📊 statistics

Rolling-Origin Conformal Prediction under Local Stationarity and Weak Dependence

Dit artikel stelt een conformal prediction-methode met rollende oorsprong voor tijdreeksvoorspelling voor en valideert deze theoretisch, die zich aanpast aan lokale non-stationariteit en zwakke afhankelijkheid door kalibratie op recente fouten, waarbij minimax-optimale dekkingssnelheden worden bereikt en superieure empirische prestaties worden aangetoond ten opzichte van kalibratie over de volledige geschiedenis.

Oorspronkelijke auteurs: Stanisław M. S. Halkiewicz

Gepubliceerd 2026-05-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Stanisław M. S. Halkiewicz

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je weerman bent. Je werk is niet alleen om te voorspellen of het morgen gaat regenen; het is om een cirkel op een kaart te tekenen en te zeggen: "Ik ben 90% zeker dat de regen ergens binnen deze cirkel zal vallen."

In de wereld van de statistiek heet deze cirkel een voorspellingsinterval. Decennialang hadden statistici een perfect hulpmiddel om deze cirkels te tekenen, maar het had één groot gebrek: het werkte alleen als het weer elke dag volledig willekeurig en onafhankelijk was (zoals het gooien van een munt). Maar het echte leven is niet zo. Weerspatronen hangen af van het weer van gisteren, aandelenmarkten hangen af van de trends van vorige week, en economieën drijven in de loop van de tijd. Wanneer je het oude "muntgooi"-hulpmiddel toepast op real-world data, blijken je cirkels vaak te klein (je mist de regen) of te groot (je verspillt middelen).

Dit paper introduceert een slimmere, aanpasbaardere manier om die cirkels te tekenen voor tijdgebonden data. Hier is de uitleg in eenvoudige termen:

1. Het Probleem: Het "Verouderde Menu"

De oude methode (genaamd Conformal Prediction) werkt als een restaurant dat een "special" maakt op basis van het gemiddelde van elk gerecht dat ze de afgelopen 10 jaar hebben geserveerd.

Het Probleem: Als de chef vorige maand plotseling pittige pepers begon te gebruiken, is het 10-jaar-gemiddelde nutteloos. De "special" zal te mild zijn voor de smaak van vandaag.
De Realiteit: In tijdreeksen (zoals aandelenkoersen of temperaturen) veranderen de regels. Volatiliteit clusteren (rustige dagen gevolgd door stormachtige dagen), en trends drijven. Het gebruik van oude data om de toekomst te voorspellen creëert "verouderde" intervallen die niet overeenkomen met de werkelijkheid.

2. De Oplossing: De "Rolling Origin"

De auteur stelt een nieuwe methode voor genaamd Rolling-Origin Conformal Prediction.

De Analogie: In plaats van te kijken naar de laatste 10 jaar aan data, stel je je voor dat de chef alleen kijkt naar de laatste 30 dagen aan bestellingen om de special van vandaag te bepalen.
Hoe het werkt: De methode werkt voortdurend haar "kalibratie" bij (de regel voor hoe breed de cirkel moet zijn) met behulp van alleen de meest recente voorspellingsfouten. Als het weer stormachtig wordt, ziet de methode de recente grote fouten en verbreedt de cirkel direct. Als het weer rustig is, verkleint ze de cirkel.

3. De Grote Vraag: Hoe Groot Moet het Venster Zijn?

Als je te weinig data bekijkt (zeg maar de laatste 3 dagen), kan je cirkel wankel en onbetrouwbaar zijn omdat je niet genoeg informatie hebt. Als je te veel data bekijkt (de laatste 10 jaar), is je cirkel te traag om te reageren op veranderingen.

Het paper lost het mysterie op van hoeveel dagen je terug moet kijken.

De Formule: De auteur bewijst wiskundig dat het "sweet spot" geen vast getal is. Het hangt af van hoe snel de wereld verandert.
De Regel: Als je $T$ $T$ totale dagen aan data hebt, is de perfecte venstergrootte ongeveer $T$ $T$ tot de macht $2/3$ $2/3$ (ongeveer $T^{0.67}$ $T^{0.67}$ ).
- Voorbeeld: Als je 1.000 dagen aan data hebt, moet je niet alle 1.000 gebruiken, noch alleen de laatste 10. Je moet de laatste ~100 dagen gebruiken.
Waarom dit belangrijk is: Deze specifieke venstergrootte is bewezen de best mogelijke keuze te zijn. Geen enkele andere methode kan beter presteren in het balanceren van "snel reageren" versus "nauwkeurig zijn".

4. De "Vier-Delige" Uitleg

De auteur breekt precies uit waarom de voorspelling misschien iets afwijkt in vier onderscheiden delen, zoals een monteur de brandstofefficiëntie van een auto uitlegt:

Ruis: Zelfs met de juiste hoeveelheid data is er altijd wat willekeur (zoals wind die een auto beïnvloedt).
Benadering: De wiskunde die wordt gebruikt om het probleem te vereenvoudigen is niet perfect, maar de fout is minimaal.
Drift: Dit is het "verouderde menu"-probleem. Als het venster te breed is, komt de data erin uit een andere "tijdperk" dan vandaag.
Modelfout: De onderliggende voorspelling (de weersvoorspelling zelf) kan iets verkeerd zijn.

Het paper laat zien dat door de perfecte venstergrootte te kiezen, je de totale fout kunt minimaliseren.

5. Real-World Testen

De auteur heeft niet alleen wiskunde op papier gedaan; ze hebben dit getest op echte data:

Zes Real Series: Inclusief Amerikaanse inflatie, werkloosheid, aandelenmarktrendementen (S&P 500) en elektriciteitsgebruik.
93 Competitie Series: Een enorme set data van de beroemde "M4" voorspellingscompetitie.

De Resultaten:

Beter Prestatie: In 86% van de gevallen creëerde deze nieuwe "rolling window"-methode betere, strakkere voorspellingsintervallen dan de oude "gebruik-alle-data"-methode.
Nauwkeurigheid: De methode hield de feitelijke uitkomsten ongeveer 90% van de tijd binnen de voorspelde cirkel (het doel), zelfs als de data rommelig of veranderlijk was.
Snelheid: Het paste zich snel aan aan plotselinge veranderingen, zoals de volatiliteitspieken die in financiële markten worden gezien.

Samenvatting

Beschouw dit paper als een gids voor het bouwen van een zelfaanpassend veiligheidsnet.

Oude Manier: Gebruik een net gemaakt van touw van dezelfde maat voor elke situatie, ongeacht hoe snel je valt.
Nieuwe Manier: Gebruik een net dat automatisch zijn grootte verandert op basis van hoe snel je de laatste paar seconden bent gevallen.
De Doorbraak: De auteur heeft de exacte wiskundige regel gevonden voor hoeveel "recente geschiedenis" je moet gebruiken om dat net perfect te maken. Het blijkt dat het kijken naar ongeveer de laatste twee derde van de "kracht" van je data (specifiek $T^{2/3}$ ) de gouden regel is om veilig te blijven in een veranderende wereld.

Technische Samenvatting: Conformele Voorspelling met Rolend Begin onder Lokale Stationariteit en Zwakke Afhankelijkheid

Probleemstelling
Conformele voorspelling biedt distributie-vrije voorspellingsintervallen met exacte dekking voor eindige steekproeven onder de aanname van uitwisselbaarheid. Deze aanname wordt echter fundamenteel geschonden bij tijdreeksvoorspelling als gevolg van seriële afhankelijkheid, volatiliteitsclustering en geleidelijke distributieve drift. Bijgevolg levert klassieke gesplitste conformele voorspelling vaak dekking niveaus op die significant afwijken van de nominale $1-\alpha$ . Hoewel practitioners vaak "rolend begin-calibratie" toepassen—waarbij alleen de $m$ meest recente pseudo-out-of-sample fouten worden gebruikt om de conformele quantiel te kalibreren—ontbreekt voor deze aanpak een theoretische rechtvaardiging met betrekking tot de optimale vensterlengte $m$ en de precieze omvang van de dekkingafwijking als functie van $m$ , steekproefgrootte $T$ en de mate van non-stationariteit.

Methodologie
Het artikel stelt Rolling-Origin Conformal Prediction (ROCP) voor en analyseert deze methode. De methode construeert een voorspellingsinterval voor $Y_{T+h}$ door de $m$ meest recente absolute voorspelfouten (scores) te behandelen als een lokale kalibratiesteekproef. De halve breedte van het interval is de empirische $(1-\alpha)$ -quantiel van deze $m$ scores.

Het theoretische raamwerk rust op:

Lokale Stationariteit: De scoreverdelingen $F_{t,h}$ evolueren volgens een Hölder- $\beta$ gladheidsvoorwaarde (volgend op Dahlhaus, 1997), waarbij de driftsnelheid wordt gecontroleerd door een constante $L_{F,h}$ .
Zwakke Afhankelijkheid: Het orakel-scoreproces wordt verondersteld uniform $\alpha$ -mixend te zijn (of te voldoen aan het fysieke afhankelijkheidskader van Wu), waardoor de effectieve informatie-inhoud van het kalibratievenster wordt gecontroleerd.
Quantielregulariteit: De dichtheid van de scoreverdeling is begrensd weg van nul en oneindig in de buurt van de doelquantiel.
Voorspellingsschatting: Het verschil tussen de orakelvoorspeller en de geschatte voorspeller wordt begrensd door een term die afneemt met $T$ .

De kern van de technische innovatie is een vier-termen decompositie van de dekkingfout $\Delta_{T,m,h} = |P(Y_{T+h} \in \hat{C}_{T+h|T}) - (1-\alpha)|$ . Deze decompositie splitst de fout op in:

(I) Quantielruis: De stochastische variabiliteit van de empirische quantiel van $m$ afhankelijke observaties.
(II) Bahadur-restterm: De fout die voortkomt uit het lineariseren van de empirische quantiel rond een deterministische doelwaarde.
(III) Driftbias: De systematische bias die ontstaat door het gebruik van scores waarvan de verdelingen zijn afgeweken van de huidige doelverdeling.
(IV) Schattingsfout: De kosten van het gebruik van een geschat voorspellingsmodel in plaats van een orakel.

Belangrijkste Bijdragen

Optimale Vensterregel: Het artikel leidt de minimax-optimale kalibratievensterlengte af: $m^\star \asymp T^{2\beta/(2\beta+1)}$ . Onder Lipschitz-drift ( $\beta=1$ ) vereenvoudigt dit tot $m^\star \asymp T^{2/3}$ . Deze regel balanceert de afweging tussen het verminderen van quantielruis (bevoordeeld door grote $m$ ) en het minimaliseren van driftbias (bevoordeeld door kleine $m$ ).
Minimax-Optimaliteit: Met behulp van een Le Cam-twee-puntenconstructie met Hölder- $\beta$ bump-functies bewijzen de auteurs dat de door ROCP bereikte dekkingfoutsnelheid $O(T^{-\beta/(2\beta+1)})$ minimax-optimaal is. Geen enkele conformele procedure kan een uniform betere snelheid bereiken over de klasse van lokaal stationaire processen.
Bahadur-Representaties: Het artikel vestigt Bahadur-representaties voor de empirische quantiel onder zowel $\alpha$ -mixing als het fysieke afhankelijkheidskader, waardoor de nodige linearisatie wordt geboden om de dekkingfout te begrenzen.
Orakelongelijkheid voor Adaptieve Selectie: De auteurs formaliseren Winkler-crossvalidatie als een adaptieve vensterselector. Zij bewijzen een orakelongelijkheid die aantoont dat de datagedreven selector $\hat{m}$ een bijna-minimale validatieverlies bereikt, mits het venstergitter voldoende fijn is en de uniforme concentratievoorwaarde geldt.
Volatiliteitsschaal: Er wordt een variant voorgesteld (VS-ROCP) waarbij scores worden genormaliseerd door geschatte conditionele volatiliteit. Theoretisch verlaagt dit de driftconstante $L_{F,h}$ , wat potentieel grotere optimale vensters en smallere intervallen mogelijk maakt wanneer non-stationariteit voornamelijk wordt gedreven door een tijdsvariabele schaal.

Empirische Resultaten
De theorie wordt gevalideerd op zes real-world reeksen (macro-economisch, financieel en energie) en een gestratificeerde steekproef van 93 reeksen uit de M4-wedstrijd:

Prestatie: Rolend begin-calibratie presteert beter dan volledige-historie-calibratie in 86% van de vergelijkingen, met een mediaan verbetering van de Winkler-score van 12,3%.
Dekking: De methode handhaaft de dekking binnen $\pm 2\%$ van het 90%-doel op korte ( $h=1$ ) en middellange ( $h=5$ ) horizonnen. Op lange horizonnen ( $h=22$ ) degradeert de dekking licht (bijvoorbeeld tot 0,871), wat wordt toegeschreven aan modelmisspecificatie in plaats van de keuze van het kalibratievenster.
Schaalwet: Een log-log-regressie van het empirisch optimale venster $m^\star$ tegen de steekproefgrootte $T$ over de M4-dataset levert een helling op van 0,614 (95% CI $[0,424, 0,805]$ ) na controle voor frequentie-vaste effecten. Dit is consistent met de theoretische voorspelling van $2/3$ (voor $\beta=1$ ).
Afhankelijkheidsregimes: Financiële reeksen met sterke GARCH-clustering vertonen optimale vensters die veel kleiner zijn dan $T^{2/3}$ (ratio $\approx 0,05$ ), terwijl macro-reeksen met trage drift grotere vensters vertonen, wat de rol van de reeks-specifieke constante $C_h$ bevestigt.

Betekenis en Claims
Het artikel claimt het eerste rigoureuze theoretische raamwerk te bieden voor rolend begin-conformele voorspelling in tijdreeksen. Het gaat voorbij de "black box" van heuristische vensterselectie door:

Het onmogelijke doel van exacte dekking voor eindige steekproeven (wat uitwisselbaarheid vereist) te vervangen door een precieze, berekenbare benaderingsfoutgrens.
Vast te stellen dat het rolend begin-schema niet alleen praktisch handig is, maar statistisch efficiënt is in de minimax-zin.
Een principieel, datagedreven methode (Winkler-crossvalidatie) te bieden voor het selecteren van het kalibratievenster dat de optimale convergentiesnelheid behoudt.

De auteurs merken op dat de methode model-agnostisch is en geen rekenkundige overhead toevoegt aan pijplijnen die al rolend begin-evaluatie uitvoeren. Zij erkennen dat het uitbreiden van deze resultaten naar multivariate HPD-regio's een open uitdaging blijft vanwege de complexiteit van hoogdimensionale dichtheidsbegrenzingen en Bahadur-representaties.