📊 statistics

Rolling-Origin Conformal Prediction under Local Stationarity and Weak Dependence

Dieser Artikel schlägt eine Rolling-Origin-Konformalvorhersagemethode für Zeitreihenvorhersagen vor und validiert sie theoretisch, die sich durch Kalibrierung auf jüngste Fehler an lokale Nichtstationarität und schwache Abhängigkeit anpasst, minimax-optimale Abdeckungsraten erreicht und eine überlegene empirische Leistung im Vergleich zur Kalibrierung über die gesamte Historie demonstriert.

Ursprüngliche Autoren: Stanisław M. S. Halkiewicz

Veröffentlicht 2026-05-12

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Stanisław M. S. Halkiewicz

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind Wettervorhersageexperte. Ihre Aufgabe besteht nicht nur darin vorherzusagen, ob es morgen regnen wird; es geht darum, einen Kreis auf eine Karte zu zeichnen und zu sagen: „Ich bin zu 90 % sicher, dass der Regen irgendwo innerhalb dieses Kreises stattfinden wird."

In der Welt der Statistik wird dieser Kreis als Vorhersageintervall bezeichnet. Seit Jahrzehnten verfügten Statistiker über ein perfektes Werkzeug, um diese Kreise zu zeichnen, doch es hatte einen gravierenden Mangel: Es funktionierte nur dann, wenn das Wetter jeden einzelnen Tag völlig zufällig und unabhängig war (wie das Werfen einer Münze). Aber das echte Leben ist nicht so. Wettermuster hängen vom Wetter des Vortages ab, Aktienmärkte von den Trends der letzten Woche, und Volkswirtschaften verändern sich im Laufe der Zeit. Wenn Sie das alte „Münzwurf"-Werkzeug auf reale Daten anwenden, enden Ihre Kreise oft zu klein (der Regen wird verpasst) oder zu groß (Ressourcen werden verschwendet).

Dieser Beitrag stellt eine intelligentere, anpassungsfähigere Methode vor, um diese Kreise für zeitbasierte Daten zu zeichnen. Hier ist die Aufschlüsselung in einfachen Worten:

1. Das Problem: Das „veraltete Menü"

Die alte Methode (genannt Konforme Vorhersage) funktioniert wie ein Restaurant, das ein „Spezialgericht" basierend auf dem Durchschnitt aller Gerichte erstellt, die sie in den letzten 10 Jahren serviert haben.

Das Problem: Wenn der Koch plötzlich im letzten Monat mit scharfen Paprikaschoten experimentiert hat, ist der 10-Jahres-Durchschnitt nutzlos. Das „Spezialgericht" wird für den heutigen Geschmack zu mild sein.
Die reale Welt: Bei Zeitreihen (wie Aktienkursen oder Temperaturen) ändern sich die Regeln. Volatilität häuft sich (ruhige Tage gefolgt von stürmischen Tagen), und Trends verschieben sich. Die Verwendung alter Daten zur Vorhersage der Zukunft erzeugt „veraltete" Intervalle, die nicht mit der Realität übereinstimmen.

2. Die Lösung: Der „Rollende Ursprung"

Der Autor schlägt eine neue Methode namens Rolling-Origin Conformal Prediction (Konforme Vorhersage mit rollendem Ursprung) vor.

Die Analogie: Anstatt die letzten 10 Jahre an Daten zu betrachten, stellen Sie sich vor, der Koch betrachtet nur die letzten 30 Tage an Bestellungen, um das heutige Spezialgericht zu entscheiden.
Wie es funktioniert: Die Methode aktualisiert ständig ihre „Kalibrierung" (die Regel, wie breit der Kreis sein sollte) unter Verwendung der jüngsten Prognosefehler. Wenn das Wetter stürmisch wird, erkennt die Methode die jüngsten großen Fehler und vergrößert den Kreis sofort. Wenn das Wetter ruhig ist, verkleinert sie den Kreis.

3. Die große Frage: Wie groß sollte das Fenster sein?

Wenn Sie zu wenig Daten betrachten (sagen wir, nur die letzten 3 Tage), kann Ihr Kreis wackelig und unzuverlässig sein, weil Sie nicht genug Informationen haben. Wenn Sie zu viele Daten betrachten (die letzten 10 Jahre), reagiert Ihr Kreis zu langsam auf Veränderungen.

Der Beitrag löst das Rätsel, wie viele Tage Sie zurückblicken sollten.

Die Formel: Der Autor beweist mathematisch, dass der „Sweet Spot" keine feste Zahl ist. Er hängt davon ab, wie schnell sich die Welt verändert.
Die Regel: Wenn Sie über $T$ $T$ Gesamttage an Daten verfügen, beträgt die perfekte Fenstergröße ungefähr $T$ $T$ hoch $2/3$ $2/3$ (ca. $T^{0,67}$ $T^{0, 67}$ ).
- Beispiel: Wenn Sie 1.000 Tage an Daten haben, sollten Sie nicht alle 1.000 verwenden, noch nur die letzten 10. Sie sollten die letzten ~100 Tage verwenden.
Warum das wichtig ist: Diese spezifische Fenstergröße erweist sich als die bestmögliche Wahl. Keine andere Methode kann besser darin sein, ein Gleichgewicht zwischen „schnellem Reagieren" und „Genauigkeit" zu finden.

4. Die „Vier-Teil"-Erklärung

Der Autor zerlegt genau, warum die Vorhersage leicht abweichen könnte, in vier verschiedene Teile, wie ein Mechaniker, der den Kraftstoffverbrauch eines Autos erklärt:

Rauschen: Selbst mit der richtigen Datenmenge gibt es immer eine gewisse Zufälligkeit (wie Wind, der ein Auto beeinflusst).
Approximation: Die Mathematik, die zur Vereinfachung des Problems verwendet wird, ist nicht perfekt, aber der Fehler ist winzig.
Drift: Dies ist das Problem des „veralteten Menüs". Wenn das Fenster zu breit ist, stammen die Daten darin aus einer anderen „Ära" als heute.
Modellfehler: Die zugrunde liegende Prognose (die Wettervorhersage selbst) könnte leicht falsch sein.

Der Beitrag zeigt, dass durch die Wahl der perfekten Fenstergröße der Gesamtfehler minimiert werden kann.

5. Realwelt-Tests

Der Autor hat nicht nur Mathematik auf dem Papier betrieben; er hat dies an echten Daten getestet:

Sechs reale Reihen: Einschließlich US-Inflation, Arbeitslosigkeit, Aktienmarktrenditen (S&P 500) und Stromverbrauch.
93 Wettbewerbsreihen: Ein riesiger Datensatz aus dem berühmten „M4"-Vorhersagewettbewerb.

Die Ergebnisse:

Bessere Leistung: In 86 % der Fälle erzeugte diese neue „rollende Fenster"-Methode bessere, engere Vorhersageintervalle als die alte „alle-Daten-verwenden"-Methode.
Genauigkeit: Die Methode hielt die tatsächlichen Ergebnisse etwa 90 % der Zeit innerhalb des vorhergesagten Kreises (das Ziel), selbst wenn die Daten unordentlich oder veränderlich waren.
Geschwindigkeit: Sie passte sich schnell an plötzliche Veränderungen an, wie die Volatilitätsspitzen, die an Finanzmärkten zu sehen sind.

Zusammenfassung

Betrachten Sie diesen Beitrag als Leitfaden für den Bau eines selbstjustierenden Sicherheitsnetzes.

Alter Weg: Verwenden Sie ein Netz aus Seil gleicher Größe für jede Situation, unabhängig davon, wie schnell Sie fallen.
Neuer Weg: Verwenden Sie ein Netz, das seine Größe automatisch basierend darauf ändert, wie schnell Sie in den letzten paar Sekunden gefallen sind.
Der Durchbruch: Der Autor hat die genaue mathematische Regel herausgefunden, wie viel „jüngste Geschichte" verwendet werden muss, um dieses Netz perfekt zu machen. Es stellt sich heraus, dass der Blick auf ungefähr die letzten zwei Drittel der „Leistung" Ihrer Daten (speziell $T^{2/3}$ ) die goldene Regel ist, um in einer sich verändernden Welt sicher zu bleiben.

Technisches Fazit: Rolling-Origin Conformal Prediction unter lokaler Stationarität und schwacher Abhängigkeit

Problemstellung
Conformal Prediction bietet verteilungsfreie Vorhersageintervalle mit exakten Finite-Sample-Coverage-Garantien unter der Annahme der Austauschbarkeit. Diese Annahme wird jedoch im Zeitreihenforecasting aufgrund von serieller Abhängigkeit, Volatilitätsclustering und gradueller Verteilungsdrift fundamental verletzt. Folglich liefert die klassische Split-Conformal-Prediction oft Coverage-Level, die signifikant vom nominalen $1-\alpha$ abweichen. Obwohl Praktiker häufig eine „Rolling-Origin-Kalibrierung" anwenden – bei der nur die $m$ jüngsten pseudo-out-of-sample-Fehler zur Kalibrierung des Conformal-Quantils verwendet werden – fehlt diesem Ansatz eine theoretische Begründung hinsichtlich der optimalen Fensterlänge $m$ und der genauen Größe der Coverage-Abweichung als Funktion von $m$ , der Stichprobengröße $T$ und dem Grad der Nicht-Stationarität.

Methodik
Der Artikel schlägt Rolling-Origin Conformal Prediction (ROCP) vor und analysiert diese Methode. Das Verfahren konstruiert ein Vorhersageintervall für $Y_{T+h}$ , indem es die $m$ jüngsten absoluten Prognosefehler (Scores) als lokale Kalibrierstichprobe behandelt. Die halbe Intervallbreite entspricht dem empirischen $(1-\alpha)$ -Quantil dieser $m$ Scores.

Der theoretische Rahmen stützt sich auf:

Lokale Stationarität: Die Score-Verteilungen $F_{t,h}$ entwickeln sich gemäß einer Hölder- $\beta$ -Glattheitsbedingung (folgend Dahlhaus, 1997), wobei die Driftrate durch eine Konstante $L_{F,h}$ kontrolliert wird.
Schwache Abhängigkeit: Der Oracle-Score-Prozess wird als gleichmäßig $\alpha$ -mischend angenommen (oder erfüllt Wu's Rahmenwerk der physischen Abhängigkeit), was den effektiven Informationsgehalt des Kalibrierfensters steuert.
Quantil-Regularität: Die Dichte der Score-Verteilung ist in der Nähe des Zielquantils von Null und Unendlich weg beschränkt.
Prognose-Schätzung: Die Lücke zwischen dem Oracle-Prädiktor und dem geschätzten Prädiktor wird durch einen Term begrenzt, der mit $T$ abklingt.

Die zentrale technische Innovation ist eine Vier-Terme-Zerlegung des Coverage-Fehlers $\Delta_{T,m,h} = |P(Y_{T+h} \in \hat{C}_{T+h|T}) - (1-\alpha)|$ . Diese Zerlegung trennt den Fehler in:

(I) Quantil-Rauschen: Die stochastische Variabilität des empirischen Quantils aus $m$ abhängigen Beobachtungen.
(II) Bahadur-Residuum: Der Fehler aus der Linearisierung des empirischen Quantils um ein deterministisches Ziel.
(III) Drift-Bias: Der systematische Bias, der aus der Verwendung von Scores entsteht, deren Verteilungen von der aktuellen Zielverteilung abgewichen sind.
(IV) Schätzfehler: Die Kosten der Verwendung eines geschätzten Prognosemodells anstelle eines Oracles.

Hauptbeiträge

Optimale Fensterregel: Der Artikel leitet die minimax-optimale Kalibrierfensterlänge $m^\star \asymp T^{2\beta/(2\beta+1)}$ her. Unter Lipschitz-Drift ( $\beta=1$ ) vereinfacht sich dies zu $m^\star \asymp T^{2/3}$ . Diese Regel balanciert den Trade-off zwischen der Reduktion von Quantil-Rauschen (begünstigt durch große $m$ ) und der Minimierung des Drift-Bias (begünstigt durch kleine $m$ ).
Minimax-Optimalität: Mithilfe einer Le-Cam-Zwei-Punkt-Konstruktion mit Hölder- $\beta$ -Bump-Funktionen beweisen die Autoren, dass die von ROCP erreichte Coverage-Fehlerrate $O(T^{-\beta/(2\beta+1)})$ minimax-optimal ist. Kein Conformal-Verfahren kann über die Klasse der lokal stationären Prozesse hinweg eine gleichmäßig bessere Rate erzielen.
Bahadur-Darstellungen: Der Artikel etabliert Bahadur-Darstellungen für das empirische Quantil sowohl unter $\alpha$ -Mischung als auch im Rahmen der physischen Abhängigkeit und liefert die notwendige Linearisierung zur Abschätzung des Coverage-Fehlers.
Oracle-Ungleichung für adaptive Selektion: Die Autoren formalisieren die Winkler-Cross-Validation als adaptiven Fensterselektor. Sie beweisen eine Oracle-Ungleichung, die zeigt, dass der datengesteuerte Selektor $\hat{m}$ eine nahezu minimale Validierungsverlust erreicht, sofern das Fenstergitter hinreichend fein ist und die gleichmäßige Konzentrationsbedingung gilt.
Volatilitätsskalierung: Eine Variante (VS-ROCP) wird vorgeschlagen, bei der Scores durch die geschätzte bedingte Volatilität normalisiert werden. Theoretisch reduziert dies die Driftkonstante $L_{F,h}$ , was potenziell größere optimale Fenster und schmalere Intervalle ermöglicht, wenn die Nicht-Stationarität primär durch eine zeitvariierende Skala getrieben wird.

Empirische Ergebnisse
Die Theorie wird an sechs realen Zeitreihen (makroökonomisch, finanziell und Energie) und einer geschichteten Stichprobe von 93 Reihen aus dem M4-Wettbewerb validiert:

Leistung: Die Rolling-Origin-Kalibrierung übertrifft die Kalibrierung über die gesamte Historie in 86 % der Vergleiche, mit einer medianen Verbesserung des Winkler-Scores um 12,3 %.
Coverage: Die Methode hält die Coverage innerhalb von $\pm 2 \%$ des 90 %-Ziels bei kurzen ( $h=1$ ) und mittleren ( $h=5$ ) Horizonten. Bei langen Horizonten ( $h=22$ ) verschlechtert sich die Coverage leicht (z. B. auf 0,871), was auf Modellspezifikation statt auf die Wahl des Kalibrierfensters zurückgeführt wird.
Skalierungsgesetz: Eine Log-Log-Regression des empirisch optimalen Fensters $m^\star$ gegen die Stichprobengröße $T$ über den M4-Datensatz hinweg ergibt nach Kontrolle für Frequenz-Fixeffekte eine Steigung von 0,614 (95 % KI $[0,424, 0,805]$ ). Dies steht im Einklang mit der theoretischen Vorhersage von $2/3$ (für $\beta=1$ ).
Abhängigkeitsregime: Finanzielle Reihen mit starkem GARCH-Clustering weisen optimale Fenster auf, die deutlich kleiner als $T^{2/3}$ sind (Verhältnis $\approx 0,05$ ), während makroökonomische Reihen mit langsamer Drift größere Fenster aufweisen, was die Rolle der reihenspezifischen Konstante $C_h$ bestätigt.

Bedeutung und Behauptungen
Der Artikel beansprucht, den ersten rigorosen theoretischen Rahmen für Rolling-Origin Conformal Prediction in Zeitreihen zu liefern. Er geht über die „Black Box" heuristischer Fensterauswahl hinaus durch:

Den Ersatz des unmöglichen Ziels einer exakten Finite-Sample-Coverage (die Austauschbarkeit erfordert) durch eine präzise, berechenbare Approximationsfehlergrenze.
Die Etablierung, dass das Rolling-Origin-Schema nicht nur praktisch bequem, sondern im minimax-Sinn statistisch effizient ist.
Die Bereitstellung einer prinzipiellen, datengesteuerten Methode (Winkler-Cross-Validation) zur Auswahl des Kalibrierfensters, die die optimale Konvergenzrate bewahrt.

Die Autoren weisen darauf hin, dass die Methode modellagnostisch ist und keinen zusätzlichen Rechenaufwand für Pipelines verursacht, die bereits eine Rolling-Origin-Evaluation durchführen. Sie räumen ein, dass die Erweiterung dieser Ergebnisse auf multivariate HPD-Regionen aufgrund der Komplexität hochdimensionaler Dichteschranken und Bahadur-Darstellungen eine offene Herausforderung bleibt.