🤖 machine learning

Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting

Cet article démontre que, dans la prévision de la volatilité multi-horizon, la stratégie de déploiement appliquée à un modèle multi-sorties entraîné est aussi critique que l'architecture du modèle elle-même, montrant que la sélection par validation des règles de déroulement lors de l'inférence peut améliorer significativement la précision et l'efficacité des coûts tout en révélant que les politiques optimales sont sensibles à la fois à l'architecture spécifique et à la métrique d'évaluation choisie.

Auteurs originaux : Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

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 possédez une boule de cristal financière très intelligente et hautement entraînée. Vous avez passé des semaines à l'enseigner pour prédire l'ampleur de la volatilité du marché boursier (le côté « rebondissant » des prix) sur les 10, 20 ou 30 prochains jours.

Par le passé, une fois que vous aviez fini d'entraîner cette boule de cristal, vous l'utilisiez simplement exactement comme elle avait été conçue : elle regardait les données d'aujourd'hui et recrachait une seule et immense prédiction pour toute la période future d'un seul coup. Les auteurs de ce document appellent cela l'approche « MIMO par défaut ».

La Grande Idée : La Boule de Cristal a un Menu Secret

L'article soutient que vous gaspillez en réalité le potentiel de votre boule de cristal entraînée. Ce n'est pas parce que vous l'avez entraînée pour donner une prédiction de 30 jours d'un seul coup que vous devez l'utiliser de cette manière.

Pensez à votre modèle entraîné comme à un maître chef qui a appris à cuisiner un banquet massif de 30 plats en une seule séance. La méthode « par défaut » est de servir tout le banquet d'un coup. Mais l'article suggère que ce même chef pourrait également être sollicité pour :

Cuisiner seulement les 5 premiers plats, les goûter, ajuster la fournée suivante en fonction de cela, puis cuisiner les 5 suivants.
Ou cuisiner les 10 premiers plats, faire une pause, puis continuer.

Même si le chef (le modèle) possède exactement les mêmes compétences et connaissances (les paramètres entraînés), la manière dont vous lui demandez de cuisiner (la « règle de déploiement » ou rollout rule) change le goût final du repas.

Ce Qu'Ils Ont Découvert

Les chercheurs ont testé cette idée sur 20 actions différentes en utilisant divers types de modèles d'IA (allant de simples formules mathématiques à des réseaux complexes de type « Transformer »). Voici ce qu'ils ont découvert, en utilisant des analogies simples :

Le Piège du « Taille Unique » : Ils ont constaté que la manière standard d'utiliser le modèle (le banquet complet de 30 plats) n'est souvent pas la meilleure méthode. Parfois, demander au chef de cuisiner par petits lots (comme 5 plats à la fois) donne un repas plus savoureux (des prédictions plus précises).
Pas de Recette Unique Idéale : Cependant, il n'existe pas de taille de lot unique qui soit la meilleure. Pour un certain type de chef (modèle) et un certain type de banquet (horizon de prévision), cuisiner par lots de 5 peut être parfait. Pour un autre chef ou un autre cadre temporel, des lots de 10 peuvent être meilleurs. C'est comme dire que « la nourriture épicée est toujours meilleure », alors que parfois on veut du doux, et parfois du piquant. Comme le meilleur choix change énormément, on ne peut pas simplement choisir une nouvelle règle et s'y tenir pour toujours.
La Stratégie du « Test de Goût » (Validation) : Puisque vous ne pouvez pas connaître la règle parfaite à l'avance, les auteurs suggèrent une stratégie intelligente : avant de servir le repas final à vos clients (le vrai marché), vous effectuez un « test de goût » sur un menu d'entraînement (données de validation). Vous testez différentes tailles de lots et choisissez celle qui a le meilleur goût pour ce chef spécifique.
- Le Gain Facile : Parfois, le simple fait de choisir la meilleure taille de lot unique (un « singleton ») donne un meilleur repas pour presque aucun effort supplémentaire.
- Le « Group Hug » (Ensembles) : Parfois, mélanger les prédictions de quelques tailles de lots différentes (comme un comité de chefs qui votent) donne un résultat encore meilleur, bien que cela demande un peu plus de temps de calcul.
Le Décalage de « Métrique » : C'est un point crucial. En finance, il existe différentes façons de juger si une prédiction est « bonne ».
- MSE (Erreur Quadratique Moyenne) : C'est comme juger un repas par la proximité de la température par rapport à la cible.
- QLIKE : C'est une métrique spécifique à la finance qui juge le repas selon la façon dont il gère le risque des ingrédients.
- Le Problème : La taille de lot qui rend le repas « parfait » selon le test de température (MSE) ne correspond pas toujours au plus sûr ou au plus rentable selon le test de risque (QLIKE). Si vous choisissez votre stratégie en vous basant sur un test, elle pourrait échouer à l'autre.

L'Essentiel à Retenir

L'article conclut que la manière dont vous utilisez un modèle entraîné est aussi importante que le modèle lui-même.

Au lieu de traiter un IA entraînée comme un outil unique et rigide que l'on se contente d'allumer, vous devriez la considérer comme une boîte à outils flexible. En changeant la façon dont vous « déployez » (roll out) les prédictions (les tailles de lots) et en testant ces options lors d'un essai pratique, vous pouvez souvent obtenir de meilleurs résultats sans avoir à réentraîner l'IA ou à en construire une nouvelle.

C'est comme réaliser que votre chef entraîné peut préparer un meilleur dîner si vous ne le forcez pas simplement à cuisiner tout le menu d'un coup, mais si vous le laissez cuisiner par étapes plus petites et plus intelligentes basées sur ce qui a le mieux fonctionné pendant l'entraînement.

Résumé Technique : Adaptabilité au Déploiement dans la Prévision de Volatilité Multi-Horizons

1. Énoncé du Problème

Dans la prévision financière, particulièrement pour la prévision de la volatilité multi-horizons, le paradigme d'évaluation standard suppose qu'un modèle entraîné définit un prédicteur déployable unique. Cet article remet en question cette hypothèse, soutenant que pour les modèles MIMO (Multi-Input Multi-Output), le processus d'entraînement n'est que la moitié de l'histoire. La méthode utilisée pour déployer le modèle — les règles de déroulement (rollout) au moment de l'inférence — modifie fondamentalement le comportement, la précision et le coût computationnel du prédicteur.

Le problème central abordé est de savoir si un seul modèle MIMO entraîné peut générer une famille de prédicteurs distincts et déployables en faisant varier la stratégie d'inférence (par exemple, en changeant la taille du bloc de sorties engagées) sans réentraînement. Les auteurs cherchent à savoir si le déploiement MIMO direct « par défaut » est optimal, ou si des règles de déroulement alternatives induisent de meilleurs prédicteurs sous des contraintes spécifiques (latence, budget de calcul) et des métriques d'évaluation données (MSE vs QLIKE).

2. Méthodologie

2.1 La Famille de Règles Induites

Les auteurs proposent de considérer un modèle MIMO entraîné non pas comme un prédicteur fixe, mais comme un générateur d'une famille de prédicteurs.

Mécanisme : Un modèle MIMO standard prédit un horizon complet $H$ en une seule passe. Les auteurs introduisent un déploiement « récursif par blocs » où le modèle ne s'engage que sur $s$ étapes ( $1 \le s \le H$ ) par appel.
Processus de déroulement (Rollout) : Les $s$ prédictions engagées sont ajoutées à la fenêtre d'entrée, l'état est mis à jour, et la même fonction entraînée $f_\theta$ est appelée à nouveau pour prédire les $s$ étapes suivantes. Ce processus se répète jusqu'à ce que l'horizon complet soit couvert.
Prédicteurs Induits : En faisant varier la taille du bloc $s$ (ou le ratio de déroulement $r = s/H$ ), les mêmes paramètres fixes $\theta$ génèrent différents prédicteurs effectifs $g_{\theta, s}$ . Cela crée une « famille de règles » de prévisions déployables allant du déroulement entièrement récursif ( $s=1$ ) au MIMO par défaut ( $s=H$ ).

2.2 Configuration Expérimentale

Données : Séries de volatilité boursière quotidienne issues de l'archive VOLARE (20 séries univariées). La cible est la variance réalisée logarithmique (calculée à partir de données échantillonnées toutes les 5 minutes).
Horizons : Trois horizons de prévision ( $H \in \{10, 20, 30\}$ jours).
Architectures : Cinq classes de modèles allant du linéaire au deep learning : LinearNet, MLP, LSTM, N-BEATS et PatchTST.
Entraînement : Tous les modèles sont entraînés comme des forecasters directs multi-sorties (prédisant l'intégralité de $H$ en une seule passe) en utilisant l'optimiseur Adam et la perte MSE.
Métriques d'Évaluation :
- MSE : Erreur quadratique moyenne sur l'échelle de la log-volatilité (objectif principal de l'entraînement).
- QLIKE : Perte quasi-vraisemblance sur l'échelle de la variance originale (métrique standard en finance).
- Coût : Temps d'inférence, mesuré par le nombre d'appels au modèle ( $\lceil H/s \rceil$ ).

2.3 Politiques de Déploiement

L'étude évalue plusieurs politiques pour sélectionner ou combiner les règles de la famille induite :

MIMO par défaut : Le déploiement standard $s=H$ .
Singletons : Déploiement d'une règle non par défaut ( $s < H$ ).
Singleton sélectionné par la validation : Choix de la meilleure valeur unique de $s$ basée sur la MSE de validation.
Ensembles de sous-ensembles :
- Simple : Moyenne uniforme d'un sous-ensemble de règles.
- Linéaire : Moyenne pondérée où les poids sont appris via les moindres carrés ordinaires (OLS) sur les données de validation.
- La sélection est effectuée via une sélection directe gloutonne (greedy forward selection) pour optimiser la MSE de validation pour une taille de sous-ensemble $k$ fixée.
Ensembles complets : Agrégation de l'ensemble du pool de règles.

3. Contributions Clés

Vision du MIMO par règles induites : L'article introduit le concept qu'un seul forecaster MIMO entraîné définit une famille de prédicteurs déployables via des choix de déroulement au moment de l'inférence, plutôt qu'un prédicteur statique unique.
Marge de progression du déploiement (Deployment Headroom) : Les auteurs démontrent que les règles de déroulement non par défaut surpassent fréquemment le déploiement MIMO par défaut en termes de MSE. Cependant, la règle optimale est fortement dépendante de l'architecture du modèle et de l'horizon de prévision, rendant peu fiable une règle de remplacement « globale ».
Politiques basées sur la validation : L'étude montre que la sélection basée sur la validation (singletons) et les petits ensembles de sous-ensembles (ex: $k=3$ ) peuvent exploiter cette marge pour obtenir des améliorations significatives de la MSE par rapport au MIMO par défaut, pour une fraction du coût des ensembles complets.
Sensibilité aux métriques : Une conclusion critique est que les politiques de déploiement sont sensibles aux métriques. Les politiques optimisées pour la MSE de validation ne se transfèrent pas uniformément à la performance QLIKE. Plus précisément, les combinaisons linéaires apprises offrent souvent de solides gains de MSE mais des améliorations moins constantes de la QLIKE par rapport aux politiques plus simples (singletons ou moyenne simple).
Efficacité Coût-Réentraînement : L'article compare les politiques induites à une alternative de « balayage de règles » (entraîner des modèles séparés pour chaque taille de bloc). Les politiques induites atteignent une performance quasi équivalente tout en nécessitant un coût de réentraînement nettement inférieur (un seul modèle entraîné contre un par taille de bloc candidate).

4. Résultats Clés

Performance au niveau des règles : Les règles singleton non-MIMO battent fréquemment le MIMO par défaut (taux de victoire souvent > 60-80 % pour des modèles avancés comme PatchTST), mais la taille de bloc gagnante varie considérablement selon les architectures et les horizons.
Compromis Précision-Coût :
- Singletons sélectionnés par validation : Offrent des améliorations à faible coût (souvent < 2x le coût d'inférence du MIMO) avec des gains de MSE modestes.
- Petits sous-ensembles ( $k=3$ ) : Représentent un excellent compromis. Les sous-ensembles linéaires gloutons de taille 3 atteignent les plus grandes réductions médianes de MSE (réduisant souvent l'erreur de 5 à 15 % par rapport au MIMO) avec des coûts d'inférence modérés (environ 10-20x le coût du MIMO, mais bien moins cher que les ensembles complets).
- Ensembles complets : Bien qu'ils offrent l'erreur la plus faible, le gain marginal par rapport aux petits sous-ensembles est souvent faible par rapport à l'augmentation significative du coût d'inférence.
Transfert de Métrique :
- Les politiques sélectionnées via la MSE ne garantissent pas l'amélioration de la QLIKE.
- Les politiques simples (singletons, moyenne simple) montrent un transfert plus fiable entre MSE et QLIKE.
- Les combinaisons linéaires apprises, bien que puissantes pour la MSE, sont moins robustes lorsque la perte opérationnelle est la QLIKE.
Induit vs Séparément Entraîné : Les modèles entraînés séparément pour des tailles de blocs spécifiques n'offrent que des améliorations marginales de MSE par rapport aux politiques induites. Le « Ratio Oracle » (coût de l'induit vs séparément entraîné) suggère que les politiques induites ne nécessitent que ~10-30 % de l'effort de réentraînement pour une performance comparable.

5. Signification et Revendications

L'article affirme que le déploiement au moment de l'inférence est une source significative d'adaptabilité dans la prévision financière. La principale signification réside dans le déplacement de l'attention de « quelle architecture de modèle est la meilleure » vers « comment le modèle entraîné est déployé ».

Implication Pratique : Les praticiens ne doivent pas supposer que la sortie MIMO par défaut est le produit final. En traitant le modèle entraîné comme un espace de déploiement compact, on peut sélectionner une politique (singleton ou petit sous-ensemble) qui équilibre précision, coût et la perte opérationnelle spécifique (MSE vs QLIKE) sans le coût lourd d'un réentraînement de multiples modèles.
Conception de l'Évaluation : Les auteurs soutiennent que la politique de déploiement doit être évaluée parallèlement à l'architecture du modèle. Le véritable potentiel d'un modèle n'est réalisé que lorsque la stratégie de déploiement est optimisée pour les contraintes et les fonctions de perte spécifiques du cas d'usage financier.
Modestie : Les auteurs reconnaissent les limites, notant que les résultats sont basés sur la volatilité quotidienne univariée et que les conclusions concernent la précision de la prévision plutôt que l'utilité de portefeuille ou le contrôle des risques en aval. Ils ne prétendent pas proposer une nouvelle architecture de volatilité, mais une nouvelle perspective sur l'utilisation des modèles existants entraînés.