Conformal Prediction Intervals with Tail-Specific Guarantees

Technische Samenvatting: Conforme Voorspellingsintervallen met Taalspecifieke Garanties

Probleemstelling
Klassieke conforme voorspellingsframeworks (CP) bieden voorspellingsintervallen met gegarandeerde marginale dekking (dat wil zeggen, de kans dat de werkelijke respons binnen het interval valt, is ten minste $1-\alpha$). Deze globale garantie behandelt de bovenste en onderste staarten van de voorspellende distributie echter symmetrisch. In veel praktische besluitvormingscontexten—zoals financieel portefeuillebeheer (waar neerwaartse risico's kritischer zijn dan opwaarts potentieel) of klinische monitoring (waar specifieke drempelwaarden leiden tot afzonderlijke acties)—zijn de gevolgen van fouten in de twee staarten asymmetrisch. Standaard CP-methoden bieden geen expliciete controle over individuele staartkansen, wat kan leiden tot systematische onderdekking in de staart van grootste belang, terwijl er aan de andere kant sprake is van overdekking.

Methodologie
De auteurs stellen een framework voor om voorspellingsintervallen te construeren die zowel voldoen aan globale marginale dekking als aan expliciet gekalibreerde staalspecifieke dekkingsgaranties. De methodologie is gebaseerd op Split Conformal Prediction en breidt zich uit naar niet-uitwisselbare data via Adaptive Conformal Inference (ACI) en Dynamically-tuned Adaptive Conformal Inference (DtACI).

De kernprocedure omvat een tweestapsconstructie:

1. Eenzijdige Intervallen: De auteurs construeren afzonderlijke ondergrens-intervallen ($[L, +\infty)$) en bovengrens-intervallen ($(-\infty, U]$). Dit wordt bereikt door specifieke eenzijdige conformiteitsscores te definiëren. Opvallend genoeg introduceren zij een getekende kwantielscore ($s_{q\text{-sgn}}$) die het teken van het residu ten opzichte van het geschatte kwantiel behoudt, wat contrasteert met de afgekapte scores die worden gebruikt bij standaard Conformalized Quantile Regression (CQR).
2. Doorsnijding: Het uiteindelijke tweezijdige voorspellingsinterval wordt verkregen door de onafhankelijk gekalibreerde eenzijdige intervallen te doorsnijden: $C_{n+1}^\cap = [L_{n+1}, U_{n+1}]$.

Voor niet-uitwisselbare data (bijv. tijdreeksen met temporele afhankelijkheid of distributieverschuivingen) past het framework de miscoveringsniveaus ($\alpha^-$ en $\alpha^+$) voor de onderste en bovenste staart onafhankelijk aan met behulp van online leerrecursies (ACI) of een ensemble van leerders met exponentiële weging (DtACI). Dit stelt de methode in staat om de doelstellingen voor de foutpercentages voor elke staart afzonderlijk bij te houden, zelfs onder niet-stationariteit.

Belangrijkste Bijdragen
Het artikel beschrijft vier primaire bijdragen:

• C1 (Staalspecifieke Geldigheid): Introductie van een sterker begrip van marginale geldigheid dat de totale miscoverage $\alpha$ deelt in door de gebruiker gedefinieerde directionele componenten ($\alpha^-$ en $\alpha^+$), waardoor praktijkgebruikers specifieke directionele eisen kunnen stellen aan de staarten.
• C2 (Theoretische Garanties): Bewijs van eind-stele (finite-sample) staalspecifieke en globale marginale dekkingsgaranties onder de assumptie van uitwisselbaarheid. Daarnaast worden asymptotische garanties en korte-termijn regret-bounds vastgesteld voor niet-uitwisselbare data onder ACI en DtACI.
• C3 (Empirische Prestaties): Demonstratie via simulatiestudies dat de voorgestelde aanpak een verbeterde directionele kalibratie bereikt vergeleken met klassieke tweezijdige CP-intervallen, met name in scheve (skewed) en zware staartverdelingen. De studie benadrukt dat de getekende kwantielscore de extreme overdekking voorkomt die wordt gezien bij afgekapte scores onder sterke scheefheid.
• C4 (Financiële Applicatie): Toepassing van het framework op financiële rendementen, specificaal voor Value-at-Risk (VaR) schattingen. De methode biedt een distributievrije, theoretisch geldige aanpak voor het beheersen van neerwaarts risico (linkerstaart) terwijl tegelijkertijd het opwaartse potentieel wordt gekarakteriseerd.

Resultaten

• Simulaties: In scenario's met scheve Student-t verdelingen (zowel IID als AR(1)) vertoonden standaard tweezijdige CP-intervallen en benchmarks significante onderdekking in de onderste staart en extreme overdekking (tot 100%) in de bovenste staart. De voorgestelde doorsnijdingsmethode slaagde erin de doelstellingen voor de dekking voor beide staarten onafhankelijk te herstellen, zij het met een lichte toename in intervalbreedte (efficiëntieverlies) door de niet-verdwijnende kloof tussen waarschijnlijkheidsgrenzen.
• Financiële Applicatie: Toegepast op ETF's (SPY, TQQQ, XLE) met variërende risicoprofielen, behielden de voorgestelde DtACI-gekalibreerde intervallen de doelstelling voor de onderste staartdekking (VaR) over verschillende marktregimes heen. In contrast hiermee vertoonden klassieke tweezijdige CP-intervallen en parametrische GARCH-gebaseerde VaR-voorspellingen systematische onderdekking van de linkerstaart, waardoor ze niet voldeden aan de strikte risicocontrole die vereist is voor regelgeving en beheer.

Betekenis en Claims
Het artikel claimt dat het framework een kritiek gat in de onzekerheidskwantificering aanpakt: het onvermogen van standaard CP om asymmetrische gevolgen van voorspellingsfouten te behandelen. Door de kalibratie van de twee staarten te ontkoppelen, biedt de methode een robuust instrument voor risicobeheer waarbij specifieke directionele garanties essentieel zijn. De auteurs benadrukken dat hun aanpak eind-stele garanties biedt voor uitwisselbare data en asymptotische garanties met regret-bounds voor niet-uitwisselbare data, zonder dat hiervoor sterke distributieve aannames nodig zijn. Het werk positioneert zich als een praktische oplossing voor domeinen zoals financiën en geneeskunde, waar een "one size fits all"-dekking onvoldoende is voor besluitvorming bij asymmetrisch risico.