多重分布偏移下可靠经济预测区间的动态机制感知共形校准

# 多重分布偏移下可靠经济预测区间的动态机制感知保形校准  
来源：https://arxiv.org/html/2608.17079  
Bogdan Oancea  
附属机构：布加勒斯特大学，罗马尼亚；国家生物科学研发研究所  
联系邮箱：bogdan\.oancea@faa\.unibuc\.ro, bogdan\.oancea@incdsb\.ro  

###### 摘要  
保形预测提供无分布预测区间，但依赖于可交换性假设，而该假设在经济预测中常失效——协变量偏移、概念漂移、局部异质性和潜在机制可能**同时**作用。现有自适应扩展方法多针对单一偏差提出。我们提出**动态机制感知保形预测**（DRACP），将密度比加权、局部核加权、概率机制感知加权及自调谐在线显著性控制器整合于单个加权保形校准步骤中。理论结果基于刻意区分的不同假设：在预言重要性权重下有限样本有效性成立，但不可直接推广至估计的复合权重；覆盖差距界以有效样本量（而非名义样本量）明确量化了权重估计导致的覆盖退化率；控制器保证在单学习率为确定性，多学习率默认设置下则退化为遗憾界。实证中，我们在48组真实预测序列上对比六种基线方法，涵盖欧元区与欧盟27国HICP通胀率、美国宏观经济与能源指标及每日金融时间序列。三种近期在线程序——FACI、强自适应在线保形预测与保形PID——经原作者参考实现验证，其中强自适应方法匹配至机器精度。与忠实基线相比，DRACP**未**达到最优区间分数：强自适应在线保形预测排名第一（平均秩2.17，DRACP为3.15），且区间窄约五分之一。但DRACP实现了**校准可靠性**：其面板覆盖最接近名义值（0.890对名义值0.900）；仅有的两种在任何序列中覆盖率不低于0.800的方法之一；在各预测窗口期保持最佳覆盖率且优势随窗口延长扩大；并在2021-23年通胀激增期保持最高覆盖率。强自适应方法通过系统性地压缩区间获得效率，其在48组序列中有20组出现覆盖不足，DRACP则为10组。因此本研究呈现**权衡**而非**主导**结果：DRACP以更宽区间换取可靠覆盖——当发布区间需声明覆盖标准时，此工作点具有实际意义。真实面板的组件消融实验同样坦诚：条件尺度归一化与在线控制器各贡献约12%的区间分数，四种加权机制合计仅贡献约6%，故复合加权是三个组件中贡献最小的部分。  

关键词：保形预测；分布偏移；区间预测；不确定性量化；在线校准；宏观经济预测  
JEL分类：C53；C22；C58；E37  

亮点：  
- •DRACP在单一框架内统一协变量、局部、机制与自调谐在线自适应  
- •基于有效样本量的覆盖差距界；假设分离的理论保证  
- •在经过参考验证的基线中，区间分数排名第三而非第一  
- •在各预测窗口期及2021-23年通胀激增期保持最接近名义值的覆盖率  
- •条件尺度与控制器主导消融实验；加权贡献最小  

## 1 引言  
区间预测支撑宏观经济与金融决策，但其可靠性取决于变化环境下的预测不确定性校准。保形预测<sup>[33,24]</sup>将任意点预测器转换为有限样本有效的预测区间，其唯一假设为可交换性。在序列经济场景中该假设常被违反：协变量分布漂移、条件响应机制在结构断点处突变、波动率聚集，且序列在潜在机制（如扩张与衰退）间转换。现有大量文献放松可交换性假设，但几乎每次仅针对单一机制。加权保形预测通过似然比权重纠正协变量偏移<sup>[32]</sup>；局部保形方法通过降权远距校准点恢复条件有效性<sup>[19,14]</sup>；在线程序——自适应保形推断<sup>[16]</sup>、完全自适应<sup>[37]</sup>与强自适应<sup>[9]</sup>变体及保形PID控制<sup>[3,17]</sup>——根据实现覆盖率反馈调整名义水平。然而真实经济序列很少呈现孤立偏差：电力需求同时展现季节性协变量偏移、天气驱动的突变、时变波动和周期性机制。针对单一机制设计的方法无法纠正另一机制，且其引入的估计误差相互作用。  

我们提出**动态机制感知保形预测**（DRACP），通过单个加权保形校准步骤整合四种自适应机制：用于协变量偏移的密度比加权、用于局部异质性的核加权、用于潜在结构的概率机制相似性加权，以及失准覆盖率的在线自适应。该方法在第3节阐述，第4节建立基于预言权重的有限样本覆盖率、将覆盖误差分解为可解释扰动项的鲁棒界，以及在线控制器的长期覆盖性质。第5-6节呈现以经济预测为中心的可复现评估，将DRACP与六种基线——分割、滚动、自适应保形预测及近期FACI、SAOCP与保形PID在线程序——在48组真实序列上对比。三种近期程序按其发布算法实现，并经原作者参考代码验证，我们视此为有效比较的前提。评估返回权衡而非主导结果，且我们认为权衡是更具价值的发现。DRACP未产生最尖锐的区间，强自适应在线程序做到了这一点；DRACP产生的是**最可靠覆盖率**：面板中接近名义值、跨预测窗口期、跨五种点预测器、穿越2021-23年通胀激增期稳定，且从未在任何序列上崩溃——这是更尖锐方法偶尔出现的问题。尖锐性与有效性存在权衡；两种工作点适用于不同场景，第7节阐明适用条件。真实面板（而非仅合成场景）的组件消融定位了可靠性的来源，答案对复合加权而言并不完全有利。  

## 2 相关工作  
我们按各类方法构建预测区间的方式组织文献，这使与DRACP的关系更明确。其中，\(\widehat{\mu}\)为基于训练块拟合的点预测器，\(S_i\)表示大小为\(m\)的校准集上的保形分数，目标水平为\(1-\alpha\)。  

### 2.1 分割保形预测及其保证  
分割保形预测<sup>[27,24,33]</sup>在校准集计算分数\(S_i=\|Y_i-\widehat{\mu}(X_i)\|\)，并取经验分位数\(q^{\mathrm{split}}=S_{\lceil(m+1)(1-\alpha)\rceil}\)，构建区间\(C(x)=\big[\widehat{\mu}(x)-q^{\mathrm{split}},\ \widehat{\mu}(x)+q^{\mathrm{split}}\big]\)，在测试点与校准点可交换时满足\(\mathbb{P}\{Y\in C(X)\}\geq 1-\alpha\)。该保证是有限样本、无分布且模型无关的，解释了该方法的吸引力；详见教程<sup>[31]</sup>与近期综述<sup>[4,13]</sup>。其弱点同样明显：公式(1)对每个校准点等权重处理，因此任何可交换性偏离直接转化为覆盖误差。此外，在无额外假设下有限样本中精确**条件**覆盖无法实现<sup>[14]</sup>，这推动了以下近似加权构造。  

### 2.2 分布偏移的重加权  
当协变量偏移发生（测试协变量来自\(\widetilde{P}_X\)而非\(P_X\)），通过似然比\(r(x)=\mathrm{d}\widetilde{P}_X/\mathrm{d}P_X(x)\)对每个校准点加权可恢复有效性<sup>[32]</sup>：  
\[q^{\mathrm{w}}=\inf\Big\{s:\ \sum_{i=1}^{m}\bar{w}_i\,\mathbb{1}\{S_i\leq s\}+\bar{w}_{m+1}\ \geq\ 1-\alpha\Big\},\qquad\bar{w}_i=\frac{r(X_i)}{\sum_{j}r(X_j)+r(X_{m+1})},\]  
其中测试点的原子\(\bar{w}_{m+1}\)使已知\(r\)时构造精确。类似修正存在于标签偏移<sup>[28]</sup>，文献<sup>[6]</sup>将此推广至任意非可交换数据，通过校准与测试分布间的加权总变差距离界定覆盖差距。实践中\(r\)必须估计，因此保证随估计误差退化——该术语明确出现在我们定理1中。关键是公式(2)仅纠正协变量边缘：无法修复条件分布\(P_{Y|X}\)的变化。  

### 2.3 局部化与条件异质性  
互补研究通过根据查询点近度加权校准点寻求近似条件有效性，将公式(2)中的\(r(X_i)\)替换为核函数：  
\[w^{\mathrm{loc}}_i(x)=K_{h}\big(\|X_i-x\|\big),\]  
如局部保形预测<sup>[19]</sup>。保形分位回归<sup>[30]</sup>与归一化分数<sup>[20]</sup>通过分数而非权重实现相同目标，通过条件分位数或尺度估计校准残差。局部化以偏差换方差：小带宽\(h\)能尖锐适应但缩小有效样本量\(\mathrm{ESS}=\big(\sum_{i}w_i\big)^{2}/\sum_{i}w_i^{2}\)，使分位数不稳定。DRACP继承公式(3)但在明确\(\mathrm{ESS}\)下限约束下自适应选择\(h\)。  

### 2.4 显著性水平的在线自适应  
对于序列演化分布，自适应保形推断（ACI）<sup>[16,17]</sup>保持校准权重不变，转而根据实现覆盖率驱动**名义水平**：  
\[\alpha_{t+1}=\alpha_{t}+\gamma\big(\alpha-\mathbb{1}\{Y_{t}\notin C_{t}\}\big),\]  
对任意数据序列强制长期经验失准率为\(\alpha\)。由于单一步长\(\gamma\)控制响应-稳定性权衡，完全自适应保形推断（FACI）<sup>[17,37]</sup>运行一组不同速率\(\{\gamma_{k}\}\)的ACI专家，通过指数加权聚合其水平：  
\[\alpha_{t}=\sum_{k}p_{k,t}\,\alpha^{(k)}_{t},\qquad p_{k,t+1}\propto p_{k,t}\exp\!\big(-\zeta\,\ell_{k,t}\big),\]  
其中\(\ell_{k,t}\)为专家\(k\)的分位数损失。强自适应在线保形预测（SAOCP）<sup>[9]</sup>则维护几何增长寿命的专家以在每个子区间获得遗憾保证，保形PID控制<sup>[3,17]</sup>在公式(4)的比例项中加入积分与微分项：  
\[r_{t+1}=r^{\mathrm{base}}_{t+1}+k_{P}e_{t}+k_{I}\textstyle\sum_{s\leq t}e_{s}+k_{D}\big(e_{t}-e_{t-1}\big),\qquad e_{t}=\mathbb{1}\{Y_{t}\notin C_{t}\}-\alpha,\]  
直接作用于区间半径。文献<sup>[23]</sup>分析了相同更新的衰减步长。并行研究针对依赖数据构建区间本身：Jackknife+<sup>[37]</sup>用留一集成替代单次校准划分，在无数据划分下提供覆盖保证；集成批量预测区间与序列预测保形推断<sup>[35,36]</sup>、时间分位数调整<sup>[25]</sup>及基于现代Hopfield网络的检索方案<sup>[5]</sup>。近期工作将这些思想扩展至显式变化点、基础模型预测器及无标签偏移下的最优传输修正。  

### 2.5 区间评分与经济学中的保形方法  
我们使用区间（Winkler）分数<sup>[34]</sup>评估，这是中央预测区间的严格恰当评分规则<sup>[18]</sup>，同时惩罚宽度与失准——适用于方法在两者均不同的场景。保形预测已开始出现在经济与能源应用中，特别是日前与日内电价区间<sup>[22]</sup>，但尚未有系统性比较覆盖广泛……