Change-point estimation for Weibull time series with copula-based Markov models

Technische Samenvatting: Schatting van veranderpunten voor Weibull-tijdreeksen met op kopula gebaseerde Markov-modellen

Probleemstelling
Het artikel behandelt de uitdaging van offline schatting van veranderpunten in tijdreeksdata die gekenmerkt worden door niet-lineaire seriële afhankelijkheid en niet-negatieve waarnemingen, zoals gebeurtenistijden en volatiliteitsmaten. Traditionele methodologieën voor veranderpunten maken vaak gebruik van aannames van onafhankelijke waarnemingen of lineaire afhankelijkheidsstructuren (bijvoorbeeld autoregressieve modellen), die vaak ontoereikend zijn om de asymmetrische en niet-lineaire afhankelijkheidsstructuren vast te leggen die in praktische tijdreeksen wijdverbreid zijn. De auteurs beogen een raamwerk te ontwikkelen dat in staat is om structurele veranderingen zowel in marginale verdelingen als in de onderliggende afhankelijkheidsstructuur gelijktijdig te detecteren.

Methodologie
De auteurs stellen een op kopula gebaseerd Markov-ketenmodel met Weibull-marginalen voor. De methodologie is als volgt gestructureerd:

• Modelstructuur: De tijdreeks $\{X_t\}$ wordt gemodelleerd als een tweestapsproces met één enkel veranderpunt $\tau$. Voor $\tau$ volgen waarnemingen een Weibull-verdeling met parameters $(\lambda_0, k_0)$; na $\tau$ volgen ze een Weibull-verdeling met parameters $(\lambda_1, k_1)$.
• Modellering van afhankelijkheid: Seriële afhankelijkheid wordt gemodelleerd met behulp van kopula's. De studie neemt specifiek de Clayton-kopula op om asymmetrische onderstaart-afhankelijkheid vast te leggen, en de Joe-kopula voor bovenstaart-afhankelijkheid. De gezamenlijke verdeling van opeenvolgende waarnemingen wordt gedefinieerd via de kopulafunctie $C_\alpha$ toegepast op de marginale cumulatieve verdelingsfuncties. Voor het paar $(X_\tau, X_{\tau+1})$ bij het veranderpunt wordt een specifieke overgangparameter $\alpha_{01}$ aangenomen, die wordt behandeld als een vaste, bekende grootheid vanwege identificeerbaarheidsproblemen met één enkel paar waarnemingen.
• Schatprocedure:
  • Maximum Likelihood Schatting (MLE): De log-likelihoodfunctie wordt afgeleid op basis van de conditionele dichtheden van de Markov-keten. Aangezien de likelihood niet differentieerbaar is met betrekking tot het discrete veranderpunt $\tau$, wordt een tweestaps profiel-likelihoodbenadering toegepast.
  • Newton–Raphson-algoritme: Voor een vast $\tau$ worden de overige parameters numeriek geschat met het Newton–Raphson-algoritme. Om numerieke stabiliteit te waarborgen en om te gaan met parameterbeperkingen (bijvoorbeeld $\lambda, k > 0$), wordt een herparameteriseringstechniek toegepast (bijvoorbeeld het transformeren van $\lambda$ naar $\log(\lambda)$).
  • Interval-schatting: Betrouwbaarheidsintervallen voor zowel modelparameters als het veranderpunt worden geconstrueerd met behulp van een parametrische bootstrap Monte Carlo-procedure.
• Empirische toepassing: De methode wordt toegepast op twee datasets: de dagelijkse VIX-index tijdens de COVID-19-pandemie (2019–2020) en de interarrival-tijden van VIX-waarden die een drempel van 30 overschrijden over een langere periode (2018–2024).

Belangrijkste resultaten
Uitgebreide simulatiestudies en empirische analyses zijn uitgevoerd om de prestaties van de voorgestelde schatters te evalueren:

• Prestaties in eindige steekproeven: Simulatie-resultaten geven aan dat de voorgestelde schatters goed presteren in termen van de Root Mean Square Error (RMSE) en de Relatieve Fout (RE). De schatting van het veranderpunt $\tau$ is bijzonder nauwkeurig, waarbij de RE-waarden klein blijven zelfs bij matige modelmisspecificatie.
• Robuustheid tegen misspecificatie: De studie onderzocht scenario's waarbij de aangenomen kopulafamilie afweek van het ware data-genererende proces. Hoewel de schatting van staart-afhankelijkheidsparameters ($\alpha$) gevoelig bleek voor kopula-misspecificatie (met een toename van de RE), bleef de schatting van het veranderpunt $\tau$ relatief stabiel en robuust.
• Steekproefgrootte en afhankelijkheid: De schattingsnauwkeurigheid verbeterde over het algemeen met grotere steekproefgroottes. Sterkere afhankelijkheidsstructuren verhoogden de RMSE voor parameterschattingen licht, maar degradeerden de prestaties van de veranderpunt-schatter niet significant.
• Empirische bevindingen (VIX-gegevens):
  • Bij de analyse van de VIX-index tijdens de COVID-19-pandemie identificeerde het model een structureel veranderpunt rond eind februari 2020 (specifiek $\hat{\tau} = 121$ voor het Clayton-model en $\hat{\tau} = 120$ voor het Joe-model), wat overeenkomt met het begin van de pandemie en de daaropvolgende marktvolatiliteit.
  • Modelselectie via het Akaike Informatiecriterium (AIC) gaf de voorkeur aan het op Clayton-kopula gebaseerde Markov-model, wat suggereert dat de VIX-reeks tijdens de crisisperiode een sterkere onderstaart-afhankelijkheid (downside risk) vertoonde.
  • De analyse van interarrival-tijden voor VIX-waarden boven de 30 detecteerde eveneens een structurele verandering rond begin maart 2020, wat de bevinding bevestigt dat de pandemie een verschuiving veroorzaakte in zowel de marginale verdeling als de seriële afhankelijkheidsstructuur van marktvrees.

Betekenis en claims
Het artikel beweert dat het voorgestelde raamwerk een flexibele en betrouwbare aanpak biedt voor schatting van veranderpunten in niet-negatieve tijdreeksen met niet-lineaire afhankelijkheid. Door marginale verdelingen te ontkoppelen van afhankelijkheidsstructuren via kopula's, maakt de methode modellering van asymmetrische staartgedragingen mogelijk die lineaire modellen niet kunnen vastleggen.

De auteurs benadrukken dat, hoewel de schatting van afhankelijkheidsparameters zorgvuldige modelselectie vereist om misspecificatiebias te vermijden, het primaire doel van het detecteren van het structurele veranderpunt robuust blijft, zelfs als de kopulafamilie niet perfect is gespecificeerd. De empirische toepassing op financiële volatiliteitsdata demonstreert de praktische bruikbaarheid van de aanpak bij het identificeren van regimeverschuivingen geassocieerd met grote wereldwijde gebeurtenissen, en onderstreept het belang van rekening houden met asymmetrische staart-afhankelijkheid in de analyse van financiële tijdreeksen tijdens perioden van marktdruk.

Toekomstige richtingen
Het artikel suggereert verschillende avenues voor toekomstig onderzoek, waaronder:

• Het uitbreiden van het raamwerk om meerdere veranderpunten te accommoderen.
• Het onderzoeken van alternatieve kopulafamilies (bijvoorbeeld Gaussian, Gumbel, survival-Gumbel) om verschillende vormen van afhankelijkheid vast te leggen.
• Het incorporeren van flexibelere marginale verdelingen om de aanpasbaarheid te verbeteren.
• Het verkennen van Bayesiaanse benaderingen of op simulatie gebaseerde methoden om te voldoen aan de rekenkundige eisen bij complexere kopula-structuren.