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

技術要約：多変量非定常時系列のための適応型マルチスケール予測およびゲート局所化共形予測

問題提起
多変量時系列の予測、特に金融商品市場においては、非定常性が大きな障壁となる。時間的依存関係、時系列間の相互関係、および予測不確実性は、マクロ経済状況、地政学的イベント、市場センチメントの変化に伴い進化する。既存の手法には以下の具体的な限界がある：

• マルチスケール予測は、複数のエキスパートを適応的に組み合わせることが常に有益であると仮定しがちであり、特定のレジーム下で単一の構造が他の構造よりも優れている場合、不要な推定分散を導入する可能性がある。
• クロスシリーズ（系列間）予測は、関連する時系列間の依存関係が変化した場合に「ネガティブ転移」のリスクを伴う。
• 共形予測（Conformal Prediction）による不確実性定量化は、通常、予測モデル自身の学習された予測状態を活用するのではなく、時間的な近接性や外部共変量を通じてキャリブレーションの関連性を定義する。これにより、点予測の適応と不確実性のキャリブレーションがデカップリング（分離）されてしまう。

手法：ABF-T-GLCP
著者らは、非定常な多変量時系列を扱うために設計された、3つの統合されたコンポーネントからなるモデル非依存のフレームワークであるABF-T-GLCPを提案している。

1. 適応型ベスト・フォアキャスティング (ABF):

   • アーキテクチャ: モデルは、それぞれ異なるルックバック長（スケール）に関連付けられた「時間的エキスパート」のライブラリを訓練する。
   • ゲーティング機構: 軽量なアセット固有のゲーティングネットワークが、レジーム特徴量からスケール重みへの時変的なマッピングを学習する。
   • 選択戦略: 全てのエキスパートを常に集計する標準的な混合エキスパート（MoE）とは異なり、ABFは単一の「検証時における最良（validation-best）」のエキスパートを安定した予測アンカーとして選択する。
   • 補正: マルチスケール補正は、検証パフォーマンスが向上する場合にのみ適用される。最終的な予測は、アンカーに他のエキスパートからのゲート付き偏差を加算したものであり、補正強度パラメータ $\rho$ によって制御される。これにより、安定性と適応性のバランスをとる。

2. スパース予測転移 (T):

   • 残差モデリング: ABFが時系列内のダイナミクスを捉えた後、スパースな予測転移層が残差的なクロスシリーズ間の依存関係（例：セクターレベルのスピルオーバー）をモデル化する。
   • 実装: すべてのソース時系列のゲート加重エキスパート予測から構築された特徴量に対して、正則化された線形回帰（例：Lasso、Ridge）を使用する。
   • ガード機能: ネガティブ転移を防ぐために、検証セット上で収縮係数 $\gamma$ をチューニングし、有益なクロスシリーズ情報のみが組み込まれるようにする。

3. ゲート局所化共形予測 (GLCP):

   • 核心となる革新: GLCPは、予測モジュールから学習されたゲーティング状態を、時間的な近接性と組み合わせて再利用することで、共形キャリブレーションを局所化する。
   • 重み付けスキーム: キャリブレーション残差は、以下の関数によって重み付けされる：
     • 時間的近接性: パラメータ $\lambda$ によって制御される。
     • レジーム類似度: 現在のテストサンプルと過去のゲートベクトルの間の平方ユークリッド距離（バンド幅 $\tau$ によって制御）。
   • 適応型区間: 正規化された残差の加重経験的分位数を計算して予測区間を構築する。これは、歪んだ誤差分布を扱うために、対称および非対称の区間を個別にキャリブレーションすることをサポートする。
   • フォールバック: 有効サンプルサイズ（ESS）が最小閾値を下回った場合、妥当性を確保するために、重みなしの共形キャリブレーションに回帰する。

主な貢献

1. ABF-T フレームワーク: 単なるナイーブなエキスパート集計による分散の増大を回避し、マルチスケール予測とスパース予測転移を組み合わせた、検証駆動型の適応型予測アプローチ。
2. GLCP: 予測モデルの学習された予測状態に不確実性キャリブレーションを結合させる新しい共形予測手法であり、緩やかな安定条件の下で、近似的な局所被覆保証を備えた適応型予測区間を可能にする。
3. 実証的検証: 大規模なベンチマークにおいて、点予測の精度と区間効率（カバー率を維持しながらより狭い予測区間を実現）の両方で一貫した改善を実証。

実験結果
フレームワークは、高頻度の中国商品先物データセット（55資産、5分足）および太陽光発電予測ベンチマークを用いて評価された。

• 点予測: ABF-Tは、すべての予測ホライゾン（15分から8時間）において、強力なベースライン（シングルスケール、等重み、アセット固有のゲート付きMoEを含む）を一貫して上回った。改善は長いホライゾンで最も顕著であり（MSEの最大15%削減）、これはアンカー戦略が推定分散を低減させたことに起因する。
• 不確実性定量化: GLCPは、公称90%のレベルに近い経験的被覆を維持しながら、最も低い区間スコア（IS）と最も狭い予測区間を達成した。
  • グローバルなキャリブレーション手法（例：ACI, AgACI）と比較して、GLCPは有意に狭い区間を生成した。
  • 他の局所化手法（例：RLCP, MoECP）と比較して、GLCPはより良い被覆安定性を維持し、一部のベースラインで見られる極端な幅の膨張を回避した。
  • GLCPの有効サンプルサイズ（ESS）は平均〜304であり、多くのキャリブレーションデータを破棄することなく、効果的な局所化が行われていることを示している。
• アブレーションおよび汎用性:
  • バックボーンの独立性: 本フレームワークはニューラルバックボーン（PatchTST）に適用しても効果的であり、そのモデル非依存性を裏付けている。
  • コンポーネント分析: 時間的近接性とゲートベースの類似性の両方が、キャリブレーション性能に対して相補的に寄与した。
  • クロスドメイン: 太陽光発電予測にも成功裏に適用され、金融市場以外への適用可能性を示した。

意義と主張
本論文が主張するABF-T-GLCPの主要な意義は、その共有表現戦略にある。点予測の適応と不確実性のキャリブレーションの両方に同じ学習済みゲーティング状態を使用することで、フレームワークは点予測と予測区間が進化する時間的ダイナミクスに対して一貫して適応することを保証する。

著者らは、本手法が金融商品予測から着想を得ているものの、ヘテロジニアスなダイナミクスとレジーム依存の不確実性を伴う関連する時系列を含むあらゆる問題に広く適用可能であることを強調している。理論的分析は、任意の非定常性の下では分布フリーの条件付き被覆を達成するには追加の仮定が必要であることを認めつつ、近似的な局所被覆保証を提供している。本研究は、すべての非定常性の問題を解決することを主張するものではなく、予測と不確実性の定量化を既存の手法よりも密接に結合するための、堅牢でモデル非依存のメカニズムを提示するものである。