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

Resumo Técnico: Previsão Adaptativa de Múltiplas Escalas e Predição Conformal Localizada por Portão para Séries Temporais Multivariadas Não Estacionárias

Definição do Problema
A previsão de séries temporais multivariadas, particularmente em mercados de commodities financeiras, é dificultada pela não estacionaridade. As dependências temporais, as relações entre séries e a incerteza preditiva evoluem devido a mudanças nas condições macroeconômicas, eventos geopolíticos e sentimento de mercado. Os métodos existentes enfrentam limitações específicas:

• Previsão de múltiplas escalas frequentemente assume que a combinação adaptativa de múltiplos especialistas é sempre benéfica, o que pode introduzir variância de estimativa desnecessária quando uma única estrutura supera as outras sob um regime específico.
• Previsção entre séries (cross-series) corre o risco de "transferência negativa" quando as dependências entre séries relacionadas evoluem.
• Quantificação de incerteza via predição conformal tipicamente define a relevância de calibração através da proximidade temporal ou covariáveis externas, em vez de aproveitar o próprio estado preditivo aprendido pelo modelo de previsão. Isso desacopla a adaptação da previsão de ponto da calibração da incertitude.

Metodologia: ABF-T-GLCP
Os autores propõem o ABF-T-GLCP, um framework agnóstico ao modelo composto por três componentes integrados projetados para lidar com séries temporais multivariadas não estacionárias.

1. Melhor Previsão Adaptativa (ABF - Adaptive Best Forecasting):

   • Arquitetura: O modelo treina uma biblioteca de "especialistas temporais", cada um associado a um comprimento de lookback diferente (escala).
   • Mecanismo de Portão (Gating): Uma rede de portão leve e específica para cada ativo aprende pesos variantes no tempo para mapear características de regime para pesos de escala.
   • Estratégia de Seleção: Ao contrário do Mixture-of-Experts (MoE) padrão, que sempre agrega todos os especialistas, o ABF seleciona um único especialista "melhor na validação" como uma âncora de previsão estável.
   • Correção: Correções de múltiplas escalas são aplicadas apenas se melhorarem o desempenho de validação. A previsão final é a âncora mais um desvio controlado por um portão de outros especialistas, controlado por um parâmetro de força de correção $\rho$. Isso equilibra estabilidade com adaptabilidade.

2. Transferência Preditiva Esparsa (T - Sparse Predictive Transfer):

   • Modelagem de Resíduos: Após o ABF capturar a dinâmica dentro da própria série, uma camada de transferência preditiva esparsa modela as dependências residuais entre séries (ex: transbordamentos de nível setorial).
   • Implementação: Utiliza uma regressão linear regularizada (ex: Lasso, Ridge) sobre características construídas a partir das previsões de especialistas ponderadas pelo portão de todas as séries de origem.
   • Proteção: Um coeficiente de contração $\gamma$ é ajustado no conjunto de validação para evitar a transferência negativa, garantindo que apenas informações benéficas entre séries sejam incorporadas.

3. Predição Conformal Localizada por Portão (GLCP - Gate-Localized Conformal Prediction):

   • Inovação Central: O GLCP localiza a calibração conformal reutilizando o estado de portão aprendido do módulo de previsão, aliado à recência temporal.
   • Esquema de Ponderação: Os resíduos de calibração são ponderados por uma função de:
     • Recência Temporal: Controlada pelo parâmetro $\lambda$.
     • Similaridade de Regime: A distância euclidiana ao quadrado entre o vetor de portão da amostra de teste atual e os vetores de portão históricos, controlada pela largura de banda $\tau$.
   • Intervalos Adaptativos: O método computa quantis empíricos ponderados de resíduos normalizados para construir intervalos de previsão. Ele suporta intervalos simétricos e assimétricos (calibrando limites inferiores e superiores separadamente) para lidar com distribuições de erro assimétricas.
   • Fallback: Se o Tamanho de Amostra Efetivo (ESS) cair abaixo de um limite mínimo, o método retorna para a calibração conformal não ponderada para garantir a validade.

Principais Contribuições

1. Estrutura ABF-T: Uma abordagem de previsão adaptativa baseada em validação que combina previsão de múltiplas escalas com transferência preditiva esparsa, evitando a inflação de variância da agregação ingênua de especialistas.
2. GLCP: Um novo método de predição conformal que acopla a calibração de incerteza ao estado preditivo aprendido pelo modelo, permitindo intervalos de previsão adaptativos com garantias de cobertura local aproximada sob condições de estabilidade brandas.
3. Validação Empírica: Demonstração de melhorias consistentes tanto na precisão da previsão de ponto quanto na eficiência do intervalo (intervalos mais estreitos mantendo a cobertura) em benchmarks de larga escala.

Resultos Experimentais
O framework foi avaliado em um conjunto de dados de futuros de commodities chinesas de alta frequência (55 ativos, barras de 5 minutos) e um benchmark de previsão solar.

• Previsão de Ponto: O ABF-T superou consistentemente bases fortes (incluindo Single-Scale, Equal-Weight e Asset-Specific Gated MoE) em todos os horizontes de previsão (15 minutos a 8 horas). As melhorias foram mais pronunciadas em horizontos mais longos (até 15% de redução no MSE), atribuídas à estratégia de âncora que reduz a variância de estimativa.
• Quantificação de Incerteza: O GLCP alcançou os menores Scores de Intervalo (IS) e os intervalos de previsão mais estreitos, mantendo a cobertura empírica próxima ao nível nominal de 90%.
  • Comparado a métodos de calibração global (ex: ACI, AgACI), o GLCP produziu intervalos significativamente mais estreitos.
  • Comparado a outros métodos localizados (ex: RLCP, MoECP), o GLCP manteve melhor estabilidade de cobertura e evitou a inflação extrema de largura vista em algumas bases.
  • O Tamanho de Amostra Efetivo (ESS) para o GLCP averageu ~304, indicando uma localização eficaz sem descartar muitos dados de calibração.
• Ablação e Generalização:
  • Independência de Backbone: O framework permaneceu eficaz quando aplicado a um backbone neural (PatchTST), confirmando sua natureza agnóstica ao modelo.
  • Análise de Componentes: Tanto a recência temporal quanto a similaridade baseada em portão contribuíram complementarmente para o desempenho da calibração.
  • Transversalidade de Domínio: O framework generalizou-se com sucesso para a previsão solar, demonstrando aplicabilidade além dos mercados financeiros.

Significância e Alegações
O artigo alega que a principal significância do ABF-T-GLCP reside em sua estratégia de representação compartilhada. Ao usar o mesmo estado de portão aprendido para a adaptação da previsão de ponto e para a calibração da incerteza, o framework garante que as previsões de ponto e os intervalos de previsão se adaptem consistentemente às dinâmicas temporais em evolução.

Os autores enfatizam que, embora o método tenha sido motivado pela previsão de commodities financeiras, ele é amplamente aplicável a qualquer problema envolvendo séries temporais relacionadas com dinâmicas heterogêneas e incerteza dependente de regime. A análise teórica fornece uma garantia de cobertura local aproximada, reconhecendo que a cobertura condicional exata livre de distribuição é impossível sem suposições adicionais sob arbitrariedade de não estacionaridade. O trabalho não pretende resolver todos os problemas de não estacionaridade, mas oferece um mecanismo robusto e agnóstico ao modelo para acoplar a previsão e a quantificação de incerteza de forma mais estreita do que os métodos existentes.