Modèles espace d'état et états latents
Comprendre les équations de transition et de mesure, le filtrage, la prédiction, le lissage, l'identification et la manière dont les modèles espace d'état représentent des signaux financiers changeants
Réponse directe
Un modèle espace d'état sépare un état évolutif mais non observé des mesures bruitées produites par cet état. L'équation de transition décrit l'évolution de l'état latent ; l'équation de mesure le relie aux données observées. La prédiction utilise l'information disponible avant une nouvelle observation, le filtrage met à jour l'état à partir de l'observation courante et le lissage révise les états passés à l'aide de l'échantillon complet. L'état estimé dépend du modèle et n'est pas une vérité découverte directement : l'identification, les hypothèses de bruit, l'initialisation et les révisions en temps réel doivent rester visibles
Observations et états jouent des rôles différents
Un prix de marché est observé, tandis qu'un prix efficient, une tendance, une volatilité ou une prime de risque peuvent être traités comme un état latent
L'état est un résumé compact nécessaire pour décrire la dynamique et prévoir les observations futures. Il ne doit pas correspondre à un objet physiquement mesurable unique
Choisir un état est une décision de modélisation. Appeler une composante résiduelle « valeur fondamentale » ne rend pas cette interprétation économique identifiée
Deux équations définissent la représentation
L'équation de transition fait passer l'état d'une date à la suivante à l'aide de la persistance, des variables de contrôle et du bruit de processus
L'équation de mesure projette l'état courant sur les variables observées et ajoute un bruit de mesure ou des perturbations de courte durée
Des matrices variables dans le temps peuvent représenter des expositions changeantes, des observations manquantes, une structure saisonnière ou des interventions connues sans modifier la logique de base
Prédiction, filtrage et lissage utilisent des informations différentes
Une prédiction à un pas estime l'état ou l'observation suivante à partir des données disponibles jusqu'au temps t−1. C'est le véritable a priori en temps réel
Le filtrage conditionne l'état courant sur les observations disponibles jusqu'au temps t et le met à jour. Le lissage utilise les observations ultérieures pour réviser un état antérieur
Un graphique historique lissé peut sembler plus propre que tout ce qui était disponible en direct. Les backtests ne doivent pas remplacer les estimations filtrées en temps réel par des états lissés
L'identification précède le calcul
Des rotations, échelles ou décompositions différentes de l'état peuvent produire la même distribution observée. Sans restrictions, les libellés et les unités des composantes latentes ne sont pas uniques
Fixer les chargements, les variances, les signes ou l'ordre des états peut identifier une représentation, mais chaque restriction porte une signification économique
Une quasi-non-identification apparaît sous la forme de vraisemblances plates, de paramètres instables et d'états qui changent fortement pour de petites modifications de spécification
Les variances des bruits contrôlent l'extraction du signal
Le bruit de processus détermine la vitesse à laquelle l'état latent peut bouger. Le bruit de mesure détermine dans quelle mesure une observation peut s'écarter de cet état
Un ratio élevé entre bruit de processus et bruit de mesure produit un état réactif ; un ratio faible donne un état plus lissé. Il s'agit d'un compromis estimé, et non d'un réglage cosmétique
Si les deux perturbations absorbent la même variation, leurs variances peuvent être faiblement identifiées. Plusieurs mesures ou des restrictions structurelles peuvent aider
L'estimation laisse des éléments de diagnostic
Les modèles linéaires gaussiens utilisent souvent le filtre de Kalman pour calculer les erreurs de prédiction et leurs variances, et former une vraisemblance des innovations
Les innovations standardisées ne devraient présenter ni autocorrélation systématique ni variance prévisible. Les schémas restants indiquent une dynamique ou une structure d'observation manquante
Les valeurs aberrantes, les queues épaisses, les non-linéarités et les ruptures de paramètres peuvent déformer les états. Les méthodes robustes, non linéaires, non gaussiennes ou par simulation modifient aussi les hypothèses, pas seulement le calcul
Les composantes financières évoluent dans le temps
Les modèles espace d'état peuvent séparer une courbe de taux en facteurs latents, estimer un bêta variable dans le temps ou distinguer un prix efficient du bruit de microstructure
Ils peuvent aussi représenter une volatilité stochastique, une liquidité latente ou un rendement attendu qui évolue lentement, à condition que les observations contiennent suffisamment d'information
Une décomposition flexible n'est pas une preuve causale. Chaque composante latente hérite des choix de mesure et des restrictions de transition utilisés pour la définir
Rendez l'incertitude en temps réel explicite
Présentez les trajectoires filtrées et lissées lorsque la révision historique compte, avec l'incertitude de l'état plutôt qu'une seule ligne
Indiquez les équations, les unités, les restrictions, la distribution initiale, la covariance des bruits, la méthode d'estimation des paramètres, le traitement des données manquantes et l'origine de la prévision
Évaluez les prévisions et les révisions glissantes. Un modèle qui explique parfaitement toute l'histoire peut tout de même estimer mal l'état courant au bord de l'échantillon
Questions fréquentes
Un état latent est-il une variable économique réelle mais cachée ?
Pas nécessairement. C'est une représentation définie par le modèle qui peut, ou non, soutenir une interprétation économique précise
Quelle est la différence entre filtrage et lissage ?
Le filtrage utilise les données disponibles jusqu'au temps courant ; le lissage révise cet état à l'aide d'observations arrivées plus tard
Pourquoi les variances des bruits sont-elles si importantes ?
Elles déterminent si les nouvelles observations sont interprétées principalement comme un mouvement de l'état ou comme une perturbation temporaire de mesure
Les modèles espace d'état peuvent-ils traiter des observations manquantes ?
Oui. La mise à jour de mesure peut être ignorée ou adaptée lorsque des données manquent, tandis que la transition de l'état se poursuit