Frequency-Domain Analysis of Time Series with Network-Structured Dependence: Application to Global Bank Connectedness

Título: Análise em Domínio da Frequência de Séries Temporais com Dependência Estruturada em Rede: Aplicação à Conectividade Bancária Global

Autores: Cristian F. Jiménez-Varón e Marina I. Knight
Instituição: Departamento de Matemática, Universidade de York
Data: 7 de abril de 2026

1. O Problema

A compreensão das interconexões estruturais entre instituições financeiras (especialmente bancos) é fundamental para avaliar riscos sistêmicos e garantir a estabilidade financeira. Embora as medidas de conectividade em domínio do tempo (como as de Diebold e Yilmaz, baseadas em decomposição de variância de erros de previsão de modelos VAR) sejam amplamente utilizadas, elas apresentam limitações críticas:

• Agregação Temporal: Elas agregam o comportamento dinâmico ao longo do tempo, mascarando como os spillovers (transbordamentos) operam em diferentes horizontes temporais ou frequências.
• Falta de Topologia Explícita: Abordagens existentes em domínio da frequência (como as de Baruník e Křehlík) tratam o sistema como um processo multivariado puramente orientado por dados, ignorando a topologia de rede pré-definida (ex: links institucionais físicos) que governa a evolução do sistema.
• Interações de Múltiplos Saltos: Métodos tradicionais de processamento de sinais em grafos (GSP) geralmente tratam a rede como um operador estático (ex: Laplaciano fixo) focado em interações de vizinhos imediatos, falhando em capturar efeitos de transmissão de choques através de caminhos de múltiplos saltos (intermediários).

O desafio central é desenvolver uma metodologia que integre a estrutura da rede (topologia conhecida) à análise espectral, permitindo a decomposição das dependências temporais em componentes de frequência específicos, incluindo dependências indiretas (multi-hop).

2. Metodologia

Os autores propõem um framework de estimativa espectral para séries temporais com dependência estruturada em rede (TS-NSD). A abordagem combina modelos paramétricos e não paramétricos, ambos restringidos pela topologia da rede.

2.1. Fundamentação Teórica

• Modelos de Base: O trabalho utiliza modelos como o GNAR (Generalized Network Autoregressive) e NAR (Network Autoregressive), que podem ser representados como processos VAR (Vector Autoregressive) com restrições estruturais impostas pela matriz de adjacência da rede.
• Densidade Espectral Paramétrica: Define-se uma matriz de densidade espectral $f(\omega, G)$ que incorpora explicitamente a estrutura da rede $G$ através das matrizes de adjacência de $r$-ésima etapa ($A_r$) e pesos de arestas. Isso permite capturar como a dependência decai com a distância no grafo.
• Coerência e Coerência Parcial: São definidas medidas de coerência e coerência parcial no domínio da frequência, baseadas na densidade espectral e na sua inversa (matriz de precisão), permitindo identificar dependências diretas e condicionais entre nós em frequências específicas.

2.2. Estratégias de Estimação

O paper propõe duas abordagens principais para estimar a densidade espectral:

1. Estimação Paramétrica:

   • Ajusta-se um modelo TS-NSD (ex: GNAR) aos dados.
   • Substituem-se os parâmetros estimados na representação espectral teórica.
   • Vantagem: Alta eficiência computacional e interpretabilidade quando o modelo gerador de dados está correto.

2. Estimação Não Paramétrica com Restrições de Rede:

   • Parte-se de um periodograma suavizado (estimador padrão não paramétrico).
   • Otimização Restrita: O problema de estimação é reformulado como uma maximização de verossimilhança gaussiana restrita.
   • Transformação Real-Complexa: Como o periodograma é complexo, ele é decomposto em partes real e imaginária e transformado em uma matriz aumentada real-valued.
   • Penalização Estrutural: Impõe-se que as entradas da matriz de precisão inversa (condicional) sejam zero para pares de nós que não compartilham arestas (ou caminhos de múltiplos saltos, dependendo da profundidade $r^*$ definida).
   • Matriz de Penalidade de Ordem Superior ($A_{HO}$): Para capturar dependências indiretas, propõe-se uma matriz de adjacência que soma as matrizes de adjacência de até $2r^*$ etapas, permitindo que o estimador não suprima dependências estatísticas válidas entre nós não adjacentes diretamente, mas conectados via intermediários.

3. Principais Contribuições

1. Integração Topologia-Frequência: Desenvolvimento de um framework que incorpora explicitamente a topologia de rede conhecida na análise espectral, superando a visão de "caixa preta" de métodos puramente baseados em dados.
2. Captura de Dependências Multi-hop: A metodologia permite modelar e estimar efeitos de transbordamento que ocorrem através de nós intermediários, não se limitando a conexões diretas.
3. Dualidade Paramétrica/Não Paramétrica:
   • Oferece um estimador paramétrico eficiente quando a estrutura do modelo é conhecida.
   • Oferece um estimador não paramétrico robusto (via otimização restrita) que lida com má especificação do modelo, mantendo a estrutura da rede como um regularizador.
4. Novas Métricas de Conectividade: Definição de coerência e coerência parcial específicas para redes, permitindo analisar como a volatilidade se transmite em diferentes ciclos (frequências).

4. Resultados

4.1. Estudo de Simulação

• Cenário de Modelo Correto: Quando os dados gerados seguem exatamente o modelo paramétrico (GNAR), o estimador paramétrico supera consistentemente os métodos não paramétricos e os VARs livres de rede, especialmente em amostras pequenas ($T=100$).
• Robustez a Má Especificação: Em cenários onde o processo gerador de dados (DGP) é não paramétrico (baseado em estrutura espectral de wavelets), os estimadores paramétricos falham (RMSE estagnado), enquanto os estimadores não paramétricos convergem.
• Impacto da Penalização: O estimador não paramétrico com penalização baseada na rede (CNP) demonstrou o melhor desempenho em cenários de DGP não paramétrico, provando que incorporar a estrutura da rede em um framework flexível é a abordagem mais robusta quando a forma funcional exata é desconhecida.

4.2. Aplicação: Conectividade Bancária Global

• Dados: Volatilidade de retornos de ações de 57 bancos globais (2003-2014).
• Rede: Construída via Decomposição de Variância de Erro de Previsão Generalizada (GFEVD).
• Descobertas:
  • Decaimento Espacial: A força da co-movimento de volatilidade decai conforme a distância na rede (número de saltos) aumenta, em todas as frequências.
  • Frequência Específica: Pares de bancos no mesmo país (distância $r=1$) exibem o acoplamento mais forte. Pares desconectados (distância $r > 2$) mostram comportamentos distintos, incluindo inversões de fase em baixas frequências (comportamento anti-síncrono).
  • Insight: A análise espectral revelou padrões de transmissão de volatilidade que modelos de domínio do tempo agregariam, mostrando que a dependência entre bancos varia significativamente dependendo se o choque é de curto ou longo prazo.

5. Significância e Conclusão

Este trabalho preenche uma lacuna crítica na econometria financeira e na análise de redes, fornecendo ferramentas para entender como e quando os choques se propagam em sistemas interconectados.

• Para Reguladores e Gestores de Risco: A capacidade de distinguir entre spillovers de curto prazo (alta frequência) e longo prazo (baixa frequência) permite uma avaliação mais precisa do risco sistêmico e da resiliência da rede bancária.
• Avanço Metodológico: Demonstra que a imposição de restrições topológicas na estimação espectral melhora a precisão e a interpretabilidade, superando as limitações dos métodos VAR tradicionais e do processamento de sinais em grafos (GSP) convencionais.
• Escalabilidade: A abordagem é viável para redes de alta dimensão, oferecendo uma alternativa robusta à superparametrização de modelos VAR livres.

Em suma, o paper estabelece um novo paradigma para a análise de séries temporais em redes, onde a estrutura do grafo não é apenas um dado de entrada, mas um componente fundamental que molda a dinâmica espectral do sistema.