Exact Likelihood Inference and Robust Filtering for Gauss-Cauchy Convolution Models

1. Probleemstelling

Het artikel adresseert de uitdaging van het modelleren en filteren van tijdreeksdata waarbij meetfouten zware staarten (uitbijters) vertonen die zijn opgelegd aan standaard Gaussisch ruis.

• Context: In vele gebieden (bijv. spectroscopie, financiën) zijn waarnemingen de som van een latente signaal (vaak Gaussisch) en meetruis die gewone achtergrondruis combineert met occasionele extreme schokken.
• Het Model: De auteurs focussen op de Gauss-Cauchy Convolutie, bekend als de Voigt-verdeling ($V$), die de convolutie is van een Gaussische $N(\mu, \sigma^2)$ en een Cauchy $C(0, \gamma)$.
• De Bottleneck: Historisch gezien was het gebruik van de Voigt-verdeling in likelihood-gebaseerde inferentie beperkt omdat de dichtheid geen elementaire functie is. Beoefenaars vertrouwen doorgaans op:
  • Numerieke convolutie (rekenkundig duur).
  • Pseudo-Voigt benaderingen (mengmodellen die de interpretatie van additieve ruis missen).
  • Eindige-differentie-derivaten (onstabiel).
  • Op simulatie gebaseerde methoden.
• Het Gat: Er ontbrak een hanteerbaar, exact analytisch raamwerk voor Maximum Likelihood Schatting (MLE) en robuust state-space filteren met behulp van de ware Voigt-dichtheid.

2. Methodologie

A. Analytische Afleidingen voor de Voigt-verdeling

De kernmethodologische doorbraak is de afleiding van gesloten-vorm expressies voor de Voigt-dichtheid en haar afgeleiden met behulp van de geschaalde complementaire errorfunctie ($\text{erfcx}$), ook bekend als de Faddeeva-functie.

• Dichtheidsrepresentatie: De auteurs drukken de Voigt-dichtheid $f_Y(y)$ uit met behulp van het reële deel van de geschaalde complementaire errorfunctie, geëvalueerd op een specifieke complexe lijn.
• Algebraïsche Sluiting: Zij bewijzen dat alle eindige-orde afgeleiden van de dichtheid (score, Hessiaan, enz.) algebraïsche functies zijn van het reële en imaginaire deel van deze speciale functie.
• Implicatie: Dit maakt de exacte berekening van de likelihood, de scorevector en de Hessiaan-matrix mogelijk zonder numerieke integratie, kwadratuur of benaderingen.

B. Conditionele Momenten en de Formule van Tweedie

Het artikel leidt de conditionele verwachting en variantie van het latente Gaussische component af gegeven een waarneming.

• Formule van Tweedie: Met behulp van de formule van Tweedie voor Gaussische convoluties tonen zij aan dat de conditionele mean van het latente signaal evenredig is met de scorefunctie van de marginale Voigt-dichtheid.
• Redescending Eigenschap: Een cruciale bevinding is dat de conditionele verwachting redescending is.
  • Voor kleine voorspellingsfouten is de relatie ongeveer lineair (zoals een Kalman-filter).
  • Voor grote voorspellingsfouten (extreme uitbijters) daalt de conditionele mean terug naar nul.
  • Interpretatie: Het filter identificeert extreme waarnemingen automatisch als waarschijnlijk "ruis" (Cauchy-component) in plaats van "signaal" (Gaussisch component), en verwaarloost deze effectief in plaats van ze door te geven aan de staatsschatting.

C. Het Gauss-Cauchy Convolutie (GCC) Filter

De auteurs construeren een robuust state-space filter voor lineaire systemen met Gaussische latente dynamiek en Voigt-meetfouten.

• Masreliez-benadering: Zij veronderstellen dat de voorspellingsdichtheid van de latente staat één stap vooruit Gaussisch is.
• Voigt-sluiting: Omdat de som van een Gaussische (staatvoorspellingsfout) en een Voigt (meetfout) weer een Voigt-verdeling is, blijft de dichtheid van de voorspellingsfout binnen de Voigt-familie.
• Update-regel: De staatsupdate wordt gedreven door de Voigt-locatiescore. Dit vervangt de lineaire update van het Kalman-filter door een niet-lineaire, robuuste update die op natuurlijke wijze omgaat met uitbijters.
• Smoothing: Een Rauch-Tung-Striebel (RTS) smoother wordt afgeleid op basis van de gefilterde momenten.

D. Inferentie en Asymptotiek

• MLE: Het artikel stelt de consistentie en asymptotische normaliteit van de MLE voor de Voigt-parameters vast, ondanks het feit dat de Voigt-verdeling zelf geen eindige momenten heeft (vanwege de Cauchy-staart). Dit is mogelijk omdat de score en Fisher-informatie goed gedefinieerd zijn.
• QMLE voor State-Space: Voor het dynamische model worden parameters geschat via Quasi-Maximum Likelihood (QMLE), waarbij de Masreliez-benadering wordt behandeld als het data-genererende proces voor de voorspellingsfouten.

3. Belangrijkste Resultaten

Theoretische en Simulatie-resultaten

• Exacte Inferentie: Het artikel demonstreert dat exacte MLE rekenkundig haalbaar en stabiel is, en presteert beter dan pseudo-Voigt-benaderingen die specificatiefouten introduceren.
• Finite-Sample Prestaties: Monte Carlo-simulaties tonen aan dat de MLE onbevooroordeeld en efficiënt is voor matige steekproefgroottes. De asymptotische standaardfouten afgeleid uit de Fisher-informatiematrix bieden accurate benaderingen.
• Benaderingsnauwkeurigheid: De auteurs vergelijken het GCC-filter met een exacte benchmark (numerieke dichtheidspropagatie). Zij vinden dat de Masreliez-Gaussische voorspellingsbenadering verwaarloosbare fouten introduceert (Kullback-Leibler-divergentie $< 10^{-4}$) in het empirisch relevante gebied waar het Cauchy-component klein is ten opzichte van het Gaussische component.
• Robuustheid: Het filter scheidt succesvol persistente latente signalen van transiënte zwaarstaartige ruis, in tegenstelling tot het standaard Kalman-filter dat gevoelig is voor uitbijters.

Empirische Toepassing

• Data: Dagelijkse log-realisatie volatiliteit voor de Technology Select Sector SPDR Fund (XLK) van 1998 tot 2025.
• Vergelijking: Het GCC-filter wordt vergeleken met Gaussische (Kalman), Cauchy, Student-$t$, Huber en Normal-Laplace filters.
• Vondsten:
  • Het GCC-filter bereikt de hoogste pseudo-log-likelihood ($-1.306$) vergeleken met de Gaussische benchmark ($-2.465$) en andere robuuste alternatieven (Student-$t$: $-1.349$; Huber: $-1.444$).
  • Decompositie: De GCC-schattingen onthullen een dominant Gaussisch meetruis ($\sigma \approx 0,18$) en een klein maar significant Cauchy-component ($\gamma \approx 0,02$).
  • Filtergedrag: Het GCC-filter produceert een gladde latente volatiliteitsreeks die extreme pieken negeert (bijv. Flash Crash, Dot-com bubbel) die correct worden toegeschreven aan het Cauchy-ruiscomponent. Daarentegen inflateert het Gaussische filter de variantie om deze pieken te accommoderen, wat leidt tot een ruizigere staatsschatting.

4. Belangrijkste Bijdragen

1. Hanteerbare Likelihood-theorie: Het artikel lost de langdurige perceptie op dat Voigt-gebaseerde inferentie rekenkundig onhanteerbaar is, door gesloten-vorm analytische expressies te bieden voor de dichtheid, score en Hessiaan met behulp van speciale functies.
2. Probabilistisch Robuust Filteren: In tegenstelling tot robuuste filters die een redescending scorefunctie ad hoc opleggen (bijv. Huber-verlies), leidt het GCC-filter de redescending eigenschap endogeen af uit de conditionele verwachting van een latente Gaussisch signaal waargenomen met Cauchy-ruis. Dit biedt een rigoureuze probabilistische micro-fundering voor robuust filteren.
3. Exact State-Space Filteren: De auteurs ontwikkelen een recursief filter dat analytische hanteerbaarheid behoudt, waardoor de noodzaak voor numerieke integratie of deeltjessfilters wordt vermeden, terwijl het het Kalman-filter (als $\gamma \to 0$) en het pure Cauchy-filter (als $\sigma \to 0$) omvat.
4. Empirische Validatie: De toepassing op financiële volatiliteit demonstreert dat de Gauss-Cauchy convolutie een superieure decompositie biedt van persistente dynamiek en transiënte ruis in vergelijking met standaard zwaarstaartige alternatieven.

5. Betekenis

• Voor Econometrie en Financiën: Het artikel biedt een krachtig instrument voor het filteren van financiële tijdreeksen (zoals volatiliteit) waar "black swan"-gebeurtenissen veelvoorkomend zijn maar de onderliggende dynamiek Gaussisch is. Het biedt een principiële manier om onderscheid te maken tussen structurele breuken en meetuitbijters.
• Voor Natuurkunde en Spectroscopie: Het revitaliseert het gebruik van het Voigt-profiel in statistisch modelleren door exacte likelihood-inferentie mogelijk te maken, en gaat voorbij aan de afhankelijkheid van benaderingen.
• Voor Machine Learning: De analytische expressies voor de score en Fisher-informatie kunnen worden gebruikt om machine learning-schattingen van Voigt-profielen te verfijnen of om onzekerheidsmaten voor dergelijke modellen te construeren.

Kortom, Hansen en Tong demonstreren dat de Gauss-Cauchy convolutie niet slechts een zwaarstaartige verdeling is, maar een rekenkundig hanteerbaar raamwerk dat exacte likelihood-inferentie verenigt met robuust signaal-extractie, en aanzienlijke verbeteringen biedt ten opzichte van bestaande methoden in zowel theorie als praktijk.