📊 statistics

Rolling-Origin Conformal Prediction under Local Stationarity and Weak Dependence

Este artículo propone y valida teóricamente un método de predicción conforme de origen móvil para la predicción de series temporales que se adapta a la no estacionariedad local y a la dependencia débil mediante la calibración sobre errores recientes, logrando tasas de cobertura óptimas minimax y demostrando un rendimiento empírico superior al de la calibración sobre toda la historia.

Autores originales: Stanisław M. S. Halkiewicz

Publicado 2026-05-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Stanisław M. S. Halkiewicz

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un pronosticador del tiempo. Tu trabajo no es solo predecir si lloverá mañana; es dibujar un círculo en un mapa y decir: "Tengo un 90% de certeza de que la lluvia ocurrirá en algún lugar dentro de este círculo".

En el mundo de la estadística, este círculo se llama intervalo de predicción. Durante décadas, los estadísticos tuvieron una herramienta perfecta para dibujar estos círculos, pero tenía un defecto mayor: solo funcionaba si el clima fuera completamente aleatorio e independiente cada día (como lanzar una moneda). Pero la vida real no es así. Los patrones climáticos dependen del clima de ayer, los mercados bursátiles dependen de las tendencias de la semana pasada y las economías se desplazan con el tiempo. Cuando usas la antigua herramienta de "lanzar moneda" en datos del mundo real, tus círculos a menudo terminan siendo demasiado pequeños (perdiendo la lluvia) o demasiado grandes (desperdiciando recursos).

Este artículo introduce una forma más inteligente y adaptable de dibujar esos círculos para datos basados en el tiempo. Aquí está el desglose en términos sencillos:

1. El Problema: El "Menú Estancado"

El antiguo método (llamado Predicción Conformal) funciona como un restaurante que elabora un "especial" basado en el promedio de cada plato que han servido en los últimos 10 años.

El Problema: Si el chef de repente comenzó a usar pimientos picantes el mes pasado, el promedio de 10 años es inútil. El "especial" será demasiado suave para el gusto de hoy.
El Mundo Real: En las series temporales (como los precios de las acciones o la temperatura), las reglas cambian. La volatilidad se agrupa (días tranquilos seguidos de días tormentosos) y las tendencias se desplazan. Usar datos antiguos para predecir el futuro crea intervalos "estancados" que no coinciden con la realidad.

2. La Solución: El "Origen Rodante"

El autor propone un nuevo método llamado Predicción Conformal de Origen Rodante.

La Analogía: En lugar de mirar los últimos 10 años de datos, imagina que el chef solo mira los últimos 30 días de pedidos para decidir el especial de hoy.
Cómo funciona: El método actualiza constantemente su "calibración" (la regla para qué tan ancho debe ser el círculo) utilizando solo los errores de pronóstico más recientes. Si el clima se vuelve tormentoso, el método ve los grandes errores recientes y amplía inmediatamente el círculo. Si el clima está tranquilo, reduce el círculo.

3. La Gran Pregunta: ¿Qué Tan Grande Debe Ser la Ventana?

Si miras muy pocos datos (digamos, solo los últimos 3 días), tu círculo podría ser inestable e poco fiable porque no tienes suficiente información. Si miras demasiados datos (los últimos 10 años), tu círculo es demasiado lento para reaccionar a los cambios.

El artículo resuelve el misterio de cuántos días debes mirar hacia atrás.

La Fórmula: El autor demuestra matemáticamente que el "punto óptimo" no es un número fijo. Depende de qué tan rápido esté cambiando el mundo.
La Regla: Si tienes $T$ $T$ días totales de datos, el tamaño de ventana perfecto es aproximadamente $T$ $T$ elevado a la potencia de $2/3$ $2/3$ (aproximadamente $T^{0.67}$ $T^{0.67}$ ).
- Ejemplo: Si tienes 1,000 días de datos, no deberías usar los 1,000, ni solo los últimos 10. Deberías usar los últimos ~100 días.
Por qué importa: Este tamaño de ventana específico está probado como la mejor opción posible. Ningún otro método puede hacer mejor trabajo equilibrando "reaccionar rápido" vs. "ser preciso".

4. La Explicación de "Cuatro Partes"

El autor desglosa exactamente por qué la predicción podría estar ligeramente fuera en cuatro partes distintas, como un mecánico explicando la eficiencia de combustible de un coche:

Ruido: Incluso con la cantidad correcta de datos, siempre hay algo de aleatoriedad (como el viento afectando a un coche).
Aproximación: Las matemáticas utilizadas para simplificar el problema no son perfectas, pero el error es minúsculo.
Desplazamiento: Este es el problema del "menú estancado". Si la ventana es demasiado ancha, los datos dentro de ella son de una "era" diferente a la de hoy.
Error del Modelo: El pronóstico subyacente (la predicción del clima en sí misma) podría estar ligeramente equivocado.

El artículo muestra que al elegir el tamaño de ventana perfecto, puedes minimizar el error total.

5. Pruebas en el Mundo Real

El autor no solo hizo matemáticas en papel; probó esto con datos reales:

Seis Series Reales: Incluyendo la inflación de EE. UU., el desempleo, los rendimientos del mercado bursátil (S&P 500) y el uso de electricidad.
93 Series de Competición: Un conjunto masivo de datos de la famosa competencia de pronóstico "M4".

Los Resultados:

Mejor Rendimiento: En el 86% de los casos, este nuevo método de "ventana rodante" creó intervalos de predicción mejores y más ajustados que el antiguo método de "usar todos los datos".
Precisión: El método mantuvo los resultados reales dentro del círculo predicho aproximadamente el 90% de las veces (el objetivo), incluso cuando los datos estaban desordenados o cambiantes.
Velocidad: Se adaptó rápidamente a cambios repentinos, como los picos de volatilidad vistos en los mercados financieros.

Resumen

Piensa en este artículo como una guía para construir una red de seguridad autoajustable.

Antigua Forma: Usar una red hecha del mismo grosor de cuerda para cada situación, independientemente de qué tan rápido estés cayendo.
Nueva Forma: Usar una red que cambia automáticamente de tamaño en función de qué tan rápido caíste en los últimos segundos.
El Avance: El autor descubrió la regla matemática exacta sobre cuánto "historial reciente" usar para hacer esa red perfecta. Resulta que mirar aproximadamente los últimos dos tercios del "poder" de tus datos (específicamente $T^{2/3}$ ) es la regla de oro para mantenerse seguro en un mundo cambiante.

Resumen Técnico: Predicción Conformal de Origen Rodante bajo Estacionariedad Local y Dependencia Débil

Planteamiento del Problema
La predicción conforme ofrece intervalos de predicción libres de distribución con garantías exactas de cobertura en muestras finitas bajo el supuesto de intercambiabilidad. Sin embargo, este supuesto se viola fundamentalmente en la predicción de series temporales debido a la dependencia serial, la agrupación de volatilidad y la deriva gradual de la distribución. En consecuencia, la predicción conforme de división clásica a menudo produce niveles de cobertura que se desvían significativamente del nominal $1-\alpha$ . Aunque los practicantes emplean frecuentemente la "calibración de origen rodante" —utilizando solo los $m$ errores pseudo fuera de muestra más recientes para calibrar el cuantil conforme—, este enfoque carece de justificación teórica respecto a la longitud óptima de la ventana $m$ y la magnitud precisa de la desviación de la cobertura como función de $m$ , el tamaño de la muestra $T$ y el grado de no estacionariedad.

Metodología
El artículo propone y analiza la Predicción Conforme de Origen Rodante (ROCP). El método construye un intervalo de predicción para $Y_{T+h}$ tratando los $m$ errores de pronóstico absolutos más recientes (puntuaciones) como una muestra de calibración local. La semianchura del intervalo es el cuantil empírico $(1-\alpha)$ de estas $m$ puntuaciones.

El marco teórico se basa en:

Estacionariedad Local: Las distribuciones de puntuación $F_{t,h}$ evolucionan según una condición de suavidad Hölder- $\beta$ (siguiendo a Dahlhaus, 1997), donde la tasa de deriva está controlada por una constante $L_{F,h}$ .
Dependencia Débil: Se asume que el proceso de puntuación óptima es uniformemente $\alpha$ -mezclante (o satisface el marco de dependencia física de Wu), controlando el contenido de información efectivo de la ventana de calibración.
Regularidad del Cuantil: La densidad de la distribución de puntuación está acotada lejos de cero e infinito cerca del cuantil objetivo.
Estimación del Pronóstico: La brecha entre el predictor óptimo y el predictor estimado está acotada por un término que decae con $T$ .

La innovación técnica central es una descomposición de cuatro términos del error de cobertura $\Delta_{T,m,h} = |P(Y_{T+h} \in \hat{C}_{T+h|T}) - (1-\alpha)|$ . Esta descomposición separa el error en:

(I) Ruido del Cuantil: La variabilidad estocástica del cuantil empírico a partir de $m$ observaciones dependientes.
(II) Residuo de Bahadur: El error de linealizar el cuantil empírico alrededor de un objetivo determinista.
(III) Sesgo de Deriva: El sesgo sistemático que surge al utilizar puntuaciones cuyas distribuciones se han desviado de la distribución objetivo actual.
(IV) Error de Estimación: El costo de utilizar un modelo de pronóstico estimado en lugar de uno óptimo.

Contribuciones Clave

Regla de Ventana Óptima: El artículo deriva la longitud de ventana de calibración minimax-óptima $m^\star \asymp T^{2\beta/(2\beta+1)}$ . Bajo deriva Lipschitz ( $\beta=1$ ), esto se simplifica a $m^\star \asymp T^{2/3}$ . Esta regla equilibra la compensación entre reducir el ruido del cuantil (favorecido por $m$ grande) y minimizar el sesgo de deriva (favorecido por $m$ pequeño).
Optimalidad Minimax: Utilizando una construcción de dos puntos de Le Cam con funciones de abultamiento Hölder- $\beta$ , los autores demuestran que la tasa de error de cobertura $O(T^{-\beta/(2\beta+1)})$ alcanzada por ROCP es minimax-óptima. Ningún procedimiento conforme puede lograr una tasa uniformemente mejor sobre la clase de procesos localmente estacionarios.
Representaciones de Bahadur: El artículo establece representaciones de Bahadur para el cuantil empírico bajo tanto $\alpha$ -mezcla como el marco de dependencia física, proporcionando la linealización necesaria para acotar el error de cobertura.
Desigualdad Óptima para Selección Adaptativa: Los autores formalizan la validación cruzada de Winkler como un selector de ventana adaptativo. Demuestran una desigualdad óptima que muestra que el selector basado en datos $\hat{m}$ alcanza una pérdida de validación casi mínima, siempre que la cuadrícula de ventanas sea suficientemente fina y se cumpla la condición de concentración uniforme.
Escalado de Volatilidad: Se propone una variante (VS-ROCP) donde las puntuaciones se normalizan por la volatilidad condicional estimada. Teóricamente, esto reduce la constante de deriva $L_{F,h}$ , permitiendo potencialmente ventanas óptimas más grandes e intervalos más estrechos cuando la no estacionariedad está impulsada principalmente por una escala variable en el tiempo.

Resultados Empíricos
La teoría se valida en seis series del mundo real (macroeconómicas, financieras y energéticas) y una muestra estratificada de 93 series de la competencia M4:

Rendimiento: La calibración de origen rodante supera a la calibración de historia completa en el 86% de las comparaciones, con una mejora mediana en la puntuación de Winkler del 12.3%.
Cobertura: El método mantiene la cobertura dentro de $\pm 2\%$ del objetivo del 90% en horizontes cortos ( $h=1$ ) y medios ( $h=5$ ). En horizontes largos ( $h=22$ ), la cobertura se degrada ligeramente (por ejemplo, a 0.871), atribuido a una mala especificación del modelo más que a la elección de la ventana de calibración.
Ley de Escalado: Una regresión log-log de la ventana óptima empírica $m^\star$ contra el tamaño de la muestra $T$ en todo el conjunto de datos M4 produce una pendiente de 0.614 (IC 95% $[0.424, 0.805]$ ) después de controlar por efectos fijos de frecuencia. Esto es consistente con la predicción teórica de $2/3$ (para $\beta=1$ ).
Regímenes de Dependencia: Las series financieras con fuerte agrupación GARCH exhiben ventanas óptimas mucho más pequeñas que $T^{2/3}$ (ratio $\approx 0.05$ ), mientras que las series macro con deriva lenta exhiben ventanas más grandes, confirmando el papel de la constante específica de la serie $C_h$ .

Significado y Afirmaciones
El artículo afirma proporcionar el primer marco teórico riguroso para la predicción conforme de origen rodante en series temporales. Supera la "caja negra" de la selección heurística de ventanas al:

Reemplazar el objetivo imposible de una cobertura exacta en muestras finitas (que requiere intercambiabilidad) con un límite de error de aproximación preciso y computable.
Establecer que el esquema de origen rodante no es solo convenientemente práctico, sino estadísticamente eficiente en el sentido minimax.
Proporcionar un método principiado y basado en datos (validación cruzada de Winkler) para seleccionar la ventana de calibración que preserva la tasa de convergencia óptima.

Los autores señalan que el método es agnóstico al modelo y no añade sobrecarga computacional a las tuberías que ya realizan evaluación de origen rodante. Reconocen que extender estos resultados a regiones HPD multivariadas sigue siendo un desafío abierto debido a las complejidades de los límites de densidad de alta dimensión y las representaciones de Bahadur.