Technische Samenvatting: Latente Regime-bias Audit voor Volatiliteitsvoorspelling

1. Probleemstelling

Volatiliteitsvoorspellingen zijn cruciaal voor risicobeheer, hedging en portfolioallocatie, met name tijdens perioden van marktonstabiliteit. De auteurs stellen echter dat standaard evaluatiepraktijken sterk leunen op geaggregeerde nauwkeurigheidsmetrieken zoals de Root Mean Squared Error (RMSE) en Mean Absolute Error (MAE). Deze metrieken comprimeren de temporele en conditionele distributie van fouten, wat potentieel systematische defecten kan maskeren die optreden in specifieke, economisch betekenisvolle markttoestanden. Een model kan een lage gemiddelde fout vertonen terwijl het conditioneel onbetrouwbaar is—specifiek door volatiliteit tijdens stressregimes systematisch te onderschatten, wat de meest kostbare fout is voor risicobeheer. Het artikel stelt dat volatiliteitsvoorspelling moet worden behandeld als een conditioneel betrouwbaarheidsprobleem, waarbij de vraag niet alleen is of een model gemiddeld nauwkeurig is, maar waar en wanneer de fouten biased of instabiel worden.

2. Methodologie

Het artikel stelt een model-agnostisch audit-framework voor, ontworpen om verborgen regime-specifieke biases te detecteren zonder de voorspellingsmodellen zelf te wijzigen. De methodologie verloopt via de volgende fasen:

A. Asset-Relatieve Representatieleer

Om voorspellingen over verschillende assets (cryptovaluta en ETF's) te kunnen evalueren zonder dat de resultaten worden gedomineerd door persistente asset-specifieke schalen, leert het framework tijdreeks-representaties van markttoestand-vensters:

1. Normalisatie: Kenmerken (returns, range-gebaseerde volatiliteit, impliciete volatiliteit, volume, drawdown, etc.) worden binnen elke asset genormaliseerd met behulp van robuuste statistieken (mediaan en IQR) afgeleid van de trainingsperiode.
2. Embedding: Een contrastieve encoder (TS2Vec-stijl) leert venster-embeddings ($z_{i,t}$) om temporeel overlappende weergaven uit te lijnen.
3. Adversariële Invariantie: Om te voorkomen dat de embeddings een statische asset-identiteit coderen (wat regime-detectie zou verwarren), wordt een adversariële asset-classifier met gradient reversal ingezet. De encoder wordt getraind om asset-voorspelling moeilijk te maken, waardoor dynamische markttoestand-informatie behouden blijft terwijl asset-identificerende structuren worden onderdrukt.

B. Constructie van Uitgelijnde Regimes

In plaats van regimes te behandelen als universele markttoestanden, construeert het framework asset-relatieve audit-partities:

1. Clustering: K-means clustering wordt toegepast op de trainings-embeddings voor elke asset afzonderlijk om $K$ latente toestanden te identificeren.
2. Uitlijning: Omdat clusterlabels tussen assets willekeurig zijn, worden ze uitgelijnd met behulp van een stress-score uit de trainingsperiode. Deze score combineert gerealiseerde volatiliteit, drawdown, absolute returns en stress-proxy variabelen.
3. Labeling: Clusters worden geordend op basis van hun gemiddelde stress-score en gelabeld als Calm (Rustig), Intermediate (Tussenliggend) en Stress (Stress). Dit zorgt ervoor dat "Stress" in de ene asset overeenkomt met een vergelijkbaar niveau van stress in een andere asset, wat een verenigde audit-ruimte creëert.

C. Audit-metrieken

Het framework evalueert voorspellers ($M$) met verschillende metrieken buiten de standaard RMSE/MAE:

• Regime-Conditionele Bias: De gemiddelde gesigneerde fout binnen elk uitgelijnd regime.
• Verborgen Bias Statistieken:
  • $RBA^{stable}_m$: Kwantificeert hoeveel de geaggregeerde bias de grootste asset-relatieve regime-bias onderschat.
  • $RCRG^{norm}_m$: Normaliseert het gat tussen de geaggregeerde en de worst-case regime-bias ten opzichte van de RMSE.
• Tail en Economische Loss:
  • Tail Underprediction: De snelheid van onderschatting binnen het bovenste deciel van de gerealiseerde volatiliteitsuitkomsten.
  • Asymmetrische Loss: Een asymmetrische kwadratische loss functie ($\ell_\lambda$) die onderschatting ($e < 0$) zwaarder bestraft dan overschatting, wat de economische kosten van risico-onderschatting weerspiegelt.
• Statistische Inferentie: Block-bootstrap betrouwbaarheidsintervallen worden gebruikt om te bepalen of regime-specifieke biases statistisch significant zijn.

3. Belangrijkste Bijdragen

Het artikel schetst vijf primaire bijdragen:

1. Probleemformulering: Het herformuleren van volatiliteitsvoorspelling als een asset-relatief, regime-conditioneel betrouwbaarheids-auditprobleem in plaats van een zuivere nauwkeurigheidsoptimalisatietaak.
2. Diagnostische Instrumenten: Introductie van model-agnostische diagnostiek voor verborgen regime-bias, tail underprediction en onderschatting-gevoelige economische loss.
3. Regime-Constructie: Het ontwikkelen van een methode om asset-relatieve regimes te construeren met behulp van genormaliseerde tijdreeks-embeddings, adversariële asset-invariantie en economische stress-score uitlijning.
4. Uitgebreide Audit: Het toepassen van het framework op een brede set modellen, inclusief historische baselines, HAR/IV-specificaties, lineaire modellen, boom-gebaseerde modellen, recurrente netwerken (LSTM/GRU) en Transformer-architecturen (iTransformer, PatchTST).
5. Empirisch Bewijs: Het aantonen dat rangschikkingen gebaseerd op geaggregeerde nauwkeurigheid (RMSE) vaak divergeren van rangschikkingen gebaseerd op conditionele betrouwbaarheid en economische loss, wat aangeeft dat "nauwkeurige" modellen nog steeds conditioneel onbetrouwbaar kunnen zijn.

4. Experimentele Resultaten

Het framework werd toegepast op dagelijkse gerealiseerde volatiliteitsvoorspellingen voor BTC, ETH, SPY, QQQ, IWM, GLD en USO over de periode 2021–2026.

• Regime Validiteit (RQ1): De uitgelijnde regimes (Calm, Intermediate, Stress) bleken economisch betekenisvol te zijn. Stressregimes vertoonden hogere gerealiseerde/impliciete volatiliteit, grotere drawdowns en een hogere concentratie van tail-events vergeleken met rustige perioden.
• Verborgen Bias (RQ2): Er werd vastgesteld dat geaggregeerde metrieken significante regime-specifieke biases maskeren. Zo vertoonden verschillende modellen met competitieve geaggregeerde RMSE statistisch significante onderschatting of overschatting in specifieke regimes (bijv. LSTM- en GRU-modellen vertoonden significante onderschatting in intermediate stress-regimes).
• Divergerende Rangschikkingen (RQ3 & RQ4):
  • Betrouwbaarheid vs. Nauwkeurigheid: Modellen die hoog scoren op RMSE (bijv. recurrente modellen) daalden vaak in rang wanneer ze werden geëvalueerd door conditionele betrouwbaarheidsmetrieken ($RBA^{stable}$). Omgekeeld verbeterden sommige lineaire en finance-native modellen (bijv. HAR-RV) in hun betrouwbaarheidsrangschikking.
  • Economische Loss: Rangschikkingen verschoven verder wanneer een tail-weighted asymmetrische loss werd gebruikt. Transformer-stijl modellen (PatchTST, iTransformer), hoewel competitief in sommige geaggregeerde metrieken, presteerden slecht onder economische-loss criteria, waarbij ze een zwakkere responsiviteit op volatiliteitsextremen en een hogere tail underprediction vertoonden.
• Robuustheid (RQ5): De bevindingen hielden stand over verschillende voorspellingshorizonten en regime-constructie varianten (plain vs. adversarial embeddings), wat bevestigt dat de geobserveerde verschillen in conditionele betrouwbaarheid geen artefacten zijn van een enkele clustering-keuze.

5. Betekenis en Claims

Het artikel claimt dat het framework de evaluatieparadigma verschuift van de vraag "welk model is het meest nauwkeurig gemiddeld?" naar "het identificeren van de marktregimes waarin ogenschijnlijk nauwkeurige voorspellingen conditioneel falen."

• Beperkingen: De auteurs zijn bescheiden over de reikwijdte en merken op dat de regimes sample-afhankelijke audit-partities zijn in plaats van universele markttoestanden. De analyse is beperkt tot dagelijkse gerealiseerde volatiliteit-targets en een specifieke cross-asset panel.
• Kerninzicht: De primaire betekenis is de demonstratie dat architecturale complexiteit geen garantie biedt voor conditionele betrouwbaarheid. Een model kan zeer nauwkeurig zijn op gemiddelde basis, terwijl het juist in de specifieke stress-toestanden waar risicobeheer het meest kritiek is, gevaarlijk onbetrouwbaar kan zijn.
• Implicatie: Het artikel suggereert dat de evaluatie van volatiliteitsvoorspellingen verder moet gaan dan geaggregeerde foutmetrieken om regime-conditionele diagnostiek op te nemen, om te garanderen dat voorspellingen betrouwbaar zijn waar ze het meest nodig zijn. Het stelt geen nieuw voorspellingsmodel voor, maar biedt een diagnostisch instrument om bestaande modellen te auditeren.