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

Technische Samenvatting: Adaptieve Multi-Scale Forecasting en Gate-Gelokaliseerde Conformal Predictie voor Multivariate Niet-stationaire Tijdreeksen

Probleemstelling
Het voorspellen van multivariate tijdreeksen, met name in financiële grondstoffenmarkten, wordt bemoeilijkt door niet-stationariteit. Temporele afhankelijkheden, kruis-serie relaties en voorspellende onzekerheid evolueren door veranderende macro-economische omstandigheden, geopolitieke gebeurtenissen en marktsentiment. Bestaande methoden kampen met specifieke beperkingen:

• Multi-scale forecasting gaat er vaak vanuit dat het adaptief combineren van meerdere experts altijd voordelig is, wat potentieel onnodige schattingsvariantie introduceert wanneer een enkele structuur onder een specifiek regime beter presteert dan anderen.
• Cross-series forecasting loopt het risico op "negatieve transfer" wanneer de afhankelijkheden tussen gerelateerde series evolueren.
• Onzekerheidskwantificering via conformal prediction definieert kalibratierelantie doorgaans via temporele nabijheid of externe covariaten, in plaats van gebruik te maken van de geleerde voorspellende staat van het forecasting-model zelf. Dit ontkoppelt de adaptatie van puntvoorspellingen van de onzekerheidskalibratie.

Methodologie: ABF-T-GLCP
De auteurs stellen ABF-T-GLCP voor, een model-agnostisch framework bestaande uit drie geïntegreerde componenten die zijn ontworpen voor het verwerken van multivariate niet-stationaire tijdreeksen.

1. Adaptive Best Forecasting (ABF):

   • Architectuur: Het model traint een bibliotheek van "temporele experts", elk geassocieerd met een verschillende lookback-lengte (schaal).
   • Gating-mechanisme: Een lichtgewicht, asset-specifiek gating-netwerk leert tijdsvariërende gewichten om regime-kenmerken naar schaalgewichten te mappen.
   • Selectiestrategie: In tegen tegen de standaard Mixture-of-Experts (MoE) die altijd alle experts aggregeert, selecteert ABF een enkele "validatie-beste" expert als een stabiel forecasting-anker.
   • Correctie: Multi-scale correcties worden alleen toegepast als ze de validatieprestaties verbeteren. De uiteindelijke voorspelling is het anker plus een gated afwijking van andere experts, gecontroleerd door een correctiekracht-parameter $\rho$. Dit balanceert stabiliteit met adaptiviteit.

2. Sparse Predictive Transfer (T):

   • Residuele Modellering: Nadat ABF de intra-serie dynamiek heeft gevangen, modelleert een sparse predictive transfer-laag de residuele cross-serie afhankelijkheden (bijv. sector-niveau spillover-effecten).
   • Implementatie: Het maakt gebruik van een geregulariseerde lineaire regressie (bijv. Lasso, Ridge) op kenmerken die zijn geconstrueerd uit de gate-gewogen expert-voorspellingen van alle bronseries.
   • Bescherming: Een shrinkage-coëfficiënt $\gamma$ wordt getuned op de validatieset om negatieve transfer te voorkomen, waardoor wordt gegarandeerd dat alleen voordelige cross-serie informatie wordt geïncorporeerd.

3. Gate-Localized Conformal Prediction (GLCP):

   • Kerninnovatie: GLCP lokaliseert de conformal kalibratie door de geleerde gating-staat van het forecasting-module te hergebruiken, gekoppeld aan temporele recentheid.
   • Wegingsschema: Kalibratie-residuen worden gewogen door een functie van:
     • Temporele Recentheid: Gecontroleerd door parameter $\lambda$.
     • Regime Gelijkenis: De gekwadrateerde Euclidische afstand tussen de huidige test-sample's gate-vector en historische gate-vectoren, gecontroleerd door bandbreedte $\tau$.
   • Adaptieve Intervallen: De methode berekent gewogen empirische kwantielen van genormaliseerde residuen om voorspellingsintervallen te construeren. Het ondersteunt zowel symmetrische als asymmetrische intervallen (het apart kalibreren van onder- en bovengrenzen) om scheve foutverdelingen te behandelen.
   • Fallback: Als de Effectieve Steekproefomvang (ESS) onder een minimale drempelwaarde zakt, keert de methode terug naar ongegewogen conformal kalibratie om validiteit te waarborgen.

Belangrijkste Bijdragen

1. ABF-T Framework: Een validatie-gestuurde adaptieve forecasting-aanpak die multi-scale forecasting combineert met sparse predictive transfer, waarbij de variantie-inflatie van naïeve expert-aggregatie wordt vermeden.
2. GLCP: Een nieuwe conformal prediction-methode die de onzekerheidskalibratie koppelt aan de geleerde gating-staat van het forecasting-model, wat adaptieve voorspellingsintervallen mogelijk maakt met benaderde lokale dekkinggaranties onder milde stabiliteitscondities.
3. Empirische Validatie: Demonstratie van consistente verbeteringen in zowel puntvoorspellingsnauwkeurigheid als interval-efficiëntie (smallere intervallen met behoud van dekking) op grootschalige benchmarks.

Experimentele Resultaten
Het framework werd geëvalueerd op een high-frequency Chinese grondstoffenfutures-dataset (55 assets, 5-minuten bars) en een zonnevoorspellings-benchmark.

• Puntvoorspelling: ABF-T presteerde consequent beter dan sterke baselines (inclusief Single-Scale, Equal-Weight, en Asset-Specific Gated MoE) over alle forecasting-horizonten (15 minuten tot 8 uur). De verbeteringen waren het meest uitgesproken bij langere horizonten (tot 15% MSE-reductie), toegeschreven aan de anker-gebaseerde strategie die de schattingsvariantie vermindert.
• Onzekerheidskwantificering: GLCP behaalde de laagste Interval Scores (IS) en de smalste voorspellingsintervallen, terwijl de empirische dekking dicht bij het nominale niveau van 90% bleef.
  • Vergeleken met globale kalibratiemethoden (bijv. ACI, AgACI), produceerde GLCP significant smallere intervallen.
  • Vergeleken met andere gelokaliseerde methoden (bijv. RLCP, MoECP), behield GLCP een betere stabiliteit in de dekking en vermeed het de extreme verbreding die bij sommige baselines wordt gezien.
  • De Effectieve Steekproefomvang (ESS) voor GLCP bedroeg gemiddeld ~304, wat wijst op effectieve lokalisatie zonder te veel kalibratiegegevens weg te gooien.
• Ablatie en Generalisatie:
  • Backbone Onafhankelijkheid: Het framework bleef effectief wanneer het werd toegepast op een neuraal backbone (PatchTST), wat de model-agnostische aard bevestigt.
  • Componentanalyse: Zowel temporele recentheid als gate-gebaseerde gelijkenis droegen complementair bij aan de kalibratieprestaties.
  • Cross-Domein: Het framework generaliseerde succesvol naar zonnevoorspelling, wat de toepasbaarheid buiten financiële markten aantoont.

Betekenis en Claims
De paper beweert dat de primaire betekenis van ABF-T-GLCP ligt in de gedeelde representatie strategie. Door dezelfde geleerde gating-staat te gebruiken voor zowel de puntvoorspellingsadaptatie als de onzekerheidskalibratie, zorgt het framework ervoor dat puntvoorspellingen en voorspellingsintervallen consistent adapteren aan evoluerende temporele dynamiek.

De auteurs benadrukken dat hoewel de methode werd gemotiveerd door grondstoffenvoorspelling in de financiële sector, deze breed toepasbaar is op elk probleem met gerelateerde tijdreeksen met heterogene dynamiek en regime-afhankelijke onzekerheid. Theoretische analyse biedt een benaderde lokale dekkinggarantie, waarbij wordt erkend dat exacte distributievrije conditionele dekking onmogelijk is zonder extra aannames onder willekeurige niet-stationariteit. Het werk claimt niet de volledige non-stationariteit op te lossen, maar biedt een robuust, model-agnostisch mechanisme om forecasting en onzekerheidskwantificering nauwer aan elkaar te koppelen dan bestaande methoden.