📊 statistics

Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas

Dit artikel stelt een Diffusion-Copula-raamwerk voor dat het leren van marginale verdelingen ontkoppelt van het modelleren van afhankelijkheid om de "normaliteitsbias" van standaard diffusiemodellen te overwinnen, waardoor superieure nauwkeurigheid wordt bereikt bij het voorspellen van extreme financiële risico's en systemische marktcollapsen in cryptomarkten.

Oorspronkelijke auteurs: David Huk, Dongshan Wang, Miha Bresar

Gepubliceerd 2026-05-20

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: David Huk, Dongshan Wang, Miha Bresar

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 probeert het weer te voorspellen voor een hele stad, maar in plaats van alleen regen of zon, volg je de "sfeer" van negen verschillende financiële activa (zoals Bitcoin, Ethereum en Dogecoin). Het doel is om twee vragen te beantwoorden:

Hoe wild wordt elk individueel actief op zichzelf?
Als één actief in paniek raakt, zullen de anderen dan ook in paniek raken, of blijven ze kalm?

Dit artikel introduceert een nieuw hulpmiddel genaamd het Diffusion-Copula-kader om dit probleem op te lossen. Hieronder wordt uitgelegd hoe dit werkt, via eenvoudige analogieën.

Het Probleem: De "Normaliteitsbias"

De meeste moderne AI-modellen die voor financiën worden gebruikt, zijn als te optimistische weersvoorspellers. Ze zijn uitstekend in het voorspellen van gemiddelde dagen (zonnig of deels bewolkt), maar ze worstelen met extreme stormen.

Wanneer deze standaardmodellen proberen een enorme marktkrach te voorspellen, gedragen ze zich vaak alsof ze in een "normaliteitsbias" verkeren. Ze gaan ervan uit dat extreme gebeurtenissen zo zeldzaam zijn dat ze praktisch onmogelijk zijn. Als er toch een enorme crash plaatsvindt, zijn deze modellen geschokt en noemen ze het een "Zwarte Zwaan" (een statistische onmogelijkheid). In werkelijkheid, wanneer één cryptovaluta crasht, crashten ze vaak allemaal samen, en zou een goed model dat moeten verwachten.

De Oplossing: De Tweestapsstrategie

De auteurs stellen een slimmere aanpak voor die het werk splitst in twee aparte teams, in plaats van één groot brein alles tegelijk te laten doen.

Stap 1: De Solo-artiesten (Marginale Modellen)

Eerst bekijkt het model elk actief individueel. Denk hierbij aan het inhuren van negen verschillende solo-muzikanten om hun eigen instrument te oefenen.

Ze gebruiken een speciaal neuronaal netwerk (een Mixture Density Network) dat zeer flexibel is. Het weet dat financiële data geen gladde curve is; het heeft "zware staarten".
Analogie: Stel je een solo-muzikant voor die weet dat hij misschien een zachte melodie speelt, maar die ook voorbereid is om plotseling een hoge noot te schreeuwen of op een lage basdrum te slaan. Ze gaan er niet van uit dat ze alleen zacht zullen spelen. Dit zorgt ervoor dat het model nauwkeurig voorspelt hoe wild elk actief op zichzelf kan worden.

Stap 2: De Dirigent (De Diffusion Copula)

Zodra de solisten hebben geoefend, moeten ze samen spelen. Hier komt de Copula om de hoek kijken. Denk aan de Copula als de dirigent van het orkest.

De dirigent geeft niet om hoe de viool de noten speelt (dat is de taak van de solist); de dirigent geeft er alleen om wanneer de viool speelt ten opzichte van de drums.
De auteurs gebruiken een "Diffusion Copula". Stel je voor dat de dirigent begint met een chaotische, lawaaierige ruimte waar iedereen willekeurig speelt. Ze leiden de muzikanten langzaam naar een gesynchroniseerd ritme.
De Magische Truc: Het model leert onderscheid te maken tussen "chaos" (iedereen speelt onafhankelijk) en "orde" (iedereen speelt samen). Door een classifier te trainen om het verschil te spotten, leert het precies hoe de activa synchroon bewegen, vooral tijdens extreme gebeurtenissen.

Waarom Dit Belangrijk Is: Van "Zwarte Zwanen" naar "Verwachte Crashes"

Het artikel testte dit op cryptocurrency-markten, die bekend staan om het tegelijkertijd crashen.

De Oude Weg (Standaard AI): Wanneer een enorme crash plaatsvond waarbij veel munten tegelijk betrokken waren, waren de oude modellen geschokt. Ze zeiden: "Dit is een 'Zwarte Zwaan'! Dit zou niet mogen gebeuren!" Ze behandelden de gebeurtenis als een statistische fout.
De Nieuwe Weg (Diffusion Copula): Wanneer dezelfde crash plaatsvond, zei dit model: "Ah, een 'Verwachte Crash'. Ik zag dit aankomen."
Het Resultaat: Het nieuwe model voorspelde correct dat wanneer één actief daalt, de anderen waarschijnlijk ook zullen dalen. Het werd niet verrast door het chaos; het had al de "danspasjes" van de besmetting geleerd.

De Conclusie

Dit kader is als het bouwen van een risicomanagementsysteem dat niet alleen hoopt op het beste. Het scheidt de taak van het begrijpen van individuele volatiliteit van het begrijpen van hoe activa elkaar beïnvloeden. Door dit te doen, creëert het een realistischer beeld van de markt, waarbij wordt erkend dat wanneer de storm toeslaat, de hele stad nat wordt, niet slechts een paar huizen. Dit stelt financiële experts in staat zich voor te bereiden op de worst-case scenario's in plaats daarvan verrast te worden door ze.

Technische Samenvatting: Probabilistische Multivariate Tijdreeksvoorspelling met Diffusie-Copula's

1. Probleemstelling

Een accurate beoordeling van financieel risico vereist het vastleggen van twee verschillende maar onderling gerelateerde fenomenen: de volatiliteit van individuele activa en de complexe, asymmetrische afhankelijkheidsstructuren die ontstaan tijdens extreme marktevenementen. Bestaande benaderingen ondervinden aanzienlijke beperkingen:

Traditionele Copula-modellen: Historisch gezien vertrouwd op vaste parametrische families (bijvoorbeeld Gaussisch) die aannemen dat er asymptotische staartonafhankelijkheid bestaat. Dit staat in strijd met de empirische werkelijkheid, waar correlaties vaak convergeren naar eenheid tijdens marktdalingen (besmetting), wat leidt tot een ernstige onderschatting van staartrisico.
End-to-end Diffusiemodellen: Hoewel moderne op diffusie gebaseerde modellen krachtige generatieve capaciteiten bieden voor multivariate voorspelling, lijden ze vaak aan een "normaliteitsbias" wanneer ze end-to-end worden getraind. Door het optimaliseren van een enkel gezamenlijk doel, compromitteren deze modellen vaak de marginale kalibratie van individuele activa. Bijgevolg worstelen ze om consistente extremen te genereren over activa van verschillende groottes en neigen ze naar het onderschatten van gezamenlijk staartrisico, waarbij gelijktijdige marktdalingen worden geclassificeerd als statistisch onmogelijke "Zwarte Zwanen".

De kernuitdaging is het ontkoppelen van het leren van marginale verdelingen van hun afhankelijkheidsstructuur om marginale betrouwbaarheid (met name zware staarten) te behouden, terwijl tegelijkertijd gezamenlijke extreme afhankelijkheden nauwkeurig worden gemodelleerd.

2. Methodologie: Het Diffusie-Copula Kader

De auteurs stellen een tweestaps Diffusie-Copula-kader voor dat expliciet de modellering van marginaal scheidt van de modellering van afhankelijkheid, gebruikmakend van de stelling van Sklar.

2.1 Predictieve Marginale Modellering

De eerste fase modelleert de predictieve marginale verdeling $p(y_t^i | X_t)$ voor elk actief $i$ onafhankelijk.

Architectuur: Een Mixture Density Network (MDN) wordt ingezet om de conditionele waarschijnlijkheidsdichtheid te benaderen.
Componenten: De mengeling bestaat uit heterogene verdelingen: Normaal, Laplace en Student-t.
Parametrisatie: Een neurale netwerk $\Psi$ geeft dynamische parameters (mengcoëfficiënten $\pi$ , locatie $\mu$ , schaal $\sigma$ en vrijheidsgraden $\nu$ ) uit, geconditioneerd op een venster van geschiedenis $X_t$ (14 vertraagde rendementen plus hulpfeatures zoals rollende volatiliteit).
Doel: Het netwerk wordt getraind om de Negatieve Log-Likelihood (NLL) te minimaliseren met entropieregulering om een divers gebruik van componenten te waarborgen. Deze benadering vangt zware staarten, multimodaliteit en scheefheid op, terwijl het een nauwkeurige kalibratie behoudt.

2.2 Modellering van Afhankelijkheid via Classification-Diffusion Copula (CDC)

De tweede fase modelleert de gezamenlijke afhankelijkheidsstructuur met behulp van een Classification-Diffusion Copula.

Transformatie: Marginale observaties worden getransformeerd naar de copula-schaal $u \in [0, 1]^d$ via de Probability Integral Transform (PIT) met behulp van de marginale CDF's $F_i$ . Deze worden vervolgens gemapt naar de Gaussische schaal $z = \Phi^{-1}(u)$ .
Diffusieproces: De methode definieert een voorwaartse Ornstein-Uhlenbeck (OU)-proces dat de afhankelijkheidsstructuur progressief vernietigt terwijl het standaard Gaussische marginaal behoudt.
Classificatiemechanisme: In plaats van een standaard score-matching-doel, traint de CDC een neurale netwerkclassificator $f_\theta$ $f_{θ}$ om te onderscheiden tussen:
- Afhankelijke toestanden: Vroege diffusietijd ( $t=0$ , de data-verdeling).
- Onafhankelijke toestanden: Late diffusietijd ( $t=T_K$ , de onafhankelijke ruisverdeling).
Herstel van Dichtheid: De copula-dichtheid $c(u)$ wordt hersteld als de verhouding van klassenwahrscheinlijkheden:
$c(u) = \frac{P_\theta(t=0 | z)}{P_\theta(t=T_K | z)}$
Trainingsdoel: Een hybride verliesfunctie combineert een cross-entropy-term (voor schatting van dichtheidsverhoudingen en kalibratie) en een denoising score matching-term (voor nauwkeurige gradiënten en stabiele steekproeven).

2.3 Steekproefprocedure

Toekomstige trajecten worden gegenereerd via een tweestapsproces:

Copula-steekproeven: Afhankelijke steekproeven worden gegenereerd op de Gaussische schaal met behulp van Langevin-dynamica, beginnend bij Gaussische ruis en denoising terug naar $t=0$ . Deze worden getransformeerd naar de eenheidshyperkubus $[0, 1]^d$ .
Inverse Marginale Transformatie: De uniforme steekproeven worden teruggemapt naar activa-rendementen met behulp van de inverse CDF van de getrainde MDN, geconditioneerd op de geschiedenis $X_t$ . Dit zorgt ervoor dat de uiteindelijke steekproeven de eigenschappen van zware staarten van de marginale modellen erven.

3. Belangrijkste Bijdragen

Ontkoppeld Kader: Het artikel introduceert een hybride architectuur die expliciet de marginale kalibratie scheidt van de modellering van afhankelijkheid, waardoor de "normaliteitsbias" van end-to-end diffusiemodellen wordt aangepakt.
Classification-Diffusion Copula: Het past de CDC (Huk & Damoulas, 2026) aan voor tijdreeksen, waarbij een classificator-gebaseerde aanpak wordt gebruikt om complexe, niet-parametrische afhankelijkheidsstructuren te modelleren zonder de rigiditeit van traditionele parametrische copula's.
Behoud van Zware Staarten: Door het gebruik van MDN's met Student-t-componenten voor marginaal, garandeert het kader dekking van zware staarten, wat cruciaal is voor financieel risicomanagement.
Modellering van Systemische Evenementen: De aanpak vangt succesvol het "besmettingseffect" op waarbij correlaties pieken tijdens crashes, een kenmerk dat vaak wordt gemist door basismodellen.

4. Experimentele Resultaten

Het kader werd geëvalueerd op cryptomarkten (ADA, BNB, BTC, DOGE, ETH, LINK, LTC, SOL, XRP), vergeleken met state-of-the-art basismodellen: Conditional Score-based Diffusion (CSDI) en Transformer-modulated Diffusion (TMDM).

4.1 Marginale Kalibratie

PIT- en QQ-plots: Het voorgestelde model (CDC) hield zich nauwkeurig aan de ideale diagonale lijn in Probability Integral Transformation (PIT) en Quantile-Quantile (QQ)-plots. Daarentegen vertoonden CSDI en TMDM afwijkingen nabij 0 en 1, wat wijst op een onderschatting van zware staarten.
Metrieken: CDC behaalde de beste Root Mean Squared Error (RMSE) en Tail Event Accuracy. Het behaalde de tweede plaats in Mean Absolute Error (MAE) en Continuous Ranked Probability Score (CRPS), wat een superieure balans aantoont tussen centrale neiging en kalibratie van staartrisico.

4.2 Gezamenlijke Extreme Voorspelling

Stabiliteit van Correlatie: In extreme quantielen (diepe staarten) behield CDC superieure stabiliteit in de schatting van de correlatiematrix. Basismodellen vertoonden een negatieve bias-drift (overschatting van correlatie tijdens crashes) of faalden in het vastleggen van verhoogde co-movements.
Waarschijnlijkheid van Systemische Evenementen: Waar basismodellen een bijna nul waarschijnlijkheid toekenden aan gelijktijdige crashes die meerdere activa omvatten ( $k \ge 4$ ), behield CDC een aanzienlijke waarschijnlijkheidsbuffer, waardoor het gesynchroniseerde neergangen correct voorspelde.
Zwarte Zwaan versus Verwachte Crashes:
- Basismodellen: Classificeerden gelijktijdige gebeurtenissen met hoge magnitude als "Zwarte Zwanen" (hoge verrassing/Mahalanobis-afstand).
- CDC: Classificeerde dezezelfde gebeurtenissen als "Verwachte Crashes" (lage verrassing), waardoor extreme volatiliteit effectief werd geïntegreerd in zijn predictieve verdeling.
Robuustheid: CDC behaalde de laagste CRPS op dagen met gelijktijdige extreme gebeurtenissen, wat zijn robuustheid bevestigt in het modelleren van gezamenlijke staartrisico's.

5. Betekenis en Claims

Het artikel beweert dat het Diffusie-Copula-kader een aanzienlijke vooruitgang biedt voor financieel risicomanagement door de afweging tussen marginale kalibratie en gezamenlijke coherentie op te lossen.

Risicomanagement: Het vermogen om asymmetrische besmetting te modelleren (correlatiepieken tijdens crashes) maakt de constructie van "staart-robuste" portefeuilles mogelijk.
Stresstesten: Het generatieve karakter van het diffusieproces stelt risicomanagers in staat synthetische stresstesten uit te voeren, waarbij plausibele "Zwarte Zwaan"-scenario's worden gesimuleerd die essentieel zijn voor een robuuste schatting van Expected Shortfall (ES) en het prijzen van complexe multi-asset derivaten.
Paradigmaverschuiving: Het werk suggereert dat voor financieel tijdreeksdata het expliciet ontkoppelen van marginaal van afhankelijkheid superieur is aan end-to-end gezamenlijke modellering, vooral wanneer een accurate beoordeling van staartrisico de primaire doelstelling is.

De auteurs erkennen dat het huidige kader een tweestaps-schatter is waarbij marginale fouten kunnen doorwerken naar de afhankelijkheidsstructuur, en suggereren dat toekomstig werk modelvrije marginale benaderingen (bijvoorbeeld Neural Spline Flows) of Flow-based modellen voor hogere dimensionale precisie kan verkennen.