Rolling-Origin Conformal Prediction under Local Stationarity and Weak Dependence

Riepilogo Tecnico: Previsione Conformale a Origine Rotante sotto Stazionarietà Locale e Debole Dipendenza

Enunciato del Problema
La previsione conformale offre intervalli di previsione privi di distribuzione con garanzie esatte di copertura per campioni finiti sotto l'assunzione di scambiabilità. Tuttavia, tale assunzione è fondamentalmente violata nella previsione delle serie temporali a causa della dipendenza seriale, del clustering della volatilità e di una deriva distribuzionale graduale. Di conseguenza, la previsione conformale classica a split spesso produce livelli di copertura che si discostano significativamente dal nominale $1-\alpha$. Sebbene i praticanti impieghino frequentemente la "calibrazione a origine rotante" — utilizzando solo gli $m$ errori pseudo-out-of-sample più recenti per calibrare il quantile conformale — questo approccio manca di giustificazione teorica riguardo alla lunghezza ottimale della finestra $m$ e alla precisa entità della deviazione della copertura in funzione di $m$, della dimensione del campione $T$ e del grado di non stazionarietà.

Metodologia
Il documento propone e analizza la Previsione Conformale a Origine Rotante (ROCP). Il metodo costruisce un intervallo di previsione per $Y_{T+h}$ trattando gli $m$ errori di previsione assoluti più recenti (punteggi) come un campione di calibrazione locale. La semilarghezza dell'intervallo è il quantile empirico $(1-\alpha)$ di questi $m$ punteggi.

Il quadro teorico si basa su:

1. Stazionarietà Locale: Le distribuzioni dei punteggi $F_{t,h}$ evolvono secondo una condizione di regolarità Hölder-$\beta$ (seguendo Dahlhaus, 1997), dove il tasso di deriva è controllato da una costante $L_{F,h}$.
2. Debole Dipendenza: Il processo di punteggio oracle è assunto essere uniformemente $\alpha$-misto (o soddisfare il quadro di dipendenza fisica di Wu), controllando il contenuto informativo effettivo della finestra di calibrazione.
3. Regolarità del Quantile: La densità della distribuzione dei punteggi è limitata da zero e dall'infinito nelle vicinanze del quantile target.
4. Stima della Previsione: Il divario tra il predittore oracle e il predittore stimato è limitato da un termine che decade con $T$.

L'innovazione tecnica centrale è una decomposizione in quattro termini dell'errore di copertura $\Delta_{T,m,h} = |P(Y_{T+h} \in \hat{C}_{T+h|T}) - (1-\alpha)|$. Questa decomposizione separa l'errore in:

• (I) Rumore del Quantile: La variabilità stocastica del quantile empirico derivante da $m$ osservazioni dipendenti.
• (II) Residuo di Bahadur: L'errore derivante dalla linearizzazione del quantile empirico attorno a un target deterministico.
• (III) Bias di Deriva: Il bias sistematico derivante dall'uso di punteggi le cui distribuzioni si sono allontanate dalla distribuzione target corrente.
• (IV) Errore di Stima: Il costo derivante dall'uso di un modello di previsione stimato anziché un oracle.

Contributi Chiave

1. Regola Ottimale per la Finestra: Il documento deriva la lunghezza ottimale della finestra di calibrazione minimax $m^\star \asymp T^{2\beta/(2\beta+1)}$. Sotto deriva Lipschitziana ($\beta=1$), ciò si semplifica in $m^\star \asymp T^{2/3}$. Questa regola bilancia il compromesso tra la riduzione del rumore del quantile (favorita da $m$ grandi) e la minimizzazione del bias di deriva (favorita da $m$ piccoli).
2. Ottimalità Minimax: Utilizzando una costruzione a due punti di Le Cam con funzioni a gobba Hölder-$\beta$, gli autori dimostrano che il tasso di errore di copertura $O(T^{-\beta/(2\beta+1)})$ raggiunto dalla ROCP è minimax-ottimale. Nessuna procedura conformale può raggiungere un tasso uniformemente migliore sulla classe dei processi localmente stazionari.
3. Rappresentazioni di Bahadur: Il documento stabilisce rappresentazioni di Bahadur per il quantile empirico sia sotto $\alpha$-misto che nel quadro di dipendenza fisica, fornendo la linearizzazione necessaria per limitare l'errore di copertura.
4. Disuguaglianza Oracle per la Selezione Adattiva: Gli autori formalizzano la convalida incrociata di Winkler come un selettore adattivo della finestra. Dimostrano una disuguaglianza oracle che mostra come il selettore guidato dai dati $\hat{m}$ raggiunga una perdita di convalida quasi minima, a condizione che la griglia delle finestre sia sufficientemente fine e che valga la condizione di concentrazione uniforme.
5. Scalatura della Volatilità: Viene proposta una variante (VS-ROCP) in cui i punteggi sono normalizzati per la volatilità condizionata stimata. Teoricamente, ciò riduce la costante di deriva $L_{F,h}$, permettendo potenzialmente finestre ottimali più ampie e intervalli più stretti quando la non stazionarietà è guidata principalmente da una scala variabile nel tempo.

Risultati Empirici
La teoria è validata su sei serie reali (macroeconomiche, finanziarie ed energetiche) e su un campione stratificato di 93 serie dalla competizione M4:

• Prestazioni: La calibrazione a origine rotante supera la calibrazione su storia completa nell'86% dei confronti, con un miglioramento mediano del punteggio di Winkler del 12,3%.
• Copertura: Il metodo mantiene la copertura entro $\pm 2\%$ dell'obiettivo del 90% a orizzonti brevi ($h=1$) e medi ($h=5$). A orizzonti lunghi ($h=22$), la copertura degrada leggermente (ad esempio, a 0,871), attribuita a una specificazione errata del modello piuttosto che alla scelta della finestra di calibrazione.
• Legge di Scalatura: Una regressione log-log della finestra empiricamente ottimale $m^\star$ rispetto alla dimensione del campione $T$ sull'intero dataset M4 produce una pendenza di 0,614 (IC al 95% $[0,424, 0,805]$) dopo il controllo per effetti fissi di frequenza. Ciò è coerente con la previsione teorica di $2/3$ (per $\beta=1$).
• Regimi di Dipendenza: Le serie finanziarie con forte clustering GARCH presentano finestre ottimali molto più piccole di $T^{2/3}$ (rapporto $\approx 0,05$), mentre le serie macro con deriva lenta mostrano finestre più ampie, confermando il ruolo della costante specifica della serie $C_h$.

Significato e Affermazioni
Il documento afferma di fornire il primo quadro teorico rigoroso per la previsione conformale a origine rotante nelle serie temporali. Supera la "scatola nera" della selezione euristica della finestra mediante:

• La sostituzione dell'obiettivo impossibile della copertura esatta per campioni finiti (che richiede scambiabilità) con un limite di errore di approssimazione preciso e calcolabile.
• L'instaurazione del fatto che lo schema a origine rotante non è solo praticamente conveniente ma statisticamente efficiente nel senso minimax.
• La fornitura di un metodo fondato e guidato dai dati (convalida incrociata di Winkler) per la selezione della finestra di calibrazione che preserva il tasso di convergenza ottimale.

Gli autori notano che il metodo è agnostico rispetto al modello e non aggiunge alcun sovraccarico computazionale alle pipeline che eseguono già valutazioni a origine rotante. Riconoscono che estendere questi risultati a regioni HPD multivariate rimane una sfida aperta a causa delle complessità dei limiti di densità in alta dimensione e delle rappresentazioni di Bahadur.