Conformal Prediction Intervals with Tail-Specific Guarantees

Sintesi Tecnica: Intervalli di Predizione Conforme con Garanzie Specifiche per le Code

Problema
I framework classici di predizione conforme (CP) forniscono intervalli di predizione con una copertura marginale garantita (ovvero, la probabilità che la risposta reale cada all'interno dell'intervallo è almeno $1-\alpha$). Tuttavia, questa garanzia globale tratta i processi di coda superiore e inferiore della distribuzione predittiva in modo simmetrico. In molti contesti decisionali del mondo reale—come la gestione di portafogli finanziari (dove il rischio di ribasso è più critico rispetto al potenziale di rialzo) o il monitoraggio clinico (dove soglie specifiche attivano azioni distinte)—le conseguenze degli errori nelle due code sono asimmetriche. I metodi CP standard non offrono un controllo esplicito sulle singole probabilità di coda, rischiando potenzialmente di sottocoprire sistematicamente la coda di maggiore interesse, pur sovrecoprendo l'altra.

Metodologia
Gli autori propongono un framework per costruire intervalli di predizione che soddisfino sia la copertura marginale globale sia garanzie di copertura specifiche per le code, esplicitamente calibrate. La metodologia si basa sulla Predizione Conforme Split (Split Conformal Prediction) e si estende ai dati non scambiabili tramite l'Inferenza Conforme Adattiva (ACI) e la DtACI (Inferenza Conforme Adattiva con Tuning Dinamico).

La procedura centrale prevede la costruzione in due fasi:

1. Intervalli Monolaterali: Gli autori costruiscono separatamente intervalli con limite inferiore ($[L, +\infty)$) e con limite superiore ($(-\infty, U]$). Ciò viene ottenuto definendo punteggi di conformità monolaterali specifici. In particolare, introducono un punteggio quantile con segno ($s_{q\text{-sgn}}$) che mantiene il segno del residuo rispetto al quantile stimato, differenziandosi dai punteggi troncati utilizzati nella regressione quantile conforme (CQR) standard.
2. Intersezione: L'intervallo di predizione bilaterale finale si ottiene tramite l'intersezione degli intervalli monolaterali calibrati indipendentemente: $C_{n+1}^\cap = [L_{n+1}, U_{n+1}]$.

Per i dati non scambiabili (ad esempio, serie temporali con dipendenza temporale o shift distribuzionali), il framework adatta i livelli di errore ($\alpha^-$ e $\alpha^+$) per le code inferiore e superiore indipendentemente, utilizzando ricorsioni di apprendimento online (ACI) o un insieme di apprendisti con pesatura esponenziale (DtACI). Ciò consente al metodo di tracciare i tassi di violazione target per ciascuna coda separatamente, anche in condizioni di non stazionarietà.

Contributi Chiave
Il documento delinea quattro contributi primari:

• C1 (Validità Specifica per le Code): Introduzione di una nozione più forte di validità marginale che decompone la mancata copertura totale $\alpha$ in componenti direzionali definite dall'utente ($\alpha^-$ e $\alpha^+$), consentendo ai professionisti di assegnare requisiti di copertura più rigorosi a code specifiche.
• C2 (Garanzie Teoriche): Dimostrazione di garanzie di copertura specifica per le code e di copertura marginale globale a campione finito sotto l'ipotesi di scambiabilità. Inoltre, vengono stabilite garanzie asintotiche e limiti di regret a breve termine per dati non scambiabili sotto ACI e DtACI.
• C3 (Performance Empirica): Dimostrazione, attraverso studi di simulazione, che il metodo proposto raggiunge una migliore calibrazione direzionale rispetto agli intervalli CP bilaterali classici, specialmente in distribuzioni asimmetriche e a code pesanti. Lo studio evidenzia come il punteggio quantile con segno eviti i problemi di estrema sovracopertura osservati con i punteggi troncati in presenza di forte asimmetria.
• C4 (Applicazione Finanziaria): Applicazione del framework alla previsione dei rendimenti finanziari, specificamente per la stima del Value-at-Risk (VaR). Il metodo fornisce un approccio senza ipotesi distributive e teoricamente valido per controllare il rischio di ribasso (coda sinistra) caratterizzando simultaneamente il potenziale di rialzo.

Risultati

• Simulazioni: In scenari con distribuzioni Student-t asimmetriche (sia IID che AR(1)), gli intervalli CP bilaterali standard e i benchmark hanno mostrato una significativa sottocopertura nella coda inferiore e una estrema sovracopertura (fino al 100%) nella coda superiore. Il metodo di intersezione proposto ha ripristinato con successo i livelli di copertura target per entrambe le code indipendentemente, sebbene con una leggera perdita di efficienza (aumento della larghezza dell'intervallo) dovuta al gap non nullo tra i limiti di probabilità.
• Applicazione Finanziaria: Applicato agli ETF (SPY, TQQQ, XLE) con profili di rischio variabili, gli intervalli calibrati per le code basati su DtACI hanno mantenuto la copertura target della coda sinistra (VaR) attraverso diversi regimi di mercato. Al contrario, gli intervalli CP bilaterali classici e le previsioni VaR basate su modelli GARCH parametrici hanno sistematicamente sottocoperto la coda sinistra, fallendo nel fornire il rigoroso controllo del rischio richiesto per scopi normativi e gestionali.

Significatività e Rivendicazioni
Il documento sostiene che il proprio framework affronta una lacuna critica nella quantificazione dell'incertezza: l'incapacità della CP standard di gestire le conseguenze asimmetriche degli errori di predizione. Decoupling (disaccoppiando) la calibrazione delle due code, il metodo offre uno strumento robusto per la gestione del rischio dove le garanzie direzionali specifiche sono fondamentali. Gli autori sottolineano che il loro approccio fornisce garanzie a campione finito per dati scambiabili e garanzie asintotiche con limiti di regret per dati non scambiabili, il tutto senza richiedere forti assunzioni distribuzionali. Il lavoro posiziona la soluzione come uno strumento pratico per domini come la finanza e la medicina, dove una copertura "taglia unica" è insufficiente per il processo decisionale sotto rischio asimmetrico.