🤖 machine learning

Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting

Questo articolo dimostra che nella previsione della volatilità multi-orizzonte, la strategia di deployment applicata a un modello multi-output addestrato è critica quanto l'architettura stessa del modello, mostrando che la selezione basata sulla validazione delle regole di rollout al tempo di inferenza può migliorare significativamente l'accuratezza e l'efficienza dei costi, rivelando al contempo che le policy ottimali sono sensibili sia all'architettura specifica che alla metrica di valutazione scelta.

Autori originali: Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

Pubblicato 2026-06-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere una sfera di cristallo finanziaria molto intelligente e altamente addestrata. Hai trascorso settimane a insegnarle a prevedere quanta volatilità (la "scattosità" dei prezzi) si verificherà nel mercato azionario nei prossimi 10, 20 o 30 giorni.

In passato, una volta terminato l'addestramento della tua sfera di cristallo, la avresti usata esattamente come era stata progettata: avrebbe guardato i dati di oggi e avrebbe poi vomitato un'unica, enorme previsione per l'intero periodo futuro tutto in una volta. Gli autori di questo articolo chiamano questo approccio "MIMO predefinito".

La Grande Idea: La Sfera di Cristallo Ha un Menù Segreto

L'articolo sostiene che stai in realtà sprecando il potenziale della tua sfera di cristallo addestrata. Il fatto che sia stata addestrata per dare una previsione di 30 giorni in un colpo solo non significa che tu debba necessariamente usarla in quel modo.

Pensa al tuo modello addestrato come a un maestro chef che ha imparato a cucinare un banchetto massiccio di 30 portate in una sola seduta. Il modo "Predefinito" è servire l'intero banchetto tutto in una volta. Ma l'articolo suggerisce che questo stesso chef potrebbe anche essere chiamato a:

Cucinare solo le prime 5 portate, assaggiarle, regolare il lotto successivo in base a ciò, e poi cucinare le successive 5.
Oppure cucinare le prime 10 portate, fare una pausa e poi continuare.

Anche se lo chef (il modello) ha esattamente le stesse abilità e conoscenze (i parametri addestrati), il modo in cui gli chiedi di cucinare (la "regola di rollout") cambia il sapore finale del pasto.

Cosa Hanno Scoperto

I ricercatori hanno testato questa idea su 20 diversi titoli azionari utilizzando vari tipi di modelli di IA (dai semplici formulari matematici alle complesse reti "Transformer"). Ecco cosa hanno scoperto, usando semplici analogie:

La Trappola del "Taglia Unica per Tutti": Hanno scoperto che il modo standard di utilizzare il modello (il banchetto completo di 30 portate) spesso non è il migliore. A volte, chiedere allo chef di cucinare in lotti più piccoli (come 5 portate alla volta) produce un pasto più gustoso (previsioni più accurate).
Non Esiste Una Singola Ricetta Perfetta: Tuttavia, non esiste un singolo "lotto" ideale. Per un certo tipo di chef (modello) e per un certo tipo di banchetto (orizzonte di previsione), cucinare in lotti da 5 potrebbe essere perfetto. Per un altro chef o per un altro intervallo temporale, l'ideale potrebbe essere un lotto da 10. È come dire che "il cibo piccante è sempre migliore", quando a volte si desidera qualcosa di delicato e altre volte di piccante. Poiché la scelta migliore cambia così tanto, non puoi semplicemente scegliere una nuova regola e attaccarti ad essa per sempre.
La Strategia del "Test del Gusto" (Validazione): Poiché non puoi conoscere la regola perfetta in anticipo, gli autori suggeriscono una strategia intelligente: prima di servire il pasto finale ai tuoi clienti (il mercato reale), effettua un "test del gusto" su un menù di prova (dati di validazione). Provi diversi lotti di dimensioni differenti e scegli quello che ha il sapore migliore per quello specifico chef.
- La Vittoria Economica: A volte, scegliere semplicemente la singola dimensione di lotto migliore (un "singleton") ti garantisce un pasto migliore con pochissimo sforzo extra.
- L'Abbraccio di Gruppo (Ensemble): A volte, mescolare le previsioni di alcune diverse dimensioni di lotto insieme (come un comitato di chef che votano) fornisce un risultato ancora migliore, anche se richiede un po' più di tempo per il calcolo.
Il Disallineamento della "Metrica": Questo è un punto cruciale. In finanza, esistono diversi modi per giudicare se una previsione è "buona".
- MSE (Errore Quadratico Medio): Questo è come giudicare un pasto in base a quanto la temperatura sia vicina al bersaglio.
- QLIKE: Questa è una metrica specifica per la finanza che giudica il pasto in base a quanto gestisce il rischio degli ingredienti.
- Il Problema: La dimensione del lotto che rende il pasto "perfetto" secondo il test della temperatura (MSE) non sempre rende il pasto più sicuro o redditizio secondo il test del rischio (QLIKE). Se scegli la tua strategia basandoti su un test, potresti fallire l'altro.

Il Punto Fondamentale

L'articolo conclude che il modo in cui usi un modello addestrato è importante quanto il modello stesso.

Invece di trattare un'IA addestrata come uno strumento singolo e rigido che devi solo accendere, dovresti vederla come un kit di attrezzi flessibile. Cambiando il modo in cui effettui il "rollout" delle previsioni (le dimensioni dei lotti) e testandole durante una prova pratica, puoi spesso ottenere risultati migliori senza dover riaddestrare l'IA o costruirne una nuova.

È come rendersi conto che il tuo chef addestrato può preparare una cena migliore se non lo costringi semplicemente a cucinare l'intero menù in una volta, ma gli permetti di cucinare in passi più piccoli e intelligenti basati su ciò che ha funzionato meglio durante la pratica.

Sintesi Tecnica: Adattabilità Lato Deployment nella Previsione della Volatilità Multi-Orizzonte

1. Definizione del Problema

Nella previsione finanziaria, in particolare per la previsione della volatilità multi-orizzonte, il paradigma di valutazione standard assume che un modello addestrato definisca un singolo predittore distribuibile. Questo articolo contesta tale assunzione, sostenendo che per i previsori Multi-Input Multi-Output (MIMO), il processo di addestramento è solo metà della storia. Il metodo utilizzato per distribuire il modello — le regole di rollout durante l'inferenza — altera fondamentalmente il comportamento, l'accuratezza e il costo computazionale del predittore.

Il problema centrale affrontato è se un singolo forecaster MIMO addestrato possa generare una famiglia di distinti predittori distribuibili variando la strategia di inferenza (ad esempio, cambiando la dimensione del blocco di output impegnati) senza riaddestramento. Gli autori indagano se il deployment MIMO diretto "di default" sia ottimale, o se regole di rollout alternative inducano predittori migliori sotto specifici vincoli (latenza, budget computazionale) e metriche di valutazione (MSE vs. QLIKE).

2. Metodologia

2.1 La Famiglia di Regole Indotte

Gli autori propongono di considerare un modello MIMO addestrato non come un predittore fisso, ma come un generatore di una famiglia di predittori.

Meccanismo: Un modello MIMO standard prevede un intero orizzonte $H$ in un unico passaggio. Gli autori introducono un deployment "block-recursive" dove il modello impegna solo $s$ step ( $1 \le s \le H$ ) per chiamata.
Processo di Rollout: Le previsioni impegnate $s$ vengono aggiunte alla finestra di input, lo stato viene aggiornato e la stessa funzione addestrata $f_\theta$ viene chiamata nuovamente per prevedere i successivi $s$ step. Questo processo si ripete fino a coprire l'intero orizzonte.
Predittori Indotti: Variando la dimensione del blocco $s$ (o il rapporto di rollout $r = s/H$ ), gli stessi parametri fissi $\theta$ generano diversi predittori effettivi $g_{\theta, s}$ . Ciò crea una "famiglia di regole" di previsioni distribuibili che spaziano dal completamente ricorsivo ( $s=1$ ) al MIMO di default ( $s=H$ ).

2.2 Setup Sperimentale

Dati: Serie di volatilità azionaria giornaliera dal archivio VOLARE (20 serie univariate). L'obiettivo è la varianza realizzata logaritmica (calcolata da dati subsampati a 5 minuti).
Orizzonti: Tre orizzonti di previsione ( $H \in \{10, 20, 30\}$ giorni).
Architetture: Cinque classi di modelli che vanno da modelli lineari a deep learning: LinearNet, MLP, LSTM, N-BEATS e PatchTST.
Addestramento: Tutti i modelli sono addestrati come forecaster multi-output diretti (prevedendo l'intero $H$ in un unico passaggio) utilizzando l'ottimizzatore Adam e la perdita MSE.
Metriche di Valutazione:
- MSE: Errore Quadratico Medio sulla scala della log-volatilità (obiettivo primario di addestramento).
- QLIKE: Perdita Quasi-Likelihood sulla scala della varianza originale (metrica standard in finanza).
- Costo: Tempo di inferenza, misurato dal numero di chiamate al modello ( $\lceil H/s \rceil$ ).

2.3 Politiche di Deployment

Lo studio valuta diverse politiche per selezionare o combinare le regole dalla famiglia indotta:

MIMO di Default: Il deployment standard $s=H$ .
Singleton: Distribuzione di una singola regola non predefinita ( $s < H$ ).
Singleton Selezionato dalla Validazione: Scelta della singola migliore $s$ basata sulla MSE di validazione.
Ensemble di Sottoinsiemi:
- Semplice: Media uniforme di un sottoinsieme di regole.
- Lineare: Media pesata dove i pesi sono appresi tramite Minimi Quadrati Ordinari (OLS) sui dati di validazione.
- La selezione è effettuata tramite selezione greedy forward per ottimizzare la MSE di validazione per una dimensione fissa del sottoinsieme $k$ .
Full Ensemble: Aggregazione dell'intero pool di regole.

3. Contributi Chiave

Visione del MIMO come Regola Indotta: Il documento introduce il concetto che un singolo forecaster MIMO addestrato definisce una famiglia di predittori distribuibili attraverso scelte di rollout durante l'inferenza, piuttosto che un singolo predittore statico.
Margine di Deployment (Deployment Headroom): Gli autori dimostrano che le regole di rollout non predefinite spesso superano il deployment MIMO di default in termini di MSE. Tuttavia, la regola ottimale fissa dipende fortemente dall'architettura del modello e dall'orizzonte di previsione, rendendo inaffidabile una singola regola di sostituzione "globale".
Politiche Basate sulla Validazione: Lo studio mostra che la selezione basata sulla validazione (singleton) e i piccoli ensemble di sottoinsiemi (es. $k=3$ ) possono sfruttare questo margine per ottenere miglioramenti significativi della MSE rispetto al MIMO di default a una frazione del costo dei full ensemble.
Sensibilità della Metrica: Un risultato critico è che le politiche di deployment sono sensibili alla metrica. Le politiche ottimizzate per la MSE di validazione non si trasferiscono uniformemente alle prestazioni QLIKE. Nello specifico, le combinazioni lineari apprese spesso producono forti guadagni in MSE ma miglioramenti meno consistenti in QLIKE rispetto a politiche più semplici (singleton o media semplice).
Efficienza dei Costi vs. Riaddestramento: Il documento confronta le politiche indotte con un'alternativa di "rule sweep" (addestramento di modelli separati per ogni dimensione di blocco). Le politiche indotte raggiungono una parità quasi totale nelle prestazioni predittive richiedendo un costo di riaddestramento sostanzialmente inferiore (solo un modello addestrato invece di uno per ogni dimensione di blocco candidata).

4. Risultati Chiave

Performance a Livello di Regola: Le regole singleton non-MIMO superano frequentemente il MIMO di default (i tassi di vittoria sono spesso >60-80% per modelli avanzati come PatchTST), ma la dimensione del blocco vincente varia significativamente tra le architetture e gli orizzonti.
Trade-off Accuratezza-Costo:
- Singleton Selezionati dalla Validazione: Forniscono miglioramenti a basso costo (spesso <2x il costo di inferenza del MIMO) con guadagni modesti nella MSE.
- Piccoli Sottoinsiemi ( $k=3$ ): Offrono un ottimo compromesso. I sottoinsiemi lineari greedy di dimensione 3 ottengono le maggiori riduzioni mediane della MSE (spesso riducendo l'errore del 5-15% rispetto al MIMO) a costi di inferenza moderati (es. ~10-20x il costo del MIMO, ma ancora molto più economici dei full ensemble).
- Full Ensemble: Sebbene offrano l'errore più basso, il guadagno marginale rispetto ai piccoli sottoinsiemi è spesso esiguo rispetto all'incremento significativo dei costi di inferenza.
Trasferimento della Metrica:
- Le politiche selezionate tramite MSE non garantiscono il miglioramento della QLIKE.
- Le politiche semplici (singleton, media semplice) mostrano un trasferimento più affidabile tra MSE e QLIKE.
- Le combinazioni lineari apprese, pur essendo potenti per la MSE, sono meno robuste quando la perdita operativa è la QLIKE.
Indotto vs. Addestrato Separatamente: I modelli addestrati separatamente per specifiche dimensioni di blocco offrono solo marginali miglioramenti della MSE rispetto alle politiche indotte. Il "Rapporto Oracle" (costo dell'indotto rispetto al separatamente addestrato) suggerisce che le politiche indotte richiedono solo il ~10-30% dello sforzo di riaddestramento per prestazioni comparabili.

5. Significato e Rivendicazioni

L'articolo sostiene che il deployment al tempo dell'inferenza è una fonte significativa di adattabilità nella previsione finanziaria. Il significato primario risiede nello spostamento del focus della valutazione da "quale architettura di modello è migliore" a "come viene distribuito il modello addestrato".

Implicazione Pratica: I professionisti non dovrebbero assumere che l'output MIMO di default sia il prodotto finale. Trattando il modello addestrato come uno spazio di deployment compatto, è possibile selezionare una politica (singleton o piccolo sottoinsieme) che bilanci accuratezza, costo e la specifica perdita operativa (MSE vs. QLIKE) senza l'oneroso costo di riaddestrare più modelli.
Design della Valutazione: Gli autori sostengono che la politica di deployment debba essere valutata insieme all'architettura del modello. Il vero potenziale di un modello si realizza solo quando la strategia di deployment è ottimizzata per i vincoli specifici e le funzioni di perdita del caso d'uso finanziario.
Modestia: Gli autori riconoscono i limiti, notando che i risultati si basano sulla volatilità giornaliera univariata e che le scoperte riguardano l'accuratezza della previsione piuttosto che l'utilità del portafoglio a valle o il controllo del rischio. Non pretendono di proporre una nuova architettura di volatilità, ma una nuova prospettiva su come utilizzare i modelli esistenti addestrati.