A spectral approach for online covariance change point detection

技術要約：オンライン共分散変化点検出のためのスペクトル的アプローチ

問題提起
本論文は、高次元ランダムベクトルの共分散構造におけるオンライン変化点検出の課題に取り組んでいる。オフライン（全データシーケンスが利用可能な場合）および低次元のオンライン設定については広範な研究が存在するが、データがストリームとして流入する中で、高次元共分散行列の構造的変化を迅速に検出できる手法には大きな空白が存在する。具体的な目的は、$p$次元のランダムベクトル列 $\{y_i\}$ を逐次モニタリングし、共分散行列が $\Sigma_0$ から $\Sigma_1$ へと変化する未知の変化点 $k^*$ を、帰無仮説の下で偽アラーム率を厳密に制御しながら検出することである。

手法
著者らは、ランダム行列理論（RMT）、特にフィッシャー行列の線形スペクトル統計量（LSS）の極限理論に基づいた新しい検出手順を提案している。手法は以下の通りである：

1. フィッシャー行列の構築： いかなる時点 $k$ においても、観測されたデータは参照セグメント（インデックス $1$から$k_1$）とモニタリングセグメント（インデックス$k_1+1$から$k$）に分割される。2つの標本共分散行列$S_1$および$S_{2,k}$が構築される。多変量F行列（フィッシャー行列）は$F_k = S_1^{-1} S_{2,k}$ として定義される。
2. 線形スペクトル統計量 (LSS)： 手法は $F_k$ の LSS をモニタリングする。これは $\text{Tr} f(F_k) = \sum_{i=1}^p f(\lambda_i(F_k))$ で定義され、$\lambda_i$ は固有値、$f$ はテスト関数である。
3. 一ステップ差分とマルチンゲール構成： 生の LSS を直接モニタリングする代わりに、著者らは標準化された一ステップ差分を定義する：
   $$\tilde{L}_k(f) = \frac{\text{Tr} f(F_k) - \text{Tr} f(F_{k-1}) - \mu_k}{\sigma_k}$$
   ここで、$\mu_k$ と $\sigma_k$ は、輪郭積分および極限スペクトル分布（LSD）のスティルチェス変換を用いて導出された、帰無仮説の下での差の理論的な平均および標準偏差である。帰無仮説の下では、これらの標準化された増分は漸近的にマルチンゲール差数列として振る舞う。
4. CUSUM型統計量： モニタリング統計量 $T_p(n, i)$ は、これらの標準化された増分の加重累積和（CUSUM）として構築される：
   $$T_p(n, i) = w(n, i) \left| \frac{1}{\sqrt{n}} \sum_{k=n+1}^{n+i} \tilde{L}_k(f) \right|$$
   ここで、$w(n, i)$ は非定常性を処理し、初期の変化と後期の変化に対する感度のバランスをとるように設計された重み関数である。
5. 停止規則： $T_p(n, i)$ が極限零分布の分位点によって決定される臨界閾値 $c_\alpha$ を超えた最初の時点 $i$ で、アラームがトリガーされる。

主要な理論的結果
著者らは、高次元スケーリング（$p, k_1, k \to \infty$ かつ $p/k \to c \in (0, \infty)$）の下での提案手法の厳密な漸近特性を確立している：

• 平均と分散： 解析的なテスト関数に対する、一ステップ LSS 差の平均 $\mu_k(f)$ および分散 $\sigma_k^2(f)$ の明示的な表現が導出されている（命題 2.1）。
• 弱収束： 帰無仮説の下で、標準化された増分の部分和プロセスは、標準ブラウン運動に分布の意味で収束する（定理 2.2）。したがって、加重モニタリング統計量は、加重ブラウン運動の上限に収束する（定理 2.3）。
• 検出遅延と検出力： 本論文は、対立仮説の下での漸近的な検出遅延と検出力を特徴付けている（定理 2.5）。検出遅延は、変化の大きさ（$\tau_1 = \lim \frac{1}{p}\text{Tr}(\Sigma_0^{-1}\Sigma_1)$ によって定量化される）およびテスト関数の選択に依存することを示している。本手順は漸近的な検出力1を達成し、検出遅延は変化の大きさとタイミングに応じて、対数的または $n$ のべき乗としてスケールする。

数値結果と比較
有限標本の性能を評価するために、広範なモンテカルロ・シミュレーションが行われた：

• 堅牢性： 本手法は、様々なデータ分布（ガウス分布、一様分布、Student's $t$ 分布）および様々な種類の共分散変化（均質な分散膨張、相関構造の変化、および不均質な分散膨張）に対して堅牢性を示す。
• 性能： 提案手法は、一貫して高い経験的検出力（1.0に近い）と低い期待検出遅延（EDD）を達成している。
• 比較： 既存のオンライン手法（Avanesov [2019] および Li and Li [2023]）と比較した場合、スペクトル的アプローチは、特に弱い信号のレジームにおいて競合手法を凌駕する。例えば、小さな分散膨張（$\sigma^2=1.1$）のシナリオでは、提案手法は代替手法と比較して、より高い検出力を維持しながら、検出遅延を約35%から80%削減した。
• 実データへの適用： 本手法は S&P 500 の株価データに適用され、2020年2月10日の変化点を正常に検出した。この検出は、COVID-19 パンデミックの発生に伴う広範な市場暴落に先んじて行われ、資産間の相関における初期の構造的シフトを捉えた。

意義と主張
本論文の主な貢献は、オフラインの高次元スペクトル手法と、実用的なオンライン・モニタリングの必要性との間の溝を埋めることにあると主張している。標準的なガウス過程ではなく、標準ブラウン運動に収束するプロセスを構築することで、著者らはブラウン運動のよく理解された特性を利用して、精密な臨界値と停止規則を導き出している。著者らは、そのスペクトル的アプローチが、$\ell_2$ または $\ell_\infty$ ノルムに基づく既存の手法と比較して、高次元設定における微細な構造的変化に対して優れた感度を提供すると主張している。同時に、計算効率と非ガウス分布への堅牢性も維持している。本研究は、複雑で高次元なシステムのリアルタイム・モニタリングのための、理論的根拠に基づいた実用的な枠組みを提供するものである。