodo ha mantenuto le prestazioni attraverso diverse densità di archi (dal 10% al 50%) e dimensioni campionarie, dimostrando che l'imposizione di vincoli strutturali migliora la stabilità della stima anche in configurazioni di rete dense.
• Comportamento Asintotico: Mentre MvLSW mostrava segni di breakdown asintotico (l'errore aumenta con la dimensione del campione in scenari complessi), Net-LSW ha dimostrato una chiara consistenza al tendere di $T \to \infty$.

Applicazione Empirica: Rete Bancaria Globale

Il framework è stato applicato alle volatilità dei prezzi azionari giornalieri di 83 grandi banche globali (agosto 2015 – dicembre 2023).

• Costruzione della Rete: Un grafo di connettività statica è stato derivato tramite la scomposizione della varianza dell'errore di previsione generalizzata (GFEVD) da un modello VAR ad alta dimensione, con archi potati per formare una componente gigante connessa.
• Risultati:
  • Shock COVID-19: Il modello ha catturato un aumento rapido e localizzato della dipendenza diretta (coerenza parziale) tra le banche money-center statunitensi (JPMorgan Chase e Citigroup) alle scale fini ($j=1$), indicando una trasmissione rapida dello stress su un orizzonte temporale breve.
  • Brexit: È stato osservato un forte burst localizzato nella coerenza parziale tra le banche britanniche ed europee (HSBC, Société Générale) alle scale fini durante il referendum del 2016, seguito da un co-movimento a scala media in altre coppie (Lloyds, Standard Chartered) estendendosi nel periodo del COVID-19.
  • Validazione dei Vincoli: Per le coppie di banche senza un arco diretto nella rete (ad esempio HSBC–Barclays), il framework ha correttamente imposto una coerenza parziale nulla, filtrando efficacemente i fattori di mercato comuni che guidavano il co-movimento incondizionato.

Significato e Rivendicazioni

L'articolo sostiene i seguenti contributi:

1. Unificazione Teorica: Fornisce il primo collegamento formale tra innovazioni strutturate su rete e modellazione grafica di serie temporali non stazionarie, stabilendo un "grafo di correlazione parziale locale" dove gli archi mancanti corrispondono a zeri strutturali nella matrice di precisione dipendente dal tempo e dalla scala.
2. Innovazione Metodologica: Risolve il disallineamento topologico nella tradizionale stima wavelet introducendo una procedura di stima basata sui subprocessi e per scala. Ciò permette la formulazione di un problema di ottimizzazione convesso e trattabile che rispetta i vincoli di rete senza l'intrattabilità dell'inversione di operatori infinitamente dimensionali.
3. Utilità Pratica: Il framework riesce a recuperare strutture di dipendenza evolutive in sistemi ad alta dimensione e non stazionari, come dimostrato dalla sua capacità di identificare cambiamenti sistemici variabili nel tempo durante i principali shock finanziari (Brexit, COVID-19) aderendo rigorosamente alla sottostante topologia di rete.

Gli autori concludono che, sebbene l'attuale framework assuma una rete statica, esso fornisce una base robusta per modellare dipendenze multiscala e variabili nel tempo, con lavori futuri che potrebbero affrontare l'inclusione di archi variabili nel tempo.