Conformal Prediction Intervals with Tail-Specific Guarantees

技术摘要：具有特定尾部保证的符合预测区间

问题陈述
经典的符合预测（Conformal Prediction, CP）框架提供具有保证边际覆盖率（即真实响应落在区间内的概率至少为 $1-\alpha$）的预测区间。然而，这种全局保证对预测分布的上尾和下尾的处理是对称的。在许多现实世界的决策场景中——例如金融投资组合管理（其中下行风险比上行潜力更为关键）或临床监测（其中特定的阈值会触发截然不同的行动）——两个尾部的误差后果是不对称的。标准的 CP 方法无法对单个尾部概率进行显式控制，这可能导致在最受关注的尾部出现系统性的覆盖不足，而在另一侧则出现过度覆盖。

方法论
作者提出了一个框架，用于构建既能满足全局边际覆盖，又能满足显式校准的特定尾部覆盖保证的预测区间。该方法基于拆分符合预测（Split Conformal Prediction），并将其扩展到非可交换数据上的自适应符合推断（Adaptive Conformal Inference, ACI）和动态调优自适应符合推断（DtACI）。

核心流程包含两步构建法：

1. 单侧区间： 作者构建了独立的下界区间（$[L, +\infty)$）和上界区间（$(-\infty, U]$）。这是通过定义特定的单侧符合得分来实现的。值得注意的是，他们引入了一个符号分位数得分（$s_{q\text{-sgn}}$），该得分保留了相对于估计分位数的残差符号，这与标准分位数回归符合预测（CQR）中使用的截断得分形成对比。
2. 交集： 最终的两侧预测区间是通过交集两个独立校准的单侧区间得到的：$C_{n+1}^\cap = [L_{n+1}, U_{n+1}]$。

对于非可交换数据（例如具有时间依赖性或分布偏移的时间序列），该框架通过在线学习递归（ACI）或使用指数加权集成学习器（DtACI）来独立调整下尾和上尾的误覆盖水平（$\alpha^-$ 和 $\alpha^+$）。这使得该方法即使在非平稳情况下，也能分别追踪每个尾部的目标违规率。

核心贡献
论文概述了四个主要贡献：

• C1（特定尾部有效性）： 引入了一种更强的边际有效性概念，它将总误覆盖 $\alpha$ 分解为用户定义的定向组成部分（$\alpha^-$ 和 $\alpha^+$），允许从业者为特定尾部分配更严格的覆盖要求。
• C2（理论保证）： 在可交换性假设下，证明了有限样本下的特定尾部及全局边际覆盖保证。此外，还建立了非可交换数据在 ACI 和 DtACI 下的渐近保证和短期遗憾界限（regret bounds）。
• C3（经验性能）： 通过模拟研究证明，所提方法相比于经典的二侧 CP 区间，实现了改进的方向性校准，尤其是在偏态和重尾分布中。研究强调，符号分位数得分避免了在强偏态情况下截断得分所表现出的极端过度覆盖问题。
• C4（金融应用）： 将该框架应用于金融收益率预测，特别是风险价值（VaR）估计。该方法提供了一种无分布假设且理论有效的途径，用于控制下行风险（左尾），同时刻画上行潜力。

结果

• 模拟： 在涉及偏态 Student-t 分布（包括 IID 和 AR(1) 模型）的场景中，标准的二侧 CP 区间和基准模型表现出明显的下尾覆盖不足以及极端的上尾过度覆盖（高达 100%）。所提交集方法成功地为两个尾部分别恢复了目标覆盖水平，尽管由于概率边界之间存在非消失的间隙，导致区间宽度略有增加（效率损失）。
• 金融应用： 应用于具有不同风险特征的 ETF（SPY, TQQQ, XLE），基于 DtACI 的尾部校准区间在不同市场机制下均维持了目标下尾覆盖（VaR）。相比之下，经典的二侧 CP 区间和基于参数化 GARCH 的 VaR 预测系统性地低估了左尾风险，未能提供监管和管理所需的严格风险控制。

意义与主张
论文声称其框架解决了不确定性量化中的一个关键空白：即标准 CP 无法处理预测误差的不对称后果。通过解耦两个尾部的校准，该方法为风险管理提供了一个鲁棒工具，在这些场景中，特定的方向性保证至关重要。作者强调，其方法在不依赖强分布假设的情况下，为可交换数据提供了有限样本保证，并为非可交换数据提供了带有遗憾界的渐近保证。这项工作将自己定位为金融和医学等领域的实用解决方案，在这些领域，“一刀切”的覆盖率不足以应对不对称风险下的决策需求。