Conformal Prediction Intervals with Tail-Specific Guarantees

Resumo Técnico: Intervalos de Predição Conformal com Garantias Específicas para as Caudas

Definição do Problema
Os frameworks clássicos de predição conformal (CP) fornecem intervalos de predição com cobertura marginal garantida (ou seja, a probabilidade de a resposta real cair dentro do intervalo é de pelo menos $1-\alpha$). No entanto, essa garantia global trata as caudas superior e inferior da distribuição preditiva de forma simétrica. Em muitos contextos de tomada de decisão do mundo real — como a gestão de carteiras financeiras (onde o risco de queda é mais crítico do que o potencial de alta) ou o monitoramento clínico (onde limiares específicos disparam ações distintas) — as consequências dos erros nas duas caudas são assimétricas. Os métodos de CP padrão não oferecem controle explícito sobre as probabilidades individuais das caudas, o que pode levar a uma subcobertura sistemática na cauda de maior preocupação, enquanto ocorrem sobrecoberturas na outra.

Metodologia
Os autores propõem um framework para construir intervalos de predição que satisfaçam tanto a cobertura marginal global quanto garantias de cobertura específicas para as caudas, devidamente calibradas. A metodologia baseia-se na Predição Conformal Dividida (Split Conformal Prediction) e estende-se para dados não intercambiáveis via Inferência Conformal Adaptativa (ACI) e Inferência Conformal Adaptativa com Ajuste Dinâmico (DtACI).

O procedimento central envolve a construção em duas etapas:

1. Intervalos Unilaterais: Os autores constroem intervalos separados limitados inferiormente ($[L, +\infty)$) e superiores ($(-\infty, U]$). Isso é alcançado definindo escores de conformidade unilaterais específicos. Notavelmente, eles introduzem um escore de quantil com sinal ($s_{q\text{-sgn}}$) que retém o sinal do resíduo em relação ao quantil estimado, contrastando com os escores truncados usados na Regressão de Quantis Conformal (CQR) padrão.
2. Interseção: O intervalo de predição bilateral final é obtido pela interseção dos intervalos unilaterais calibrados independentemente: $C_{n+1}^\cap = [L_{n+1}, U_{n+1}]$.

Para dados não intercambiáveis (por exemplo, séries temporais com dependência temporal ou mudanças de distribuição), o framework adapta os níveis de erro de cobertura ($\alpha^-$ e $\alpha^+$) para as caudas inferior e superior de forma independente, utilizando recursões de aprendizado online (ACI) ou um conjunto de aprendizes com ponderação exponencial (DtACI). Isso permite rastrear as taxas de violação alvo para cada cauda separadamente, mesmo sob não estacionariedade.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

• C1 (Validade Específica para a Cauda): Introdução de uma noção mais forte de validade marginal que decompõe a subcobertura total $\alpha$ em componentes direcionais definidos pelo usuário ($\alpha^-$ e $\alpha^+$), permitindo que os profissionais atribuam requisitos de cobertura mais rigorosos a caudas específicas.
• C2 (Garantias Teóricas): Prova de garantias de cobertura marginal global e específica para as caudas em amostra finita sob a suposição de intercambiabilidade. Além disso, garantias assintóticas e limites de arrependimento (regret bounds) de curto prazo são estabelecidos para dados não intercambiáveis sob ACI e DtACI.
• C3 (Desempenho Empírico): Demonstração, através de estudos de simulação, que o método proposto alcança uma calibração direcional melhorada em comparação com os intervalos de CP bilaterais clássicos, particularmente em distribuições assimétricas e de cauda pesada. O estudo destaca que o escore de quantil com sinal evita os problemas de sobrecobertura extrema observados em escores truncados sob forte assimetria.
• C4 (Aplicação Financeira): Aplicação do framework à previsão de retornos financeiros, especificamente para a estiminação de Value-at-Risk (VaR). O método fornece uma abordagem livre de distribuição e teoricamente válida para controlar o risco de queda (cauda esquerda) enquanto caracteriza simultaneamente o potencial de alta.

Resultados

• Simulações: Em cenários envolvendo distribuições Student-t assimétricas (tanto IID quanto AR(1)), os intervalos de CP bilaterais padrão e os benchmarks exibiram subcobertura significativa na cauda inferior e sobrecobertura extrema (até 100%) na cauda superior. O método de interseção proposto conseguiu restaurar os níveis de cobertura alvo para ambas as caudas independentemente, embora com um leve aumento na largura do intervalo (perda de eficiência) devido ao hiato não nulo entre os limites de probabilidade.
• Aplicação Financeira: Aplicado a ETFs (SPY, TQQQ, XLE) com perfis de risco variados, os intervalos calibrados para as caudas baseados em DtACI mantiveram a cobertura alvo da cauda inferior (VaR) através de diferentes regimes de mercado. Em contraste, os intervalos de CP bilaterais clássicos e as previsões de VaR baseadas em GARCH paramétrico subcoberturaram sistematicamente a cauda esquerda, falhando em fornecer o controle de risco rigoroso exigido para fins regulatórios e de gestão.

Significância e Alegações
O artigo afirma que seu framework aborda uma lacuna crítica na quantificação de incerteza: a incapacidade do CP padrão de lidar com as consequências assimétricas dos erros de predição. Ao desacoplar a calibração das duas caudas, o método oferece uma ferramenta robusta para a gestão de riscos onde garantias direcionais específicas são primordiais. Os autores enfatizam que sua abordagem fornece garantias de amostra finita para dados intercambiáveis e garantias assintóticas com limites de arrependimento para dados não intercambiáveis, tudo sem exigir suposições distributivas fortes. O trabalho posiciona-se como uma solução prática para domínios como finanças e medicina, onde uma cobertura de "tamanho único" é insuficiente para a tomada de decisão sob risco assimétrico.