技术摘要：Wasserstein 指数平滑

问题陈述

分布时间序列（即观测值为概率分布而非标量值的序列）的分析面临着不同于经典时间序列预测的独特挑战。概率分布的状态空间是无限维的，且缺乏标准运算（如加法和标量乘法）所需的向量空间结构。因此，传统的预测方法论，如自回归（AR）模型和指数平滑（ES），无法直接应用。虽然近期的文献已将自回归框架适配到 Wasserstein 空间（例如 Zhang 等人，2022；Zhu 和 Müller，2023），但与标量设置相比，其方法论工具箱仍显不足。具体而言，在分布数据领域，目前明显缺乏一种简单、稳健且简洁的指数平滑类比方法。

方法论

本文提出了 Wasserstein 指数平滑 (WES)，这是对经典 ES 在 $\mathbb{R}$ 上的 Wasserstein 空间 $W_2(\mathbb{R})$ 中的一种推广。

核心框架

该方法通过将经典 ES 的递归插值从欧几里得空间提升到 Wasserstein 空间，并用 Wasserstein 距离下的测地线插值 (geodesic interpolation) 取代线性插值。

1. 状态空间表示： WES 过程对潜在预测分布 $\mu_t$ 和可观测分布 $\nu_t$ 的演化进行建模。可观测分布是通过将随机推前映射（噪声）应用于前一预测分布而生成的。
2. 递归更新： 预测分布 $\mu_t$ 被更新为连接前一预测分布 $\mu_{t-1}$ 与当前观测值 $\nu_t$ 的 Wasserstein 测地线上的中间点。形式化表达为，对于平滑参数 $\theta \in (0,1)$：
   $$\mu_t = \left( (1-\theta) \cdot \text{Id} + \theta \cdot T_{\mu_{t-1} \to \nu_t} \right) \# \mu_{t-1}$$
   其中 $T_{\mu_{t-1} \to \nu_t}$ 是最优传输映射，$\#$ 表示推前操作（pushforward operation）。
3. 分位数表示： 利用一维域的特性，作者利用了 2-Wasserstein 距离与分位数函数之间的 $L^2$ 距离的等距性（isometry）。这使得复杂的分布递归可以等价地通过分位数函数 $U_t$ 和残差 $F_t$ 来表达：
   $$U_t(q) = U_{t-1}(q) + \theta F_t(q)$$
   其中 $F_t(q) = V_t(q) - U_{t-1}(q)$ 代表分位数残差。这种形式模仿了经典 ES 的误差修正形式。

参数估计

平滑参数 $\theta$ 通过最小化 最小 Wasserstein 预测误差 来进行估计。给定数据序列 $\{\nu_t\}_{t=1}^T$，估计量 $\hat{\theta}_T$ 定义为：
$$\hat{\theta}_T = \arg \min_{\theta \in (0,1)} \frac{1}{T} \sum_{t=0}^{T-1} W_2^2(\mu_t^\theta, \nu_{t+1})$$
由于在一维情况下分位数表示具有易处理性，该最小化过程在计算上是可行的。

主要贡献

1. 方法论扩展： 本文在 Wasserstein 空间内为分布时间序列制定了一种原则性的指数平滑程序，保留了经典 ES 的高简洁性（由单个标量参数控制）。
2. 估计理论： 提出并分析了一种基于最小化 Wasserstein 距离的平滑参数一致估计器。
3. 理论性质： 作者建立了包括以下内容在内的理论结果：
   • Fréchet 均值平稳性： WES 过程在 Fréchet 均值意义上被证明是平稳的。
   • 残差自协方差： 模型-分位数残差的自协方差呈现指数衰减。
   • 一致性： 证明了最小 Wasserstein 估计量是一致的，即随着样本量增加，它会收敛到真实参数。
4. 实证验证： 该方法被应用于两个不同的领域：高频金融收益率和家庭电力需求残差。

结果

模拟研究

使用随机位移（random shift）和随机正弦推前映射（random sine pushforward maps）的模拟表明，最小 Wasserstein 估计量在有限样本中是无偏且稳定的。随着样本量的增加，估计量的变异性降低，且估计值紧密围绕真实平滑参数。

实证应用

作者将 WES 与四种现有的分布时间序列基准模型进行了比较：

• Wasserstein 自回归 (WAR)
• 自回归传输映射 (ATM)
• 分布自回归模型 (ODAM)
• 分布对分布回归 (DoDRM)

金融收益率： 使用全球 10 个主要股指的 5 分钟对数收益率日分布进行测试，WES 在所有 10 个指数中均实现了最低的平均 Wasserstein 预测误差 (MWPE)。在 10 个案例中有 8 个案例，WES 是 90% 模型置信集 (MCS) 的唯一成员，并在大多数 Diebold-Mariano 检验中表现出统计学上的优越性。

电力需求： 使用伦敦 10 个家庭的每日残差需求分布，WES 同样在所有 10 个家庭中实现了最低的 MWPE。它在每个家庭的 90% MCS 中均有体现，而表现最好的基准模型 (WAR) 仅出现在 4 个家庭中。

意义与主张

本文声称，对于分布时间序列，WES 为复杂的自回归公式提供了一个极具吸引力的替代方案，特别是在适应性和简洁性至关重要的应用场景中。这项工作的意义在于：

• 填补空白： 它通过提供一种分布式的指数平滑技术类比，填补了关键的方法论空白。
• 计算效率： 通过利用一维 Wasserstein 几何结构，该方法避免了估计自回归算子或传输映射的计算负担，保持了分析上的可处理性。
• 实证优越性： 结果表明，WES 简洁的递归结构在金融和非金融设置中，往往比更复杂的自回归基准模型具有更高的预测准确性。

作者指出，由于依赖于 Wasserstein 距离与分位数 $L^2$ 距离之间的精确等距性，目前的框架仅限于一维分布。他们承认，将此扩展到多元设置 ($d > 1$) 仍是未来研究中一个非平凡的挑战。