Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series

Sintesi Tecnica: Previsione Adattiva Multi-Scala e Predizione Conforme Localizzata tramite Gate per Serie Temporali Multivariate Nonstazionarie

Definizione del Problema
La previsione di serie temporali multivariate, in particolare nei mercati delle materie prime finanziarie, è ostacolata dalla nonstazionarietà. Le dipendenze temporali, le relazioni tra serie diverse e l'incertezza predittiva evolvono a causa del mutare delle condizioni macroeconomiche, degli eventi geopolitici e del sentiment di mercato. I metodi esistenti affrontano limitazioni specifiche:

• La previsione multi-scala spesso assume che la combinazione adattiva di più esperti sia sempre benefica, rischiando potenzialmente di introdurre una varianza di stima non necessaria quando una singola struttura supera le altre sotto uno specifico regime.
• La previsione cross-series rischia il "trasferimento negativo" (negative transfer) quando le dipendenze tra serie correlate evolvono.
• La quantificazione dell'incertezza tramite predizione conforme definisce tipicamente la rilevanza della calibrazione attraverso la prossimità temporale o covariate esterne, piuttosto che sfruttare lo stato predittivo appreso dal modello di previsione stesso. Ciò scinde l'adattamento della previsione puntuale dalla calibrazione dell'incertezza.

Metodologia: ABF-T-GLCP
Gli autori propongono ABF-T-GLCP, un framework agnostico rispetto al modello composto da tre componenti integrate, progettato per gestire serie temporali multivariate nonstazionarie.

1. Adaptive Best Forecasting (ABF):

   • Architettura: Il modello addestra una libreria di "esperti temporali", ciascuno associato a una diversa lunghezza di lookback (scala).
   • Meccanismo di Gating: Una rete di gating leggera e specifica per l'asset apprende pesi variabili nel tempo per mappare le caratteristiche del regime sulle pesature della scala.
   • Strategia di Selezione: A differenza del Mixture-of-Experts (MoE) standard che aggrega sempre tutti gli esperti, ABF seleziona un singolo esperto "migliore nella validazione" come ancora di previsione stabile.
   • Correzione: Le correzioni multi-scala vengono applicate solo se migliorano le prestazioni di validazione. La previsione finale è l'ancora più una deviazione guidata dal gate da altri esperti, controllata da un parametro di forza della correzione $\rho$. Questo bilancia stabilità e adattabilità.

2. Sparse Predictive Transfer (T):

   • Modellazione dei Residui: Dopo che l'ABF ha catturato la dinamica intra-serie, uno strato di trasferimento predittivo sparso modella le dipendenze residue tra le serie (ad esempio, gli spillover a livello di settore).
   • Implementazione: Utilizza una regressione lineare regolarizzata (ad esempio, Lasso, Ridge) su caratteristiche costruite dalle previsioni degli esperti pesate dal gate di tutte le serie sorgente.
   • Protezione: Un coefficiente di contrazione $\gamma$ viene ottimizzato sul set di validazione per prevenire il trasferimento negativo, garantendo che venga incorporata solo l'informazione cross-series benefica.

3. Gate-Localized Conformal Prediction (GLCP):

   • Innovazione Centrale: GLCP localizza la calibrazione conforme riutilizzando lo stato di gating appreso dal modulo di previsione, accoppiato alla recenza temporale.
   • Schema di Pesatura: I residui di calibrazione sono pesati da una funzione di:
     • Recenza Temporale: Controllata dal parametro $\lambda$.
     • Similarità del Regime: La distanza euclidea al quadrato tra il vettore di gating del campione di test corrente e i vettori di gating storici, controllata dalla larghezza di banda $\tau$.
   • Intervalli Adattivi: Il metodo calcola i quantili empirici pesati dei residui normalizzati per costruire intervalli di previsione. Supporta intervalli simmetrici e asimmetrici (calibrando separatamente i limiti inferiori e superiori) per gestire distribuzioni di errore asimmetriche.
   • Fallback: Se la Dimensione Campionaria Effettiva (ESS) scende sotto una soglia minima, il metodo ritorna alla calibrazione conforme non pesata per garantire la validità.

Contributi Chiave

1. Framework ABF-T: Un approccio di previsione adattiva guidato dalla validazione che combina la previsione multi-scala con il trasferimento predittivo sparso, evitando l'inflazione della varianza della aggregazione ingenua degli esperti.
2. GLCP: Un nuovo metodo di predizione conforme che accoppia la calibrazione dell'incertezza allo stato predittivo appreso dal modello di previsione, consentendo intervalli di previsione adattivi con garanzie di copertura locale approssimativa sotto deboli condizioni di stabilità.
3. Validazione Empirica: Dimostrazione di miglioramenti consistenti sia nell'accuratezza della previsione puntuale che nell'efficienza dell'intervallo (intervalli più stretti mantenendo la copertura) su benchmark su larga scala.

Risultati Sperimentali
Il framework è stato valutato su un dataset di futures sulle materie prime cinesi ad alta frequenza (55 asset, barre da 5 minuti) e su un benchmark di previsione solare.

• Previsione Puntuale: L'ABF-T ha superato costantemente i forti baseline (inclusi Single-Scale, Equal-Weight e Asset-Specific Gated MoE) in tutti gli orizzonti di previsione (da 15 minuti a 8 ore). I miglioramenti sono stati più pronunciati agli orizzonti più lunghi (fino al 15% di riduzione del MSE), grazie alla strategia basata sull'ancora che riduce la varianza di stima.
• Quantificazione dell'Incertezza: Il GLCP ha ottenuto i punteggi di intervallo (IS) più bassi e gli intervalli di previsione più stretti, mantenendo una copertura empirica vicina al livello nominale del 90%.
  • Rispetto ai metodi di calibrazione globale (ad esempio, ACI, AgACI), il GLCP ha prodotto intervalli significativamente più stretti.
  • Rispetto ad altri metodi localizzati (ad esempio, RLCP, MoECP), il GLCP ha mantenuto una migliore stabilità della copertura ed ha evitato l'estrema inflazione della larghezza osservata in alcuni baseline.
  • La Dimensione Campionaria Effettiva (ESS) per il GLCP è stata mediamente di circa 304, indicando una localizzazione efficace senza scartare troppi dati di calibrazione.
• Ablazione e Generalizzazione:
  • Indipendenza dal Backbone: Il framework è rimasto efficace quando applicato a un backbone neurale (PatchTST), confermando la sua natura agnostica rispetto al modello.
  • Analisi dei Componenti: Sia la recenza temporale che la similarità basata sul gate hanno contribuito in modo complementare alle prestazioni di calibrazione.
  • Cross-Domain: Il framework si è generalizzato con successo alla previsione solare, dimostrando l'applicabilità oltre i mercati finanziari.

Significatività e Rivendicazioni
L'articolo sostiene che la principale significatività di ABF-T-GLCP risieda nella sua strategia di rappresentazione condivisa. Utilizzando lo stesso stato di gating appreso sia per l'adattamento della previsione puntuale che per la calibrazione dell'incertezza, il framework assicura che le previsioni puntuali e gli intervalli di previsione si adattino coerentemente alle dinamiche temporali in evoluzione.

Gli autori sottolineano che, sebbene il metodo sia stato motivato dalla previsione delle materie prime finanziarie, esso è ampiamente applicabile a qualsiasi problema che coinvolga serie temporali correlate con dinamiche eterogenee e incertezza dipendente dal regime. L'analisi teorica fornisce una garanzia di copertura locale approssimativa, riconoscendo che la copertura condizionale esatta "distribution-free" è impossibile senza ulteriori assunzioni sotto una nonstazionarietà arbitraria. Il lavoro non pretende di risolvere tutti i problemi di nonstazionarietà, ma offre un meccanismo robusto e agnostico rispetto al modello per accoppiare più strettamente la previsione e la quantificazione dell'incertezza rispetto ai metodi esistenti.