Conformal Prediction Intervals with Tail-Specific Guarantees

技術要約：テール特異的な保証を伴う共形予測区間

問題提起
古典的な共形予測（Conformal Prediction, CP）フレームワークは、予測区間に（すなわち、真の応答が区間内に含まれる確率が少なくとも $1-\alpha$ であるという）周辺被覆率（marginal coverage）の保証を提供する。しかし、このグローバルな保証は、予測分布の上下の裾（テール）を対称に扱う。金融ポートフォリオ管理（ダウンサイドリスクがアップサイドのポテンシャルよりも重要である場合）や、臨床モニタリング（特定の閾値が異なるアクションを誘発する場合）など、多くの実世界の意思決定の文脈において、両テールの誤差の影響は非対称である。標準的なCP手法は、個々のテールの確率を明示的に制御する機能を持っておらず、その結果、最も懸念されるテールにおいて系統的な過小被覆が生じ、一方で反対側のテールでは過剰被覆が生じる可能性がある。

手法
著者らは、グローバルな周辺被覆率と、明示的に較正された「テール特異的（tail-specific）」な被覆保証の両方を満たす予測区間を構築するためのフレームワークを提案している。この手法は、**分割共形予測（Split Conformal Prediction）に基づいて構築されており、非交換型データ（non-exchangeable data）へと適応的共形推論（Adaptive Conformal Inference, ACI）および動的に調整された適応的共形推論（Dynamically-tuned Adaptive Conformal Inference, DtACI）**を通じて拡張されている。

コアとなる手順は、以下の2ステップの構成によるものである：

1. 片側区間（One-Sided Intervals）: 著者らは、個別の下限付き区間（$[L, +\infty)$）および上限付き区間（$(-\infty, U]$）を構築する。これは、特定の片側適合スコアを定義することによって達成される。特に、彼らは**符号付き分位点スコア（signed quantile score, $s_{q\text{-sgn}}$）**を導入しており、これは標準的な共形分位点回帰（CQR）で使用される切断型スコアとは対照的に、推定された分位点に対する残差の符号を保持する。
2. 共通部分（Intersection）: 最終的な両側予測区間は、独立に較正された片側区間の共通部分をとることによって得られる：$C_{n+1}^\cap = [L_{n+1}, U_{n+1}]$。

非交換型データ（例：時間依存性を持つ時系列データや分布シフト）に対しては、誤被覆レベル（$\alpha^-$ および $\alpha^+$）をオンライン学習の再帰（ACI）または指数重み付けを用いた学習器のアンサンブル（DtACI）を用いて、上下のテールに対して独立に適応させる。これにより、非定常な状況下でも、各テールに対して個別にターゲットとなる違反率を追跡することが可能となる。

主な貢献
本論文は、主に4つの貢献を述べている：

• C1（テール特異的な妥当性）: 全体の誤被覆 $\alpha$ を、ユーザーが定義可能な方向的な成分（$\alpha^-$ および $\alpha^+$）へと分解することで、より強力な概念としての周辺妥当性を導入し、実務者が特定のテールに対してより厳格な被覆要件を割り当てられるようにした。
• C2（理論的保証）: 交換性の仮定の下での、有限サンプルにおけるテール特異的およびグローバルな周辺被覆の保証を証明した。さらに、非交換型データにおけるACIおよびDtACIの下での漸近的な保証と短期的なリグレット境界を確立した。
• C3（実証的性能）: シミュレーション研究を通じて、提案手法が古典的な両側CP区間と比較して、改善された方向的較正を実現することを実証した。特に歪んだ分布やヘビーテールの分布において顕著である。また、符号付き分位点スコアが、強い歪みがある場合に切断型スコアで見られる極端な過剰被覆の問題を回避することを強調している。
• C4（金融への応用）: 金融リターン予測、具体的にはバリュー・アット・リスク（VaR）推定への本フレームワークの適用。この手法は、ダウンサイドリスク（左テール）の制御を厳格に行いつつ、同時にアップサイドのポテンシャルを特徴付けるための、分布フリーかつ理論的に妥当なアプローチを提供する。

結果

• シミュレーション: 歪んだStudent-t分布（IIDおよびAR(1)の両方）を含むシナリオにおいて、標準的な両側CP区間およびベンチマークは、下側テールにおける顕著な過小被覆と、上側テールにおける極端な過剰被覆（最大100%）を示した。提案された共通部分の手法は、確率境界間の非消滅的なギャップによるわずかな効率性の低下（区間幅の増加）はあるものの、両方のテールに対してターゲットとなる被覆レベルを正常に回復させた。
• 金融への応用: 様々なリスクプロファイルを持つETF（SPY, TQQQ, XLE）に適用した結果、提案されたDtACIベースのテール較正区間は、異なる市場レジームにおいてもターゲットとなる下側テールの被覆（VaR）を維持した。対照的に、古典的な両側CP区間およびパラメトリックなGARCHベースのVaR予測は、左テールを系統的に過小被覆し、規制および管理上の厳格なリスク管理に必要な制御を提供できなかった。

意義と主張
本論文は、そのフレームワークが、不確実性の定量化における重要なギャップに対処していると主張している。それは、標準的なCPが予測誤差の非対称な影響を扱うことができないという点である。2つのテールを個別に較正することで、本手法は、特定の方向的な保証が極めて重要となるリスク管理のための堅牢なツールを提供する。著者らは、このアプローチが、交換性の仮定の下で有限サンプルの保証を提供し、非交換型データの下ではリグレット境界を伴う漸近的な保証を提供することを強調している。この研究は、金融や医学といった、「一律の」被覆では意思決定に不十分な領域における実用的な解決策として位置づけられている。