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

1. Formulação do Problema

O artigo aborda o desafio de modelar e filtrar dados de séries temporais onde os erros de medição exibem caudas pesadas (outliers) sobrepostos a ruído gaussiano padrão.

• Contexto: Em muitos campos (por exemplo, espectroscopia, finanças), as observações são a soma de um sinal latente (frequentemente gaussiano) e ruído de medição que combina ruído de fundo ordinário com choques extremos ocasionais.
• O Modelo: Os autores focam na Convolução Gauss-Cauchy, conhecida como distribuição de Voigt ($V$), que é a convolução de uma Gaussiana $N(\mu, \sigma^2)$ e uma Cauchy $C(0, \gamma)$.
• O Gargalo: Historicamente, o uso da distribuição de Voigt em inferência baseada em verossimilhança tem sido limitado porque sua densidade não é uma função elementar. Os praticantes geralmente dependem de:
  • Convolução numérica (computacionalmente cara).
  • Aproximações Pseudo-Voigt (modelos de mistura que carecem da interpretação de ruído aditivo).
  • Derivadas de diferenças finitas (instáveis).
  • Métodos baseados em simulação.
• A Lacuna: Havia uma falta de um framework analítico tratável e exato para a Estimativa de Máxima Verossimilhança (MLE) e filtragem robusta de espaço de estados usando a verdadeira densidade de Voigt.

2. Metodologia

A. Derivações Analíticas para a Distribuição de Voigt

O avanço metodológico central é a derivação de expressões de forma fechada para a densidade de Voigt e suas derivadas usando a função erro complementar escalonada ($\text{erfcx}$), também conhecida como função de Faddeeva.

• Representação da Densidade: Os autores expressam a densidade de Voigt $f_Y(y)$ usando a parte real da função erro complementar escalonada avaliada em uma linha complexa específica.
• Fechamento Algébrico: Eles provam que todas as derivadas de ordem finita da densidade (escore, Hessiana, etc.) são funções algébricas das partes real e imaginária desta função especial.
• Implicação: Isso permite o cálculo exato da verossimilhança, vetor de escore e matriz Hessiana sem integração numérica, quadratura ou aproximações.

B. Momentos Condicionais e Fórmula de Tweedie

O artigo deriva a expectativa e a variância condicionais do componente gaussiano latente dada uma observação.

• Fórmula de Tweedie: Usando a fórmula de Tweedie para convoluções gaussianas, eles mostram que a média condicional do sinal latente é proporcional à função de escore da densidade marginal de Voigt.
• Propriedade de Redescenso: Uma descoberta crítica é que a expectativa condicional é redescendente.
  • Para erros de previsão pequenos, a relação é aproximadamente linear (como um filtro de Kalman).
  • Para erros de previsão grandes (outliers extremos), a média condicional redescende em direção a zero.
  • Interpretação: O filtro identifica automaticamente observações extremas como prováveis "ruído" (componente Cauchy) em vez de "sinal" (componente Gaussiano), descontando-as efetivamente em vez de propagá-las para a estimativa de estado.

C. O Filtro de Convolução Gauss-Cauchy (GCC)

Os autores constroem um filtro robusto de espaço de estados para sistemas lineares com dinâmicas latentes gaussianas e erros de medição de Voigt.

• Aproximação de Masreliez: Eles assumem que a densidade de previsão um passo à frente do estado latente é gaussiana.
• Fechamento de Voigt: Como a soma de uma Gaussiana (erro de previsão de estado) e uma Voigt (erro de medição) é outra distribuição de Voigt, a densidade do erro de previsão permanece na família de Voigt.
• Regra de Atualização: A atualização do estado é impulsionada pelo escore de localização de Voigt. Isso substitui a atualização linear do filtro de Kalman por uma atualização não linear e robusta que lida naturalmente com outliers.
• Suavização: Um suavizador de Rauch-Tung-Striebel (RTS) é derivado com base nos momentos filtrados.

D. Inferência e Assintótica

• MLE: O artigo estabelece a consistência e a normalidade assintótica do MLE para os parâmetros de Voigt, apesar do fato de a própria distribuição de Voigt não ter momentos finitos (devido à cauda Cauchy). Isso é possível porque o escore e a informação de Fisher são bem definidos.
• QMLE para Espaço de Estados: Para o modelo dinâmico, os parâmetros são estimados via Máxima Verossimilhança Quase (QMLE), tratando a aproximação de Masreliez como o processo gerador de dados para os erros de previsão.

3. Resultados Principais

Resultados Teóricos e de Simulação

• Inferência Exata: O artigo demonstra que o MLE exato é computacionalmente viável e estável, superando aproximações Pseudo-Voigt que introduzem erros de especificação.
• Desempenho em Amostra Finita: Simulações de Monte Carlo mostram que o MLE é não viesado e eficiente para tamanhos de amostra moderados. Os erros padrão assintóticos derivados da matriz de informação de Fisher fornecem aproximações precisas.
• Precisão da Aproximação: Os autores comparam o filtro GCC contra uma referência exata (propagação de densidade numérica). Eles descobrem que a aproximação de previsão Gaussiana de Masreliez introduz erro negligenciável (divergência de Kullback-Leibler $< 10^{-4}$) na região empiricamente relevante onde o componente Cauchy é pequeno em relação ao componente Gaussiano.
• Robustez: O filtro separa com sucesso sinais latentes persistentes de ruído transitório de cauda pesada, ao contrário do filtro de Kalman padrão, que é sensível a outliers.

Aplicação Empírica

• Dados: Volatilidade realizada logarítmica diária para o Technology Select Sector SPDR Fund (XLK) de 1998 a 2025.
• Comparação: O filtro GCC é comparado contra filtros Gaussiano (Kalman), Cauchy, Student-$t$, Huber e Normal-Laplace.
• Descobertas:
  • O filtro GCC alcança a maior pseudo-verossimilhança logarítmica ($-1.306$) em comparação com a referência Gaussiana ($-2.465$) e outras alternativas robustas (Student-$t$: $-1.349$; Huber: $-1.444$).
  • Decomposição: As estimativas do GCC revelam um ruído de medição Gaussiano dominante ($\sigma \approx 0,18$) e um componente Cauchy pequeno, mas significativo ($\gamma \approx 0,02$).
  • Comportamento de Filtragem: O filtro GCC produz uma série de volatilidade latente suave que ignora picos extremos (por exemplo, Flash Crash, bolha da internet), que são corretamente atribuídos ao componente de ruído Cauchy. Em contraste, o filtro Gaussiano infla a variância para acomodar esses picos, levando a uma estimativa de estado mais ruidosa.

4. Contribuições Principais

1. Teoria de Verossimilhança Tratável: O artigo resolve a percepção de longa data de que a inferência baseada em Voigt é computacionalmente intratável, fornecendo expressões analíticas de forma fechada para a densidade, escore e Hessiana usando funções especiais.
2. Filtragem Robusta Probabilística: Ao contrário de filtros robustos que impõem uma função de escore redescendente ad hoc (por exemplo, perda de Huber), o filtro GCC deriva a propriedade de redescenso endogenamente a partir da expectativa condicional de um sinal latente Gaussiano observado com ruído Cauchy. Isso fornece uma microfundação probabilística rigorosa para a filtragem robusta.
3. Filtragem Exata de Espaço de Estados: Os autores desenvolvem um filtro recursivo que mantém a tratabilidade analítica, evitando a necessidade de integração numérica ou filtros de partículas, enquanto aninha o filtro de Kalman (quando $\gamma \to 0$) e o filtro Cauchy puro (quando $\sigma \to 0$).
4. Validação Empírica: A aplicação à volatilidade financeira demonstra que a convolução Gauss-Cauchy oferece uma decomposição superior de dinâmicas persistentes e ruído transitório em comparação com alternativas de cauda pesada padrão.

5. Significado

• Para Econometria e Finanças: O artigo fornece uma ferramenta poderosa para filtrar séries temporais financeiras (como volatilidade) onde eventos de "cisne negro" são comuns, mas as dinâmicas subjacentes são gaussianas. Oferece uma maneira principista de distinguir entre quebras estruturais e outliers de medição.
• Para Física e Espectroscopia: Revitaliza o uso do perfil de Voigt na modelagem estatística, permitindo inferência de verossimilhança exata, indo além da dependência de aproximações.
• Para Aprendizado de Máquina: As expressões analíticas para o escore e a informação de Fisher podem ser usadas para refinar estimativas de aprendizado de máquina de perfis de Voigt ou para construir medidas de incerteza para tais modelos.

Em resumo, Hansen e Tong demonstram que a convolução Gauss-Cauchy não é apenas uma distribuição de cauda pesada, mas um framework computacionalmente tratável que unifica inferência de verossimilhança exata com extração robusta de sinais, oferecendo melhorias significativas sobre métodos existentes tanto na teoria quanto na prática.