Crossing-Free Probabilistic K-Line Forecasts Without Retraining

Technische Samenvatting: Kruisingsvrije Probabilistische K-lijn Voorspellingen Zonder Hergetraind te Worden

Probleemdefinitie
Probabilistische K-lijn voorspelling beoogt de onzekerheid te kwantificeren over vier complementaire prijskenmerken: Open, High, Low en Close (OHLC). Het genereren van deze voorspellingen introduceert echter twee verschillende consistentie-schendingen die voorspellingen economisch onhaalbaar maken:

1. Kwantiel-kruising (Quantile Crossing): Treedt op wanneer een voorspelling op een hoger kwantielniveau lager valt dan een voorspelling op een lager kwantielniveau voor hetzelfde kenmerk (bijv. de 90ste percentiel Open-prijs is lager dan de 10de percentiel Open-prijs).
2. K-lijn-kruising (K-Line Crossing): Treedt op wanneer de semantische relaties tussen OHLC-prijzen binnen een enkele voorspellingsvector worden geschonden (bijv. de voorspelde High is lager dan de voorspelde Open of Close, of de voorspelde Low is hoger dan de Open of Close).

Bestaande oplossingen pakken doorgaans slechts één van deze beperkingen aan via gespecialiseerde modelarchitecturen, gepenaliseerde trainingsdoelstellingen of post-hoc herordening. Deze benaderingen vereisen vaak het hertrainen van het model, introduceren hyperparameters of veranderen de voorspellingen meer dan nodig is, wat de voorspellende nauwkeurigheid potentieel kan verslechteren of de associatie tussen inputs en outputs kan verbreken.

Methodologie: K-Line–Quantile Sequential Projection (KQSP)
De auteurs stellen KQSP voor, een parameter-vrije, training-vrije reconciliatiemethode die toepasbaar is op voorspellingen gegenereerd door elk model (inclusief volledig getrainde ANN's en zero-shot foundation modellen). KQSP werkt als een tweestaps orthogonale projectie die de kwadratische afstand tussen de ruwe voorspelling en de gecorrigeerde voorspelling minimaliseert terwijl aan de beperkingen wordt voldaan.

Het proces transformeert een ruwe voorspellingsmatrix $Z \in \mathbb{R}^{Q \times 4}$ (waarbij $Q$ het aantal kwantielen is en 4 de OHLC-kenmerken vertegenwoordigt) naar een gecorrigeerde matrix $\hat{Z}_{KQSP}$:

1. Fase 1: K-Line Projectie ($P_O$):
   Voor elk kwantielniveau $q$ projecteert de methode de ruwe OHLC-vector op de convexe kegel van geldige OHLC-relaties ($L \leq \min(O, C)$ en $\max(O, C) \leq H$). Dit wordt bereikt door de geldige vector te vinden die het dichtst bij de originele ligt in de Euclidische afstand. Het algoritme controleert combinaties waarbij relaties gelijkheden worden om ervoor te zorgen dat de correctie minimaal is (bijv. zowel de High als de Close licht aanpassen in plaats van één element drastisch te verschuiven).

2. Fase 2: Kwantiel Projectie ($P_Q$):
   Nadat de K-lijn geldigheid is gewaarborgd, projecteert de methode elk kenmerk-kolom (Open, High, Low, Close) onafhankelijk op de monotone kegel ($v_1 \leq v_2 \leq \dots \leq v_Q$). Dit wordt uitgevoerd met behulp van een minimum-afstand isotonische regressie-aanpak (specifiek door de schendende groepen te vervangen door hun gemiddelde).

Belangrijkste Eigenschappen:

• Model-Agnostisch: Het vereist geen toegang tot modelgewichten, gradiënten of interne architectuur.
• Geen Hergetraind te Worden: Het is een post-hoc correctie toegepast op de output-matrix.
• Behoud van Consistentie: De auteurs bewijzen dat de sequentiële toepassing van deze projecties de in Fase 1 vastgestelde beperkingen behoudt; Fase 2 introduceert de K-lijn-kruisingen die in Fase 1 zijn verwijderd niet opnieuw.
• Minimale Correctie: Door gebruik te maken van orthogonale projecties zorgt KQSP ervoor dat de gecorrigeerde voorspelling zo dicht mogelijk bij de originele blijft, waardoor de verstoring wordt geminimaliseerd.

Belangrijkste Bijdragen

1. KQSP Algoritme: Een nieuwe, deterministische methode die zowel kwantiel- als K-lijn-kruisingen elimineert zonder parameters, hyperparameters of loss-penalties te introduceren.
2. Systematische Vergelijking: De paper benchmarkt KQSP tegen meerdere baselines, inclus_ief Cumulative Maximum, Reordering, Hiërarchische decoders en een Joint Projection (die beide beperkingen simultaan oplost).
3. Cross-Model Evaluatie: De methode wordt geëvalueerd over een volledig getrainde Artificiële Neurale Netwerk (ANN) en acht diverse zero-shot foundation modellen (TimesFM, Chronos, Moirai, Time-MoE, TabPFN, en het financiële-specifieke Kronos).

Resultaten
De evaluatie werd uitgevoerd op 12 aandelen uit vier sectoren (Automobiel, Energie, Financiën, Technologie) met behulp van dagelijkse OHLCV-data van 2016 tot 2026.

• Eliminatie van Kruisingen: KQSP reduceerde zowel de Quantile Crossing Rate (QCR) als de K-Line Crossing Rate (KCR) naar 0,00% in alle testgevallen voor elk geëvalueerd model.
• Voorspellende Nauwkeurigheid: In tegen tegenstelling tot de aanname dat het afdwingen van consistentie de prestaties zou kunnen verslechteren, verbeterde KQSP de Average Quantile Loss (AQL) aanzienlijk voor alle 12 aandelen in de ANN-setting ($p < 0,001$). Het verbeterde ook frequent de Mean Absolute Error (MAE) en de Root Mean Squared Error (RMSE).
• Correctie Grootte: Vergeleken met andere methoden die kruisingen elimineren (zoals Reordering of Cumulative Maximum), produceerde KQSP aanzienlijk kleinere gemiddelde en maximale correctiefouten. Dit geeft aan dat het het originele signaal van het model effectiever behoudt.
• Foundation Modellen: De methode corrigeerde succesvol de voorspellingen van zero-shot foundation modellen, inclusief het financiële-specifieke Kronos-model, dat een concurrerende prestatie toonde ten opzichte van de volledig getrainde ANN.

Betekenis en Claims
De paper claimt dat probabilistische K-lijn consistentie onafhankelijk van de voorspellingsgeneratie kan worden afgedwongen. De primaire betekenis van KQSP is het vermogen om structurele inconsistenties in probabilistische financiële voorspellingen op te lossen zonder de computationele kosten van hertraining of het risico om het gedrag van het model te wijzigen door middel van penalty-termen.

De auteurs stellen dat door voorspellingen te projecteren op economisch geldige beperkingen, KQSP "onhaalbare variatie" (schattingsruis) verwijdert terwijl geldige componenten behouden blijven. Dit suggereert dat het afdwingen van structurele beperkingen kan fungeren als een vorm van ruisonderdrukking (denoising), wat potentieel de voorspellende metrieken kan verbeteren, zelfs wanneer het onderliggende model niet wordt gewijzigd. De methode wordt gepresenteerd als een robuuste, universele post-processing stap die de betrouwbaarheid van probabilistische K-lijn voorspellingen verhoogt voor toepassingen zoals entry/exit beslissingen, stop-loss plaatsing en intraperiod risicobeoordeling.