📊 statistics

Rolling-Origin Conformal Prediction under Local Stationarity and Weak Dependence

Ce papier propose et valide théoriquement une méthode de prédiction conforme à origine roulante pour la prévision de séries temporelles qui s'adapte à la non-stationnarité locale et à la dépendance faible en se calibrant sur les erreurs récentes, atteignant des taux de couverture minimax-optimaux et démontrant des performances empiriques supérieures à celles d'un calibrage sur l'historique complet.

Auteurs originaux : Stanisław M. S. Halkiewicz

Publié 2026-05-12

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Stanisław M. S. Halkiewicz

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un prévisionniste météorologique. Votre travail ne consiste pas seulement à prédire s'il pleuvra demain ; il s'agit de tracer un cercle sur une carte et de dire : « Je suis certain à 90 % que la pluie tombera quelque part à l'intérieur de ce cercle. »

Dans le monde de la statistique, ce cercle est appelé un intervalle de prédiction. Pendant des décennies, les statisticiens ont disposé d'un outil parfait pour tracer ces cercles, mais il présentait un défaut majeur : il ne fonctionnait que si la météo était complètement aléatoire et indépendante chaque jour (comme le lancer d'une pièce). Or, la vie réelle n'est pas ainsi. Les régimes météorologiques dépendent de la météo d'hier, les marchés boursiers dépendent des tendances de la semaine dernière, et les économies évoluent avec le temps. Lorsque vous utilisez l'ancien outil « lancer de pièce » sur des données réelles, vos cercles finissent souvent par être trop petits (manquant la pluie) ou trop grands (gaspillant des ressources).

Ce papier présente une méthode plus intelligente et plus adaptable pour tracer ces cercles pour des données temporelles. Voici l'explication en termes simples :

1. Le Problème : Le « Menu Démodé »

L'ancienne méthode (appelée Prédiction Conformelle) fonctionne comme un restaurant qui crée un « plat du jour » basé sur la moyenne de tous les plats servis au cours des 10 dernières années.

Le Problème : Si le chef a soudainement commencé à utiliser des piments épicés le mois dernier, la moyenne sur 10 ans est inutile. Le « plat du jour » sera trop doux pour le goût d'aujourd'hui.
Le Monde Réel : Dans les séries temporelles (comme les cours boursiers ou la température), les règles changent. La volatilité se regroupe (jours calmes suivis de jours orageux) et les tendances dérivent. Utiliser d'anciennes données pour prédire l'avenir crée des intervalles « démodés » qui ne correspondent pas à la réalité.

2. La Solution : L'« Origine Glissante »

L'auteur propose une nouvelle méthode appelée Prédiction Conformelle à Origine Glissante.

L'Analogie : Au lieu de regarder les 10 dernières années de données, imaginez que le chef ne regarde que les 30 derniers jours de commandes pour décider du plat du jour.
Fonctionnement : La méthode met constamment à jour son « étalonnage » (la règle déterminant la largeur du cercle) en utilisant uniquement les erreurs de prévision les plus récentes. Si la météo devient orageuse, la méthode voit les récentes grandes erreurs et élargit immédiatement le cercle. Si la météo est calme, elle rétrécit le cercle.

3. La Grande Question : Quelle Taille de Fenêtre Choisir ?

Si vous regardez trop peu de données (disons, seulement les 3 derniers jours), votre cercle peut être instable et peu fiable car vous n'avez pas assez d'informations. Si vous regardez trop de données (les 10 dernières années), votre cercle est trop lent à réagir aux changements.

Ce papier résout le mystère du nombre de jours que vous devriez regarder en arrière.

La Formule : L'auteur prouve mathématiquement que le « point idéal » n'est pas un nombre fixe. Il dépend de la vitesse à laquelle le monde change.
La Règle : Si vous disposez de $T$ $T$ jours de données au total, la taille de fenêtre parfaite est approximativement $T$ $T$ élevé à la puissance $2/3$ $2/3$ (soit environ $T^{0,67}$ $T^{0, 67}$ ).
- Exemple : Si vous avez 1 000 jours de données, vous ne devriez pas utiliser les 1 000 jours, ni seulement les 10 derniers. Vous devriez utiliser les ~100 derniers jours.
Pourquoi c'est important : Cette taille de fenêtre spécifique s'avère être le choix le meilleur possible. Aucune autre méthode ne peut mieux faire pour équilibrer « réagir vite » et « être précis ».

4. L'Explication en « Quatre Parties »

L'auteur décompose exactement pourquoi la prédiction peut être légèrement erronée en quatre parties distinctes, comme un mécanicien expliquant la consommation de carburant d'une voiture :

Bruit : Même avec la bonne quantité de données, il y a toujours une certaine randomisation (comme le vent affectant une voiture).
Approximation : Les mathématiques utilisées pour simplifier le problème ne sont pas parfaites, mais l'erreur est minuscule.
Dérive : C'est le problème du « menu démodé ». Si la fenêtre est trop large, les données qu'elle contient proviennent d'une « ère » différente de celle d'aujourd'hui.
Erreur de Modèle : La prévision sous-jacente (la prévision météorologique elle-même) peut être légèrement fausse.

Le papier montre qu'en choisissant la taille de fenêtre parfaite, vous pouvez minimiser l'erreur totale.

5. Tests dans le Monde Réel

L'auteur n'a pas seulement fait des mathématiques sur papier ; il a testé cela sur des données réelles :

Six Séries Réelles : Incluant l'inflation américaine, le chômage, les rendements du marché boursier (S&P 500) et la consommation d'électricité.
93 Séries de Compétition : Un ensemble massif de données provenant de la célèbre compétition de prévision « M4 ».

Les Résultats :

Meilleure Performance : Dans 86 % des cas, cette nouvelle méthode à « fenêtre glissante » a créé de meilleurs intervalles de prédiction, plus serrés, que l'ancienne méthode « utiliser toutes les données ».
Précision : La méthode a maintenu les résultats réels à l'intérieur du cercle prédit environ 90 % du temps (l'objectif), même lorsque les données étaient désordonnées ou changeantes.
Vitesse : Elle s'est adaptée rapidement aux changements soudains, comme les pics de volatilité observés sur les marchés financiers.

Résumé

Considérez ce papier comme un guide pour construire un filet de sécurité auto-réglable.

Ancienne Méthode : Utiliser un filet fait de corde de la même taille pour chaque situation, quelle que soit la vitesse de votre chute.
Nouvelle Méthode : Utiliser un filet qui change automatiquement de taille en fonction de la vitesse à laquelle vous êtes tombé au cours des dernières secondes.
La Percée : L'auteur a découvert la règle mathématique exacte pour déterminer quelle « histoire récente » utiliser pour rendre ce filet parfait. Il s'avère que regarder environ les deux tiers derniers de la « puissance » de vos données (spécifiquement $T^{2/3}$ ) est la règle d'or pour rester en sécurité dans un monde changeant.

Résumé technique : Prédiction conforme à origine roulante sous stationnarité locale et dépendance faible

Énoncé du problème
La prédiction conforme offre des intervalles de prédiction sans hypothèse de distribution avec des garanties de couverture exacte pour des échantillons finis, sous l'hypothèse d'échangeabilité. Cependant, cette hypothèse est fondamentalement violée dans la prévision de séries temporelles en raison de la dépendance sérielle, du regroupement de la volatilité et de la dérive distributionnelle progressive. Par conséquent, la prédiction conforme classique par échantillonnage (split conformal) produit souvent des niveaux de couverture s'écartant significativement du niveau nominal $1-\alpha$ . Bien que les praticiens utilisent fréquemment l'étalonnage à « origine roulante » (rolling-origin calibration) — en n'utilisant que les $m$ dernières erreurs pseudo-hors-échantillon pour étalonner le quantile conforme —, cette approche manque de justification théorique concernant la longueur de fenêtre optimale $m$ et l'ampleur précise de l'écart de couverture en fonction de $m$ , de la taille de l'échantillon $T$ et du degré de non-stationnarité.

Méthodologie
L'article propose et analyse la Prédiction Conforme à Origine Roulante (ROCP). La méthode construit un intervalle de prédiction pour $Y_{T+h}$ en traitant les $m$ dernières erreurs absolues de prévision (scores) comme un échantillon d'étalonnage local. La demi-largeur de l'intervalle est le quantile empirique $(1-\alpha)$ de ces $m$ scores.

Le cadre théorique repose sur :

Stationnarité locale : Les distributions de scores $F_{t,h}$ évoluent selon une condition de régularité Hölder- $\beta$ (suivant Dahlhaus, 1997), où le taux de dérive est contrôlé par une constante $L_{F,h}$ .
Dépendance faible : Le processus de score oracle est supposé être uniformément $\alpha$ -mélangeant (ou satisfaire le cadre de dépendance physique de Wu), contrôlant ainsi le contenu informationnel effectif de la fenêtre d'étalonnage.
Régularité du quantile : La densité de la distribution des scores est bornée loin de zéro et de l'infini à proximité du quantile cible.
Estimation de la prévision : L'écart entre le prédicteur oracle et le prédicteur estimé est borné par un terme décroissant avec $T$ .

L'innovation technique centrale est une décomposition en quatre termes de l'erreur de couverture $\Delta_{T,m,h} = |P(Y_{T+h} \in \hat{C}_{T+h|T}) - (1-\alpha)|$ . Cette décomposition sépare l'erreur en :

(I) Bruit du quantile : La variabilité stochastique du quantile empirique à partir de $m$ observations dépendantes.
(II) Reste de Bahadur : L'erreur provenant de la linéarisation du quantile empirique autour d'une cible déterministe.
(III) Biais de dérive : Le biais systématique résultant de l'utilisation de scores dont les distributions se sont éloignées de la distribution cible actuelle.
(IV) Erreur d'estimation : Le coût de l'utilisation d'un modèle de prévision estimé plutôt que d'un oracle.

Contributions clés

Règle de fenêtre optimale : L'article dérive la longueur de fenêtre d'étalonnage minimax-optimale $m^\star \asymp T^{2\beta/(2\beta+1)}$ . Sous une dérive Lipschitzienne ( $\beta=1$ ), cela se simplifie en $m^\star \asymp T^{2/3}$ . Cette règle équilibre le compromis entre la réduction du bruit du quantile (favorisée par un grand $m$ ) et la minimisation du biais de dérive (favorisée par un petit $m$ ).
Optimalité minimax : En utilisant une construction à deux points de Le Cam avec des fonctions de bosse Hölder- $\beta$ , les auteurs prouvent que le taux d'erreur de couverture $O(T^{-\beta/(2\beta+1)})$ atteint par la ROCP est minimax-optimal. Aucune procédure conforme ne peut atteindre un taux uniformément meilleur sur la classe des processus localement stationnaires.
Représentations de Bahadur : L'article établit des représentations de Bahadur pour le quantile empirique sous les cadres $\alpha$ -mélangeant et de dépendance physique, fournissant la linéarisation nécessaire pour borner l'erreur de couverture.
Inégalité d'oracle pour la sélection adaptative : Les auteurs formalisent la validation croisée de Winkler comme un sélecteur de fenêtre adaptatif. Ils prouvent une inégalité d'oracle montrant que le sélecteur piloté par les données $\hat{m}$ atteint une perte de validation quasi-minimale, à condition que la grille de fenêtres soit suffisamment fine et que la condition de concentration uniforme soit satisfaite.
Mise à l'échelle de la volatilité : Une variante (VS-ROCP) est proposée où les scores sont normalisés par la volatilité conditionnelle estimée. Théoriquement, cela réduit la constante de dérive $L_{F,h}$ , permettant potentiellement des fenêtres optimales plus grandes et des intervalles plus étroits lorsque la non-stationnarité est principalement pilotée par une échelle variant dans le temps.

Résultats empiriques
La théorie est validée sur six séries réelles (économiques, financières et énergétiques) et un échantillon stratifié de 93 séries issues de la compétition M4 :

Performance : L'étalonnage à origine roulante surpasse l'étalonnage sur l'historique complet dans 86 % des comparaisons, avec une amélioration médiane du score de Winkler de 12,3 %.
Couverture : La méthode maintient une couverture à moins de $\pm 2 \%$ de l'objectif de 90 % aux horizons courts ( $h=1$ ) et moyens ( $h=5$ ). Aux horizons longs ( $h=22$ ), la couverture se dégrade légèrement (par exemple, à 0,871), ce qui est attribué à une mauvaise spécification du modèle plutôt qu'au choix de la fenêtre d'étalonnage.
Loi d'échelle : Une régression log-log de la fenêtre optimale empirique $m^\star$ par rapport à la taille de l'échantillon $T$ sur l'ensemble de données M4 donne une pente de 0,614 (IC 95 % $[0,424, 0,805]$ ) après contrôle des effets fixes de fréquence. Cela est cohérent avec la prédiction théorique de $2/3$ (pour $\beta=1$ ).
Régimes de dépendance : Les séries financières avec un fort regroupement GARCH présentent des fenêtres optimales beaucoup plus petites que $T^{2/3}$ (rapport $\approx 0,05$ ), tandis que les séries macroéconomiques avec une dérive lente présentent des fenêtres plus grandes, confirmant le rôle de la constante spécifique à la série $C_h$ .

Importance et affirmations
L'article prétend fournir le premier cadre théorique rigoureux pour la prédiction conforme à origine roulante dans les séries temporelles. Il va au-delà de la « boîte noire » du choix heuristique de fenêtre en :

Remplaçant l'objectif impossible d'une couverture exacte pour des échantillons finis (qui nécessite l'échangeabilité) par une borne d'erreur d'approximation précise et calculable.
Établissant que le schéma à origine roulante n'est pas seulement pratiquement commode mais statistiquement efficace au sens minimax.
Fournissant une méthode fondée sur des principes et pilotée par les données (validation croisée de Winkler) pour sélectionner la fenêtre d'étalonnage tout en préservant le taux de convergence optimal.

Les auteurs notent que la méthode est agnostique au modèle et n'ajoute aucune surcharge de calcul aux pipelines effectuant déjà une évaluation à origine roulante. Ils reconnaissent que l'extension de ces résultats aux régions HPD multivariées reste un défi ouvert en raison des complexités liées aux bornes de densité de haute dimension et aux représentations de Bahadur.