技术摘要：网络上的多尺度动态依赖性估计

问题陈述

现代科学与工业数据集通常由多元时间序列组成，这些序列的跨变量依赖关系受已知的底层网络拓扑结构（例如金融系统、大脑网络、气候监测）约束。分析此类数据的一个关键挑战在于，这些序列通常是非平稳的，这意味着其二阶性质随时间而变化。现有框架面临显著局限性：

• 传统多元方法： 如多元局部平稳小波（MvLSW）框架（Park et al., 2014），虽然对时变谱性质进行了建模，但将系统视为无约束状态。它们无法纳入已知的网络结构，导致参数过拟合，并无法在网络语境下区分直接依赖与间接依赖。
• 网络自回归模型： 时域模型（如广义网络自回归 GNAR 过程）通过节点邻域来正则化交互，但往往缺乏在遵循图拓扑的同时，显式捕捉时变、尺度相关跨变量依赖关系的能力。
• 推断挑战： 在非平稳设置下估计条件依赖性，通常需要反转无限维协方差算子（在实践中是不可行的），或者在所有尺度上同时应用联合线性矩阵修正，这会污染网络拓扑约束（即：原始参数中的强制结构零值无法映射到最终逆谱中的零值）。

方法论：Net-LSW 框架

作者提出了**网络上的局部平稳小波过程（Locally Stationary Wavelet processes on Networks, Net-LSW）**框架，该框架将网络结构显式嵌入到过程随机增量的协方差中。

1. 模型定义

Net-LSW 过程 $\{X^N_t\}$ 定义为尺度特定子过程之和：
$$X^N_t = \sum_{j \ge 1} \sum_{k \in \mathbb{Z}} W^N_j\left(\frac{k}{T}\right) \psi_{j,k}(t) \xi^N_{j,k}$$
其核心结构创新包括：

• 对角传递函数： 幅度矩阵 $W^N_j(z)$ 被约束为对角阵，确保节点特定的幅度与传递机制相互独立。
• 网络编码的创新项： 跨变量依赖性完全编码在创新向量 $\xi^N_{j,k}$ 的协方差中。协方差矩阵 $\Lambda^N_j(z)$ 的逆（浓度矩阵 $\Gamma^N_j(z)$）遵循图 $G=(N, E)$。
• 结构等价性： 至关重要的是，不存在边 $(p, q) \notin E$ 对应于对于所有尺度 $j$ 和重缩放时间 $z$，浓度矩阵中的零元素 $[\Gamma^N_j(z)]_{p,q}$。

2. 局部偏相关图

论文引入了小波域中的局部偏相关图。研究表明，对于 Net-LSW 过程，观测该过程的图 $G$ 与其局部偏相关图是恒等的。具体而言，当且仅当局部偏谱相干性 $\eta^N_j(z)$ 对于所有 $j, z$ 均为零时，不存在边。这将在 Dahlhaus (2000a) 的经典平稳傅里叶域结果扩展到了非平稳小波设置中。

3. 估计策略：基于子过程的方法

为了估计局部的跨节点依赖，作者开发了一种新型的基于子过程的估计方案：

• 逐尺度分解： 该方法并非直接对全过程进行操作，而是分离出尺度特定的子过程 $\{X_{j,t}\}$。这简化了小波系数与谱矩阵之间的关系，确保在加入网络惩罚后，高斯似然函数保持凸性。
• 潜在子过程的近似： 由于潜在子过程是不可观测的，作者提出了一种鲁棒的投影方法，利用小波合成从聚合的观测系数中重建这些子过程。
• 约束优化： 对于每个尺度 $j$ 和时间点 $z$，该方法求解一个有限维的、凸的、带有网络惩罚的优化问题（使用图形协方差选择，例如 glasso），以估计精度矩阵 $\Theta_j(z)$。这确保了网络中的结构零值在估计器中得到严格执行。
• 一致性： 作者证明了平滑后的子过程谱估计量具有渐近均方一致性，且受网络约束的精度估计量是唯一且一致的。

关键结果

模拟研究

该框架在各种网络拓扑（5、10 和 25 个节点）和非平稳调制类型（瞬态爆发、变点、趋势）下，针对标准无约束 MvLSW 方法（Park et al., 2014）进行了评估。

• 准确性： Net-LSW 框架始终优于 MvLSW。在 10 节点网络的偏相干估计中，Net-LSW 的 MSE 为 0.00272，而 MvLSW 为 0.03681（误差降低了 >92%）。
• 可扩展性： 随着网络规模增大，MvLSW 的误差显著增加，而 Net-LSW 的误差则随之减小。
• 鲁棒性： 该方法在不同边密度（10% 到 50%）和样本量下均保持了性能，证明了强制执行结构约束即使在稠密网络配置中也能提高估计稳定性。
• 渐近行为： 虽然 M-VLSW 在复杂场景下表现出渐近失效的迹象（误差随样本量增加而增加），但 Net-LSW 展示了清晰的一致性，当 $T \to \infty$ 时趋于稳定。

实证应用：全球银行业网络

该框架被应用于 83 家全球主要银行 的每日股价波动率（2015 年 8 月 – 2023 年 12 月）。

• 网络构建： 使用来自高维 VAR 模型的广义预测误差方差分解（GFEVD）推导出一个静态连通图，并通过剪枝形成一个连通的最大成分。
• 发现：
  • COVID-19 冲击： 模型捕捉到了美国货币中心银行（摩根大通与花旗集团）之间在细尺度（$j=1$）下直接依赖性（偏相干性）的剧烈且局部化的上升，表明存在快速、短周期的压力传递。
  • 脱欧事件： 在 2016 年全民公投期间，观察到英国/欧洲银行（汇丰、法国兴业）之间在细尺度下的强局部性偏相干性爆发；随后在其他配对（劳埃德、渣打）中观察到延伸至 COVID-19 时期的中尺度协同运动。
  • 约束验证： 对于网络中没有直接边的银行对（例如汇丰与巴克莱），该框架正确地强制执行了零偏相干性，有效地过滤掉了驱动无条件协同运动的共同市场因素。

意义与主张

论文声称其贡献如下：

1. 理论统一： 它首次建立了网络结构化创新与非平稳时间序列图形模型之间的正式联系，确立了一个“局部偏相关图”，其中缺失的边对应于时变及尺度相关的精度矩阵中的结构零值。
2. 方法论创新： 通过引入基于子过程的、逐尺度的估计程序，解决了传统小波估计中的拓扑失配问题。这使得可以构建一个可处理的、凸的优化问题，在尊重网络约束的同时，避免了无限维算子反转的难解性。
3. 实际效用： 该框架成功恢复了高维、非平稳系统中演化的依赖结构。正如其在识别重大金融冲击（脱欧、COVID-19）期间时变的系统性转变方面的能力所证明的那样，它能严格遵循底层的网络拓扑。

作者总结道，尽管目前的框架假设网络是静态的，但它为建模多尺度、时变依赖关系提供了坚实的理论基础，未来的工作可能会涉及处理时变的边包含情况。