State-Space Model dan State Laten
Pahami persamaan transisi dan pengukuran, filtering, prediction, smoothing, identifikasi, serta cara state-space model merepresentasikan sinyal keuangan yang berubah
Jawaban langsung
State-space model memisahkan state yang berkembang tetapi tidak teramati dari pengukuran bising yang dihasilkan state tersebut. Persamaan transisi menggambarkan bagaimana state laten berubah; persamaan pengukuran menghubungkannya dengan data yang diamati. Prediction menggunakan informasi yang tersedia sebelum observasi baru, filtering memperbarui state melalui observasi saat ini, dan smoothing merevisi state masa lalu menggunakan seluruh sampel. State yang diestimasi bergantung pada model, bukan kebenaran yang ditemukan langsung, sehingga identifikasi, asumsi noise, inisialisasi, dan revisi real-time harus tetap terlihat
Observasi dan state memiliki peran berbeda
Harga pasar diamati, sedangkan harga efisien, tren, volatilitas, atau premi risiko dapat diperlakukan sebagai state laten
State adalah ringkasan ringkas yang diperlukan untuk menjelaskan dinamika dan memprakirakan observasi masa depan. State tidak harus sesuai dengan satu objek yang dapat diukur secara fisik
Memilih state adalah keputusan pemodelan. Menyebut komponen residual sebagai “nilai fundamental” tidak membuat interpretasi ekonomi itu teridentifikasi
Dua persamaan mendefinisikan representasi
Persamaan transisi memindahkan state dari satu tanggal ke tanggal berikutnya menggunakan persistensi, kontrol, dan noise proses
Persamaan pengukuran memetakan state saat ini ke variabel yang diamati dan menambahkan noise pengukuran atau gangguan jangka pendek
Matriks yang berubah menurut waktu dapat merepresentasikan eksposur yang berubah, observasi yang hilang, struktur musiman, atau intervensi yang diketahui tanpa mengubah logika dasar
Prediction, filtering, dan smoothing menggunakan informasi berbeda
Prediksi satu langkah mengestimasi state atau observasi berikutnya dari data sampai waktu t−1. Ini adalah prior real-time yang sebenarnya
Filtering mengondisikan pada observasi sampai waktu t dan memperbarui state saat ini. Smoothing menggunakan observasi berikutnya untuk merevisi state sebelumnya
Grafik historis yang dihaluskan dapat terlihat lebih bersih daripada apa pun yang tersedia secara live. Backtest tidak boleh mengganti state hasil filter real-time dengan state yang sudah di-smooth
Identifikasi mendahului komputasi
Rotasi, skala, atau dekomposisi state yang berbeda dapat menghasilkan distribusi observasi yang sama. Tanpa pembatasan, label dan unit komponen laten tidak unik
Mematok loading, varians, tanda, atau urutan state dapat mengidentifikasi suatu representasi, tetapi setiap pembatasan membawa makna ekonomi
Hampir tidak teridentifikasi terlihat sebagai likelihood datar, parameter tidak stabil, dan state yang berubah tajam akibat pilihan spesifikasi kecil
Varians noise mengendalikan ekstraksi sinyal
Noise proses menentukan seberapa cepat state laten dapat bergerak. Noise pengukuran menentukan seberapa besar observasi dapat menyimpang dari state tersebut
Rasio noise proses terhadap noise pengukuran yang tinggi menghasilkan state yang responsif; rasio rendah menghasilkan state yang lebih halus. Ini adalah tradeoff yang diestimasi, bukan pengaturan kosmetik
Jika kedua gangguan menyerap variasi yang sama, variansnya dapat teridentifikasi dengan lemah. Beberapa pengukuran atau pembatasan struktural dapat membantu
Estimasi meninggalkan bukti diagnostik
Model linear Gaussian sering menggunakan Kalman filter untuk menghitung error prediksi dan variansnya, lalu membentuk likelihood innovations
Innovations terstandar seharusnya tidak memiliki autokorelasi sistematis dan varians yang dapat diprediksi. Pola tersisa menunjukkan dinamika atau struktur observasi yang terlewat
Outlier, ekor berat, nonlinearitas, dan perubahan parameter dapat mendistorsi state. Metode robust, nonlinear, non-Gaussian, atau simulasi juga mengubah asumsi selain komputasi
Komponen keuangan berkembang sepanjang waktu
State-space model dapat memisahkan kurva imbal hasil menjadi faktor laten, mengestimasi beta yang berubah menurut waktu, atau membedakan harga efisien dari noise mikrostruktur
Model ini juga dapat merepresentasikan volatilitas stokastik, likuiditas laten, atau expected return yang berubah perlahan, asalkan observasi memuat informasi yang cukup
Dekomposisi yang fleksibel bukan bukti kausal. Setiap komponen laten mewarisi pilihan pengukuran dan pembatasan transisi yang dipakai untuk mendefinisikannya
Jadikan ketidakpastian real-time eksplisit
Laporkan jalur filtered dan smoothed ketika revisi historis penting, dengan ketidakpastian state, bukan satu garis saja
Nyatakan persamaan, unit, pembatasan, distribusi awal, kovarians noise, metode parameter, penanganan data hilang, dan asal prakiraan
Evaluasi prakiraan bergulir dan revisi. Model yang menjelaskan seluruh sejarah dengan indah tetap dapat mengestimasi state saat ini dengan buruk di ujung sampel
Pertanyaan umum
Apakah state laten merupakan variabel ekonomi nyata yang tersembunyi?
Tidak selalu. State laten adalah representasi yang didefinisikan model dan mungkin atau mungkin tidak mendukung interpretasi ekonomi tertentu
Apa perbedaan filtering dan smoothing?
Filtering menggunakan data yang tersedia sampai waktu kini; smoothing merevisi state itu menggunakan observasi yang datang kemudian
Mengapa varians noise sangat penting?
Varians noise menentukan apakah observasi baru terutama ditafsirkan sebagai pergerakan state atau gangguan pengukuran sementara
Dapatkah state-space model menangani observasi yang hilang?
Ya. Pembaruan pengukuran dapat dilewati atau disesuaikan ketika data hilang, sementara transisi state tetap berjalan