Resumo Técnico: MA de Inovação Centralizada para ARMA de Dirichlet Bayesiano

1. Formulação do Problema

Séries temporais composicionais, onde as observações somam um total fixo (por exemplo, participações de ativos bancários), são frequentemente modeladas usando a distribuição Dirichlet mapeada para o espaço euclidiano via transformação log-razão aditiva (ALR). Em modelos Bayesianos Dirichlet ARMA (B–DARMA) orientados por observação, o bloco de média móvel (MA) tipicamente utiliza o resíduo ALR bruto, definido como $\epsilon_t^{raw} = \text{alr}(y_t) - \eta_t$, onde $\eta_t$ é o preditor linear.

Uma questão teórica fundamental surge sob precisão finita ($\phi_t$): a expectativa condicional da observação transformada por ALR, $E[\text{alr}(Y_t) | \mu_t, \phi_t]$, não é igual ao preditor linear $\eta_t$. Em vez disso, é uma função digama dos parâmetros de concentração. Consequentemente, o resíduo bruto $\epsilon_t^{raw}$ possui uma média condicional não nula da ordem $O(\phi_t^{-1})$. Esse viés distorce o caminho da média condicional, obscurece a interpretação dos coeficientes MA e introduz um deslocamento determinístico que os priores não antecipam. Enquanto abordagens frequentistas contornam isso usando ligações baseadas em digama que carecem de inversos de forma fechada, a estrutura bayesiana frequentemente retém a ligação ALR para tratabilidade, deixando esse viés sem solução.

2. Metodologia

O artigo propõe uma modificação analítica mínima ao framework B–DARMA: substituir o regressor MA bruto por uma inovação centralizada.

2.1 A Inovação Centralizada

Em vez de usar $\epsilon_t^{raw}$, os autores definem a inovação centralizada $\epsilon_t^\circ$ como:
$$\epsilon_t^\circ = \text{alr}(y_t) - E[\text{alr}(Y_t) | \mu_t, \phi_t]$$
O termo de média condicional $E[\text{alr}(Y_t) | \mu_t, \phi_t]$ está disponível em forma fechada via identidades digama:
$$g(\mu_t, \phi_t)_j = \psi(\phi_t \mu_{tj}) - \psi(\phi_t \mu_{tj^\star})$$
onde $\psi(\cdot)$ é a função digama e $j^\star$ é o componente de referência. Esse ajuste garante que a inovação MA tenha uma média condicional de zero, restaurando a interpretação padrão de choques MA sem alterar a verossimilhança Dirichlet ou exigir inversão numérica.

2.2 Equivalência Teórica

O artigo estabelece uma equivalência de primeira ordem no nível de recursão entre a especificação centralizada e um DARMA hipotético com ligação digama no regime de alta precisão ($\phi_t \to \infty$).

• Teorema 1: Sob condições explícitas de interior (limitadas afastadas da fronteira do simplex) e estabilidade de defasagem, a recursão de inovação centralizada e a recursão de ligação digama diferem por $O(r_T)$, onde $r_T = \max \phi_t^{-1}$.
• Implicação: Em regimes de alta precisão, as duas especificações devem ser preditivamente indistinguíveis no nível de recursão. No entanto, o artigo esclarece que essa equivalência teórica não governa automaticamente a geometria das posteriores bayesianas produzidas durante a reestimativa de parâmetros.

2.3 Recursão de Previsão

Uma vantagem prática chave da especificação centralizada é a restauração da recursão padrão de previsão ARMA.

• Centralizada: Choques futuros integram-se a zero. A média condicional de um passo à frente depende apenas de choques observados.
• Bruta: Resíduos brutos futuros contribuem via sua média condicional não nula, introduzindo um termo de viés que complica a lógica de previsão de múltiplos passos.

3. Aplicação Empírica

A metodologia é avaliada em participações semanais de ativos bancários do H.8 do Federal Reserve (Caixa, Títulos, Empréstimos, Outros) de outubro de 2015 a outubro de 2025 ($T=522$).

• Protocolo: Uma avaliação de um passo à frente rolante sobre 104 origens semanais.
• Comparação: Covariáveis, priores e configurações de amostrador idênticas (Monte Carlo via Hamiltoniano via Stan) são usadas para ambas as especificações "MA-Bruta" e "MA-Centralizada".
• Sensibilidade: Uma análise de quatro referências é conduzida, usando Caixa, Títulos, Empréstimos e "Outros" como componente de referência ALR, sucessivamente.

4. Resultados Chave

4.1 Desempenho Preditivo

• Indistinguibilidade: O desempenho preditivo das duas especificações é estatisticamente indistinguível em todas as métricas de precisão (ELPD, RMSE, MAE e cobertura).
• Invariância de Referência: Essa equivalência mantém-se independentemente do componente de referência ALR escolhido. A diferença cumulativa na Densidade Preditiva Logarítmica Esperada (ELPD) é negligenciável (por exemplo, +0,37 nats para a referência Empréstimos, com uma diferença média por origem de +0,0035 nats).
• Consistência com a Teoria: Esses resultados alinham-se com a equivalência teórica de alta precisão, pois a precisão realizada $\phi_t$ permaneceu bem acima da unidade (frequentemente >80) durante toda a janela de teste.

4.2 Geometria de Amostragem (Monte Carlo via Hamiltoniano)

Embora a precisão preditiva seja idêntica, as propriedades geométricas da posterior diferem drasticamente:

• Transições Divergentes: A especificação Bruta sofre significativamente mais transições divergentes de HMC, indicando geometria posterior patológica (regiões estreitas, curvas ou semelhantes a funil).
  • Referência Empréstimos: MA Bruta produziu 446 divergências em 104 origens, comparado a apenas 34 para MA Centralizada (uma razão de ~13:1).
  • Casos Extremos: Uma única origem em fevereiro de 2025 gerou 211 divergências para a especificação Bruta (com um fator potencial de redução de escala $\hat{R}$ de 1,58), enquanto a especificação Centralizada permaneceu limpa.
• Dependência de Referência da Geometria: A magnitude da vantagem geométrica varia conforme a referência. É mais dramática para a referência Empréstimos (onde os ajustes Brutos ocasionalmente falham catastróficamente) e diminui até a paridade para a referência Caixa, onde ambas as especificações comportam-se bem.
• ESS e $\hat{R}$: A especificação Centralizada produz consistentemente maiores Tamanhos Efetivos de Amostra (ESS) de massa e menores valores máximos de $\hat{R}$, indicando convergência mais confiável.

5. Significado e Alegações

O artigo alega que o valor primário da centralização é operacional e não preditivo.

1. Robustez Operacional: Em fluxos de trabalho de produção onde a simulação posterior alimenta testes de estresse a jusante e gestão de ativos-passivos, os "picos catastróficos de divergência de MA-bruta" que ocorrem em origens rolantes isoladas sob a especificação bruta são um modo de falha crítico. A especificação centralizada evita esses picos sem intervenção do operador (por exemplo, reajustes automáticos).
2. Custo Mínimo: O ajuste é analítico, plug-in e requer apenas uma mudança local no cálculo da inovação MA. Preserva o conteúdo preditivo do modelo enquanto melhora significativamente o condicionamento da posterior para os coeficientes MA.
3. Esclarecimento Teórico: O trabalho esclarece que, embora as especificações bruta e centralizada sejam preditivamente equivalentes em regimes de alta precisão, a especificação bruta introduz um deslocamento determinístico que cria tensão desnecessária na posterior conjunta, levando a patologias de amostragem que a formulação centralizada resolve.

Os autores concluem que a centralização deve ser o padrão natural para termos MA em modelos ARMA Dirichlet orientados por observação, particularmente quando a qualidade da simulação posterior é uma prioridade para aplicações a jusante.