Resumo Técnico: Adaptabilidade no Lado da Implantação em Previsão de Volatilidade de Múltiplos Horizontes

1. Declaração do Problema

Na previsão financeira, particularmente para a previsão de volatilidade de múltiplos horizontes, o paradigma de avaliação padrão assume que um modelo treinado define um único preditor implantável. Este artigo contesta essa suposição, argumentando que, para previsores MIMO (Multi-Input Multi-Output), o processo de treinamento é apenas metade da história. O método utilizado para implantar o modelo — regras de rollout no tempo de inferência — altera fundamentalmente o comportamento, a precisidade e o custo computacional do preditor.

O problema central abordado é se um único previsor MIMO treinado pode gerar uma família de preditores distintos e implantáveis ao variar a estratégia de inferência (por exemplo, alterando o tamanho do bloco de saídas comprometidas) sem retreinar. Os autores investigam se o deployment MIMO direto "padrão" é o ideal, ou se regras de rollout alternativas induzem melhores preditores sob restrições específicas (latência, orçamento de computação) e métricas de avaliação (MSE vs. QLIKE).

2. Metodologia

2.1 A Família de Regras Induzidas

Os autores propõem visualizar um modelo MIMO treinado não como um preditor fixo, mas como um gerador de uma família de preditores.

• Mecanismo: Um modelo MIMO padrão prevê um horizonte completo $H$ em uma única passagem. Os autores introduzem um deployment "recursivo por blocos" onde o modelo compromete apenas $s$ passos ($1 \le s \le H$) por chamada.
• Processo de Rollout: As $s$ previsões comprometidas são anexadas à janela de entrada, o estado é atualizado e a mesma função treinada $f_\theta$ é chamada novamente para prever os próximos $s$ passos. Isso se repete até que o horizonte completo seja coberto.
• Preditores Induzidos: Ao variar o tamanho do bloco $s$ (ou a razão de rollout $r = s/H$), os mesmos parâmetros fixos $\theta$ geram diferentes preditores efetivos $g_{\theta, s}$. Isso cria uma "família de regras" de previsões implantáveis que variam de totalmente recursivas ($s=1$) a o MIMO padrão ($s=H$).

2.2 Configuração Experimental

• Dados: Séries de volatilidade de ações diárias do arquivo VOLARE (20 séries univariadas). O alvo é a variância realizada logarítmica (calculada a partir de dados subsamplados de 5 minutos).
• Horizontes: Três horizontes de previsão ($H \in \{10, 20, 30\}$ dias).
• Arquiteturas: Cinco classes de modelos variando de lineares a aprendizado profundo: LinearNet, MLP, LSTM, N-BEATS e PatchTST.
• Treinamento: Todos os modelos são treinados como previsores diretos de múltiplas saídas (prevendo o $H$ completo em uma única passagem) usando o otimizador Adam e perda MSE.
• Métricas de Avaliação:
  • MSE: Erro Quadrático Médio na escala de log-volatilidade (objetivo primário de treinamento).
  • QLIKE: Perda de Quasi-Likelihood na escala de variância original (métrica padrão em finanças).
  • Custo: Tempo de inferência, medido pelo número de chamadas do modelo ($\lceil H/s \rceil$).

2.3 Políticas de Deployment

O estudo avalia várias políticas para selecionar ou combinar regras da família induzida:

1. MIMO Padrão: O deployment padrão $s=H$.
2. Singletons: Implantar uma única regra não-padrão ($s < H$).
3. Singleton Selecionado por Validação: Escolher o melhor $s$ único com base no MSE de validação.
4. Ensembles de Subconjuntos:
   • Simples: Média uniforme de um subconjunto de regras.
   • Linear: Média ponderada onde os pesos são aprendidos via Mínimos Quadrados Ordinários (OLS) nos dados de validação.
   • A seleção é realizada via seleção progressiva (greedy forward selection) para otimizar o MSE de validação para um tamanho de subconjunto $k$ fixo.
5. Ensembles Completos: Agregação de todo o pool de regras.

3. Principais Contribuições

1. Visão de Regra Induzida de MIMO: O artigo introduz o conceito de que um único previsor MIMO treinado define uma família de preditores implantáveis através de escolhas de rollout no tempo de inferência, em vez de um único preditor estático.
2. Margem de Manobra de Deployment (Deployment Headroom): Os autores demonstram que regras de rollout não-padrão frequentemente superam o deployment MIMO padrão em termos de MSE. No entanto, o $s$ ideal é altamente dependente da arquitetura do modelo e do horizonte de previsão, tornando uma regra de substituição "global" pouco confiável.
3. Políticas Baseadas em Validação: O estudo mostra que a seleção baseada em validação (singletons) e pequenos ensembles de subconjuntos (ex: $k=3$) podem explorar essa margem para alcançar melhorias significativas de MSE sobre o MIMO padrão com uma fração do custo de ensembles completos.
4. Sensibilidade de Métrica: Uma descoberta crítica é que as políticas de deployment são sensíveis à métrica. Políticas otimizadas para MSE de validação não se transferem uniformemente para o desempenho QLIKE. Especificamente, combinações lineares aprendidas frequentemente geram fortes ganhos de MSE, mas melhorias menos consistentes em QLIKE comparadas a políticas mais simples (singletons ou média simples).
5. Eficiência de Custo vs. Retreinamento: O artigo compara as políticas induzidas contra uma alternativa de "varredura de regras" (treinar modelos separados para cada tamanho de bloco). As políticas induzidas alcançam paridade de desempenho preditivo enquanto exigem um custo de retreinamento substancialmente menor (apenas um modelo treinado vs. um por tamanho de bloco candidato).

4. Principais Resultados

• Desempenho ao Nível de Regra: Regras de singleton não-MIMO frequentemente vencem o MIMO padrão (taxas de vitória frequentemente >60-80% para modelos avançados como PatchTST), mas o tamanho de bloco vencedor varia significamente entre arquiteturas e horizontes.
• Trade-off Precisão-Custo:
  • Singletons Selecionados por Validação: Fornecem melhorias de baixo custo (frequentemente <2x o custo de inferência do MIMO) com ganhos modestos de MSE.
  • Pequenos Subconjuntos ($k=3$): Oferecem um meio-termo sólido. Subconjuntos lineares progressivos de tamanho 3 alcançam as maiores reduções medianas de MSE (frequentemente reduzindo o erro em 5-15% em relação ao MIMO) com custos de inferência moderados (ex: ~10-20x o custo do MIMO, mas ainda muito mais barato que ensembles completos).
  • Ensembles Completos: Embora ofereçam o menor erro, o ganho marginal sobre pequenos subconjuntos é frequentemente pequeno em relação ao aumento significativo no custo de inferência.
• Transferência de Métrica:
  • Políticas selecionadas via MSE não garantem melhoria no QLIKE.
  • Políticas simples (singletons, média simples) mostram uma transferência mais confiável entre MSE e QLIKE.
  • Combinações lineares aprendidas, embora poderosas para MSE, são menos robustas quando a perda operacional é QLIKE.
• Induzido vs. Treinado Separadamente: Modelos treinados separadamente para tamanhos de bloco específicos oferecem apenas melhorias marginais de MSE sobre as políticas induzidas. A "Razão Oracle" (custo do induzido vs. treinado separadamente) sugere que as políticas induzidas requerem apenas ~10-30% do esforço de retreinamento para um desempenho comparável.

5. Significância e Alegações

O artigo alega que o deployment no tempo de inferência é uma fonte significativa de adaptabilidade na previsão financeira. A principal significância reside em mudar o foco da avaliação de "qual arquitetura de modelo é melhor" para "como o modelo treinado é implantado".

• Implicação Prática: Profissionais não devem assumir que a saída MIMO padrão é o produto final. Ao tratar o modelo treinado como um espaço de deployment compacto, pode-se selecionar uma política (singleton ou pequeno subconjunto) que equilibre precisão, custo e a perda operacional específica (MSE vs. QLIKE) sem o alto custo de retreinar múltiplos modelos.
• Design de Avaliação: Os autores argumentam que a política de deployment deve ser avaliada juntamente com a arquitetura do modelo. O verdadeiro potencial de um modelo só é realizado quando a estratégia de deployment é otimizada para as restrições e funções de perda específicas do caso de uso financeiro.
• Modéstia: Os autores reconhecem limitações, observando que os resultados baseiam-se em volatilidade diária univariada e que as descobertas referem-se à precisão da previsão, e não ao desempenho de utilidade de portfólio ou controle de risco. Eles não pretendem propor uma nova arquitetura de volatilidade, mas sim uma nova perspectiva sobre como utilizar modelos já treinados.