Technische Samenvatting: Gecentreerde-Innovatie MA voor Bayesiaanse Dirichlet ARMA

1. Probleemstelling

Compositiese tijdreeksen, waarbij observaties optellen tot een vast totaal (bijvoorbeeld aandelens van bankactiva), worden vaak gemodelleerd met de Dirichlet-verdeling die via de additieve log-ratio (ALR)-transformatie wordt afgebeeld op de Euclidische ruimte. In door observaties gedreven Bayesiaanse Dirichlet ARMA (B-DARMA)-modellen maakt het moving-average (MA)-blok doorgaans gebruik van het ruwe ALR-residu, gedefinieerd als $\epsilon_t^{raw} = \text{alr}(y_t) - \eta_t$, waarbij $\eta_t$ de lineaire predictor is.

Een fundamenteel theoretisch probleem doet zich voor onder eindige precisie ($\phi_t$): de conditionele verwachting van de ALR-getransformeerde observatie, $E[\text{alr}(Y_t) | \mu_t, \phi_t]$, is niet gelijk aan de lineaire predictor $\eta_t$. In plaats daarvan is het een digamma-functie van de concentratieparameters. Bijgevolg heeft het ruwe residu $\epsilon_t^{raw}$ een niet-nul conditionele verwachting van de orde $O(\phi_t^{-1})$. Deze vertekening vervormt het conditionele gemiddeldepad, verduistert de interpretatie van MA-coëfficiënten en introduceert een deterministische verschuiving die de prioren niet anticiperen. Waar frequentistische benaderingen dit omzeilen door gebruik te maken van digamma-gebaseerde koppelingen die geen gesloten vorm-inversen hebben, behoudt het Bayesiaanse kader vaak de ALR-koppeling voor hanteerbaarheid, waardoor deze vertekening onopgelost blijft.

2. Methodologie

Het artikel stelt een minimale analytische wijziging voor aan het B-DARMA-kader: het vervangen van de ruwe MA-regressor door een gecentreerde innovatie.

2.1 De Gecentreerde Innovatie

In plaats van $\epsilon_t^{raw}$ te gebruiken, definiëren de auteurs de gecentreerde innovatie $\epsilon_t^\circ$ als:
$$\epsilon_t^\circ = \text{alr}(y_t) - E[\text{alr}(Y_t) | \mu_t, \phi_t]$$
De conditionele gemiddelde-term $E[\text{alr}(Y_t) | \mu_t, \phi_t]$ is beschikbaar in gesloten vorm via digamma-identiteiten:
$$g(\mu_t, \phi_t)_j = \psi(\phi_t \mu_{tj}) - \psi(\phi_t \mu_{tj^\star})$$
waarbij $\psi(\cdot)$ de digamma-functie is en $j^\star$ de referentiecomponent. Deze aanpassing zorgt ervoor dat de MA-innovatie een conditionele gemiddelde van nul heeft, waardoor de standaardinterpretatie van MA-schokken wordt hersteld zonder de Dirichlet-likelihood te wijzigen of numerieke inversie te vereisen.

2.2 Theoretische Equivalentie

Het artikel vestigt een recursie-niveau eerste-orde equivalentie tussen de gecentreerde specificatie en een hypothetische digamma-koppeling DARMA in het regime van hoge precisie ($\phi_t \to \infty$).

• Stelling 1: Onder expliciete binnenlandse (afgegrensd van de simplex-grens) en lag-stabiliteitsvoorwaarden verschillen de gecentreerde-innovatie-recursie en de digamma-koppeling-recursie met $O(r_T)$, waarbij $r_T = \max \phi_t^{-1}$.
• Implicatie: In regimes van hoge precisie zouden de twee specificaties op recursie-niveau voorspellend niet van elkaar te onderscheiden moeten zijn. Het artikel verduidelijkt echter dat deze theoretische equivalentie niet automatisch de geometrie van de Bayesiaanse posterieuren regelt die worden geproduceerd tijdens parameterherbeoordeling.

2.3 Voorspellingsrecursie

Een belangrijk praktisch voordeel van de gecentreerde specificatie is de herstel van de standaard ARMA-voorspellingsrecursie.

• Gecentreerd: Toekomstige schokken integreren uit tot nul. Het conditionele gemiddelde één stap vooruit hangt uitsluitend af van geobserveerde schokken.
• Ruw: Toekomstige ruwe residuen dragen bij via hun niet-nul conditionele gemiddelde, wat een vertekeningsterm introduceert die de logica voor meervoudige-stap-voorspelling bemoeilijkt.

3. Empirische Toepassing

De methodologie wordt geëvalueerd op wekelijkse Federal Reserve H.8-aandelens van bankactiva (Contant Geld, Effecten, Leningen, Overig) van oktober 2015 tot oktober 2025 ($T=522$).

• Protocol: Een rollende één-stap-evaluatie over 104 wekelijkse oorsprongen.
• Vergelijking: Identieke covariaten, prioren en sampler-instellingen (Hamiltonian Monte Carlo via Stan) worden gebruikt voor zowel de "Ruwe-MA" als de "Gecentreerde-MA"-specificaties.
• Gevoeligheid: Een vier-referentie-analyse wordt uitgevoerd, waarbij Contant Geld, Effecten, Leningen en "Overig" achtereenvolgens als ALR-referentiecomponent worden gebruikt.

4. Belangrijkste Resultaten

4.1 Voorspellende Prestaties

• Niet-onderscheidbaarheid: De voorspellende prestaties van de twee specificaties zijn statistisch niet van elkaar te onderscheiden over alle nauwkeurigheidsmetrieken (ELPD, RMSE, MAE en dekking).
• Referentie-invariantie: Deze equivalentie geldt ongeacht de gekozen ALR-referentiecomponent. Het cumulatieve verschil in Verwachte Log Predictieve Dichtheid (ELPD) is verwaarloosbaar (bijvoorbeeld +0,37 nat voor de Leningen-referentie, met een gemiddeld verschil per oorsprong van +0,0035 nat).
• Consistentie met Theorie: Deze resultaten sluiten aan bij de theoretische equivalentie van hoge precisie, aangezien de gerealiseerde precisie $\phi_t$ gedurende het testvenster ruim boven de eenheid bleef (vaak >80).

4.2 Steekproefgeometrie (Hamiltonian Monte Carlo)

Hoewel de voorspellende nauwkeurigheid identiek is, verschillen de geometrische eigenschappen van de posterieur scherp:

• Divergerende Overgangen: De Ruwe specificatie lijdt aanzienlijk meer aan HMC-divergerende overgangen, wat wijst op pathologische posterieur-geometrie (smalle, gebogen of trechterachtige gebieden).
  • Leningen-referentie: Ruwe MA produceerde 446 divergenties over 104 oorsprongen, tegenover slechts 34 voor Gecentreerde MA (een verhouding van ~13:1).
  • Extreme Gevallen: Een enkele oorsprong in februari 2025 genereerde 211 divergenties voor de Ruwe specificatie (met een potentiële schaalreductiefactor $\hat{R}$ van 1,58), terwijl de Gecentreerde specificatie schoon bleef.
• Referentie-afhankelijkheid van Geometrie: De omvang van het geometrische voordeel varieert per referentie. Het is het meest dramatisch voor de Leningen-referentie (waar Ruwe fits soms catastrofaal falen) en neemt af tot gelijkheid voor de Contant Geld-referentie, waarbij beide specificaties goed functioneren.
• ESS en $\hat{R}$: De Gecentreerde specificatie levert consequent hogere bulk Effective Sample Sizes (ESS) en lagere maximale $\hat{R}$-waarden op, wat wijst op betrouwbaardere convergentie.

5. Betekenis en Claims

Het artikel stelt dat de primaire waarde van centrering operationeel en niet voorspellend is.

1. Operationele Robuustheid: In productie-workflows waar posterieur-simulatie stroomafwaartse stresstests en activa-passiva-beheer voedt, vormen de "catastrofale ruwe-MA-divergentiepieken" die optreden bij geïsoleerde rollende oorsprongen onder de ruwe specificatie een kritieke faalmodus. De gecentreerde specificatie vermijdt deze pieken zonder operatorinterventie (bijvoorbeeld automatische herberekeningen).
2. Minimale Kosten: De aanpassing is analytisch, plug-in en vereist slechts een lokale wijziging in de berekening van de MA-innovatie. Het behoudt de voorspellende inhoud van het model terwijl het de conditionering van de posterieur voor de MA-coëfficiënten aanzienlijk verbetert.
3. Theoretische Verduidelijking: Het werk verduidelijkt dat hoewel de ruwe en gecentreerde specificaties voorspellend equivalent zijn in regimes van hoge precisie, de ruwe specificatie een deterministische verschuiving introduceert die onnodige spanning creëert in de gezamenlijke posterieur, wat leidt tot steekproefpathologieën die de gecentreerde formulering oplost.

De auteurs concluderen dat centrering de natuurlijke standaard moet zijn voor MA-termen in door observaties gedreven Dirichlet ARMA-modellen, met name wanneer de kwaliteit van de posterieur-simulatie prioriteit heeft voor stroomafwaartse toepassingen.