Riepilogo Tecnico: Aspettative vs. Realtà: Il Costo della Previsione MSE-Ottimale sotto Incertezza Condizionale

1. Definizione del Problema

La previsione di serie temporali multi-step (MSF) viene tradizionalmente valutata utilizzando metriche di errore punto-punto, in particolare l'Errore Quadratico Medio (MSE). Questo paradigma di valutazione tratta implicitamente l'aspettativa condizionale, $E[Y_h | X]$, come il target sufficiente e desiderato. Tuttavia, gli autori sostengono che tale assunzione diventi fragile all'aumentare dell'orizzonte di previsione. In molti sistemi del mondo reale, l'incertezza si accumula nel tempo, causando una dispersione sempre maggiore della distribuzione condizionale degli esiti futuri.

In condizioni di alta incertezza condizionale, l'aspettativa condizionale (il target ottimale per l'MSE) può divergere significativamente dagli esiti realizzati tipici. Di conseguenza, i modelli ottimizzati strettamente per l'MSE tendono a produrre previsioni "sotto- disperse" (under-dispersed): sono accurate in senso punto-punto, ma non riescono a catturare la variabilità marginale della vera distribuzione futura. Il documento postula che questo non sia semplicemente un fallimento della capacità del modello o dell'ottimizzazione, ma un limite strutturale inerente alla previsione deterministica sotto perdita quadratica quando l'incertezza condizionale è non nulla.

2. Metodologia e Quadro Teorico

2.1 Formalizzazione Teorica

Gli autori formalizzano il problema utilizzando la Legge della Varianza Totale:
$$\text{Var}(Y_h) = \text{Var}(E[Y_h | X]) + E[\text{Var}(Y_h | X)]$$
Definiscono un Gap di Incertezza Condizionale ($\text{Gap}_h$) come la frazione della variabilità totale attribuibile all'incertezza irreducible dato il passato:
$$\text{Gap}_h = \frac{E[\text{Var}(Y_h | X)]}{\text{Var}(E[Y_h | X]) + E[\text{Var}(Y_h | X)]}$$
Quando $\text{Gap}_h > 0$, la media condizionale spiega meno del 100% della varianza del futuro realizzato.

2.2 Il Trade-off Accuratezza–Realismo (Teorema 1)

Il principale contributo teorico è il Teorema 1, che dimostra che per qualsiasi predittore deterministico $f_h$:

1. Se $\text{Gap}_h > 0$, nessun predittore può simultaneamente minimizzare l'MSE e corrispondere alla distribuzione marginale degli esiti realizzati ($L(Y_h)$).
2. L'unico minimizzatore dell'MSE è l'aspettativa condizionale $f^*_h(X) = E[Y_h | X]$.
3. Poiché $\text{Var}(f^*_h(X)) < \text{Var}(Y_h)$ ogni volta che $\text{Gap}_h > 0$, la distribuzione marginale del predittore ottimale per l'MSE differisce strettamente dalla vera distribuzione marginale.
4. Ciò crea un inevitabile frontiera di Pareto tra l'accuratezza puntuale (MSE) e il realismo marginale (misurato tramite distanza di Wasserstein $W_1$).

2.2 Caratterizzazione Empirica

Per quantificare questo trade-off, gli autori impiegano:

• Sistemi Sintetici Controllati: Un sistema stocastico Mackey–Glass dove il livello di rumore ($\sigma_s$) e l'orizzonte ($h$) possono essere regolati per controllare il gap di incertezza condizionale.
• Benchmark del Mondo Reale: Nove dataset che spaziano da energia, traffico, meteo, qualità dell'aria e finanza (es. METR-LA, Electricity, ExchangeRate).
• Strategie Valutate:
  • Diretta (MIMO): Predice l'intero orizzonte in un unico passo.
  • Ricorsiva (REC): Predice iterativamente un passo avanti alla volta.
  • Regole di Inferenza: Per i modelli probabilistici, confrontano l'inferenza basata sulla media (media predittiva) rispetto all'inferenza basata su campionamento (rollout di un singolo campione).
• Metriche: MSE per l'accuratezza e $W_1$ (distanza di Wasserstein-1) per il realismo marginale. Riportano inoltre metriche a livello di traiettoria (DTW, Vettore $W_1$, ecc.) come controlli di robustezza.

3. Risultati Chiave

3.1 Geometria del Trade-off

• Regime di Bassa Incertezza: Quando il gap di incertezza condizionale è piccolo, la frontiera di Pareto è degenerata; i metodi si raggruppano vicino a un singolo punto operativo dove la minimizzazione dell'MSE produce anche un alto realismo.
• Regime di Alta Incertezza: Man mano che il gap aumenta (orizzonti più lunghi o rumore maggiore), l'insieme raggiungibile delle prestazioni si espande in una frontiera di Pareto pronunciata. Questo separa i predittori ottimali per l'MSE (che sono sotto-dispersi) dai metodi che sacrificano l'accuratezza puntuale per corrispondere alla variabilità marginale.
• Correlazione: La lunghezza della frontiera di Pareto aumenta monotonicamente con il gap di incertezza condizionale stimato.

3.2 Il Costo della Selezione Rigida dell'MSE

• Costo Opportunità: Gli autori definiscono un "trade riuscito" come uno scenario in cui un piccolo rilassamento dell'MSE produce un guadagno relativo maggiore in realismo.
• Risultati Empirici: Attraverso benchmark sintetici e reali, rilassare il vincolo dell'MSE di appena il 5% sblocca frequentemente guadagni sproporzionati nel realismo marginale.
  • Miglioramento Mediano: Miglioramento del 17,3% nel realismo marginale ($W_1$) su tutti i dataset.
  • Tasso di Successo: In l'84,1% dei casi (media globale), un piccolo rilassamento dell'MSE ha prodotto un trade netto positivo in termini di realismo.
  • Specificità del Dataset: Alcuni dataset (es. Meteo, ExchangeRate) hanno mostrato miglioramenti mediani del realismo superiori al 22% con alti tassi di successo.

3.3 Strategia e Inferenza come Leve di Controllo

Lo studio dimostra che diverse strategie di previsione occupano sistematicamente diverse regioni della frontiera di Pareto:

• Estremo MSE-Ottimale: Dominato dalle strategie Dirette (MIMO) e dall'inferenza basata sulla media. Queste si allineano con la stima dell'aspettativa condizionale e producono previsioni smussate e sotto-disperse.
• Estremo Realismo-Ottimale: Dominato dalle strategie Ricorsive (REC) e dall'inferenza basata sul campionamento. Queste propagano la variabilità nel tempo, corrispondendo meglio alla distribuzione marginale degli esiti realizzati a scapito di un maggiore errore puntuale.
• Modelli Probabilistici: Anche i modelli probabilistici non eliminano il trade-off; lo navigano semplicemente. Scegliere la media predittiva posiziona il modello vicino all'estremo dell'MSE, mentre il campionamento lo posiziona vicino all'estremo del realismo.

4. Contributi

Il documento apporta tre contributi principali:

1. Spiegazione Teorica: Dimostra che l'eccessivo smussamento (over-smoothing) nella previsione a lungo orizzonte è una proprietà strutturale della previsione deterministica sotto incertezza condizionale, non un errore di misspecificazione del modello. Nessun predittore deterministico può minimizzare l'MSE e corrispondere alla distribuzione marginale simultaneamente se il gap di incertezza è non nullo.
2. Quantificazione Empirica: Caratterizza la frontiera di Pareto tra accuratezza e realismo, mostrando che la selezione del modello basata strettamente sull'MSE comporta un costo sostanziale e spesso evitabile in termini di realismo marginale. Piccoli rilassamenti dell'MSE portano spesso a grandi guadagni in realismo.
3. Protocollo Pratico: Inquadra la selezione della strategia (Diretta vs. Ricorsiva) e la scelta dell'inferenza (Media vs. Campionamento) come meccanismi per navigare questo spazio multi-obiettivo, piuttosto che come semplice ottimizzazione di una singola metrica.

5. Significato e Raccomandazioni

Il lavoro sostiene che l'incompatibilità tra accuratezza puntuale e realismo distributivo è una proprietà intrinseca della previsione multi-step sotto incertezza condizionale, indipendente dalla classe di modelli.

Raccomandazione Pratica:
Gli autori propongono una regola di selezione basata su banda di tolleranza:

1. Identificare il modello ottimale per l'MSE sui dati di validazione.
2. Mantenere tutti i candidati il cui MSE rientra in una piccola tolleranza $\epsilon$ (es. 5%) rispetto all'ottimo, dipendente dall'applicazione.
3. Tra questi "quasi-pareggi", selezionare il modello che massimizza il realismo marginale (usando metriche come $W_1$) o, per i modelli probabilistici, utilizzare diagnostiche di calibrazione e nitidezza (sharpness).

Significato:
Questo lavoro mette in discussione la pratica standard di classificare i modelli esclusivamente in base all'MSE, particolarmente per la previsione a lungo orizzonte. Suggerisce che la valutazione basata su una singola metrica può essere strutturalmente fuorviante, scartando sistematicamente previsioni che sono più rappresentative degli esiti realizzati. Trattando la previsione a lungo orizzonte come un problema di selezione multi-obiettivo vincolato, i professionisti possono evitare il "costo" dell'ottimizzazione basata solo sull'MSE e selezionare modelli che riflettono meglio l'incertezza inerente al processo generatore di dati.