تحويل الاحتمال المتكامل: معايرة التنبؤ التوزيعي

قد يقول التنبؤ النقطي إن عائد الغد المتوقع هو 0.2%. أما التنبؤ التوزيعي فيخصص احتمالات للنطاق الكامل للعوائد، بما في ذلك التحركات المعتادة والأحداث النادرة في الأطراف. لذلك يسأل التقييم عما إذا كان التوزيع الصادر قبل رؤية النتيجة يتوافق مع ما تحقق لاحقاً. يتناول دليل Mincer–Zarnowitz معايرة خطية للتنبؤات النقطية الرقمية، وهي مسألة مختلفة عن فحص التوزيع التنبؤي كاملاً.

يقيس PIT مقدار الاحتمال الذي وضعه التنبؤ عند القيم الأقل من النتيجة الفعلية أو المساوية لها. وهو رتبة احتمالية، لا عائد ولا إشارة تداول ولا مقياس ربح. في التمويل قد يدخل نموذج كثافة العائد في تقدير المخاطر أو القرارات، لكن PIT يقيّم التوزيعات المتنبأ بها. ويقارن دليل Diebold–Mariano متوسط خسائر التنبؤ وفق درجة مختارة؛ وهو يجيب عن سؤال مختلف عن معايرة الكثافة.

لتكن \(Y_{t+1}\) النتيجة بعد أصل التنبؤ \(t\)، ولتكن \(F_{t+1}(y\mid\mathcal I_t)\) دالة التوزيع التراكمية (CDF) للتنبؤ، المعتمدة حصراً على المعلومات المتاحة عند ذلك الأصل. إذا كان التوزيع مستمراً، فاحسب

Uₜ₊₁ = Fₜ₊₁(Yₜ₊₁ | 𝓘ₜ)

تعطي CDF احتمال القيم الأقل من \(y\) أو المساوية لها. وإذا كانت CDF التنبؤية هي التوزيع الشرطي الحقيقي للنتيجة، فإن مبرهنة تحويل الاحتمال المتكامل تعطي

Pr(Uₜ₊₁ ≤ u | 𝓘ₜ) = u, for 0 ≤ u ≤ 1

إذن تنتج كل توقعات الفترة الواحدة المثالية قيمة PIT منتظمة شرطياً. وفي التنبؤ التسلسلي، إذا تضمنت مجموعة المعلومات الماضي، تكون سلسلة PIT مستقلة أيضاً تحت الشروط المفترضة. يرتبط التحويل بعمل Rosenblatt؛ وقدّم Diebold وGunther وTay إطاراً عملياً لاستخدام سلسلة PIT في تقييم التنبؤات الكثافية (Rosenblatt, 1952; Diebold, Gunther, and Tay, 1998).

لتحقق يدوي، افترض أن التنبؤ عند أصل واحد هو \(N(0,1)\) وأن القيمة المرصودة \(y=1\). تكون PIT هي \(\Phi(1)\approx0.8413\)، أي إن التنبؤ خصص نحو 84.13% لاحتمال القيم التي لا تتجاوز 1. توضح هذه القيمة عملية الحساب فقط؛ ولا يكفي رصد واحد للحكم على المعايرة.

تقفز CDF المتقطعة عند النتائج الممكنة. لذلك لا تأخذ \(F(Y)\) العادية إلا عدداً محدوداً من القيم، ولا تكون منتظمة عموماً حتى عندما يكون التنبؤ صحيحاً. يملأ PIT العشوائي مجال كل قفزة:

Uₜ₊₁ = Fₜ₊₁(Yₜ₊₁⁻ | 𝓘ₜ) + Vₜ₊₁ [Fₜ₊₁(Yₜ₊₁ | 𝓘ₜ) − Fₜ₊₁(Yₜ₊₁⁻ | 𝓘ₜ)]

تشير \(F(y^-)\) إلى النهاية اليسرى، أي احتمال قيمة أصغر من \(y\)، و\(V\) سحب مستقل من \(U(0,1)\) لأغراض التقييم فقط. في التوزيع المستمر تكون القفزة صفراً، فتعود الصيغة إلى \(F(Y)\). يبرهن Brockwell هذا التحويل العشوائي للتوزيعات العامة، بما فيها المتقطعة والمختلطة (2007). وللبيانات العددية المرتبة، يناقش Czado وGneiting وHeld نسخة غير عشوائية ورسوم معايرة هامشية؛ وينبغي تفسير أدوات البيانات المتقطعة وفق دعمها المنفصل، لا بمقارنتها مباشرة بمرجع الاستمرار المنتظم (2009).

افترض توقعاً افتراضياً من برنولي فيه \(P(Y=1)=0.20\) و\(P(Y=0)=0.80\). تكون PIT العادية 0.80 عندما \(Y=0\)، وهو احتمال وقوعه 0.80، وتكون 1.00 عندما \(Y=1\)، باحتمال 0.20. هاتان القيمتان ليستا منتظمتين. بعد العشوائية، يتحول \(Y=0\) إلى \(0.80V\) فيملأ المجال \([0,0.80]\)، ويتحول \(Y=1\) إلى \(0.80+0.20V\) فيملأ \([0.80,1]\). احتمالا المجالين 0.80 و0.20، ولذلك تكون كثافة الاحتمال الإجمالية 1 على المجال كله. السحب العشوائي أداة تقييم وليس جزءاً من التنبؤ الأصلي.

انتظام التوزيع الهامشي لقيم PIT شرط لازم للتنبؤات الكثافية المستمرة المثالية، لكنه غير كافٍ. قد يخفي التجميع أخطاءً متعاكسة: فربما تكون التنبؤات مرتفعة أكثر من اللازم في نظام سوق ومنخفضة في آخر، بينما يبدو المدرج الكلي مسطحاً. ويعرض Gneiting وBalabdaoui وRaftery أمثلة يمكن فيها أن يبدو مدرج PIT منتظماً تقريباً رغم تحيز التنبؤات الفردية (2007).

يهم ترتيب القيم أيضاً. فقد يكون المدرج منتظماً مع وجود اعتماد زمني، مثل تتابع قيم كبيرة أو فترات طويلة من القيم المتقاربة. وتستلزم التنبؤات الشرطية الصحيحة ذات الفترة الواحدة أكثر من الانتظام المجمع إذا احتوت مجموعة المعلومات على الماضي. لكن التنبؤات متعددة الخطوات ذات النوافذ المتداخلة قد تنتج اعتماداً حتى في تقييم سليم؛ لذا يجب أن يراعي المرجع الإحصائي هذا التداخل، ولا يصح افتراض الاستقلال تلقائياً.

افحص توزيع PIT وعلاقته بالزمن والقيم المتأخرة ومتغيرات أصل التنبؤ والأنظمة المحددة مسبقاً. قد تكشف الرسوم أو الاختبارات الشرطية أخطاءً يخفيها التجميع، لكنها تفرض اختيارات وحدوداً في العينات الصغيرة. ولا تثبت مجموعة محدودة من الاختبارات المعايرة بالنسبة إلى كل متغير شرطي ممكن.

يلخص المدرج شكل التوزيع الهامشي بعد تقسيم القيم إلى فئات. وغالباً ما يتوافق شكل U مع تنبؤات شديدة التركّز أو ناقصة التشتت، بينما يتوافق ارتفاع الوسط غالباً مع تنبؤات واسعة أكثر من اللازم. وقد يشير اختلال الجانبين إلى تحيز في الموقع. لكنها مؤشرات استكشافية لا تشخيصات فريدة؛ فالاعتماد أو مزج الأنظمة أو التقطّع أو اختيار الفئات أو قلة البيانات قد ينتج أشكالاً مضللة.

يفقد المدرج ترتيب المشاهدات، فلا يبيّن متى بدأت مشكلة المعايرة أو ما إذا كانت القيم الكبيرة تتكتل أو إن كانت مجموعة فرعية غير معايرة. وقد تجعل الفئات الواسعة والعينة المحدودة الرسم مسطحاً، فيما تظهر ضوضاء العينة عند تضييق الفئات. أبلغ عن عدد التنبؤات وحدود الفئات وعدم اليقين متى أمكن، وافحص الاعتماد الزمني والشرائح الشرطية المحددة مسبقاً. من أمثلة الاختبارات الرسمية إطار Diebold–Gunther–Tay واختبار Berkowitz الذي يحول PIT الداخلية إلى \(Z_t=\Phi^{-1}(U_t)\) ويفحص فرضية الاستقلال والتوزيع الطبيعي المعياري مقابل بديل ديناميكي محدد مثل AR(1). يعتمد الاستنتاج على افتراضات الاختبار؛ فلا الرسم ولا اختبار واحد شهادة عامة (Berkowitz, 2001).

<!-- learn:illustration -->

تفترض نتيجة الانتظام أن CDF التنبؤية هي القانون الشرطي الصحيح. عملياً، تقدّر النماذج المعلمات وتختار شكل التوزيع وقد تضبط المتغيرات أو العتبات. لذلك فإن \(F_{t+1}(\cdot;\hat\theta_t)\) جزء من إجراء تنبؤ، وليست CDF حقيقية معلومة. إن استخدام نتائج فترة التقييم لتقدير المعلمات ثم وصف PIT الناتجة بأنها دليل خارج العينة غير مستخدم سابقاً يسرّب المعلومات إلى الفحص.

في التقييم المتحرك، أنشئ كل تنبؤ بالمعلومات المتاحة عند أصله، وسجل نافذة التقدير وتواتر إعادة التقدير ونسخة البيانات والنموذج وخطوات الاختيار. تغيّر هذه الاختيارات الإجراء محل التقييم. وقد تنشأ تبعية لأن النوافذ المتجاورة تشترك في ملاحظات؛ كما تضيف الآفاق المتداخلة مصدراً آخر للتبعية. ينبغي أن يعيد أي محاكاة أو bootstrap للاختبار عملية التقدير والاختيار والتنبؤ نفسها، لا أن يثبت المعلمات ويتجاهلها.

يتوقف أثر ذلك في حجم الاختبار وقوته على المقدّر والعينة والإجراء. ولا يعالج مدرج PIT عدم اليقين في المعلمات، كما لا يصح افتراض مرجع مستقل ومتماثل التوزيع لكل تصميم مقدّر أو متداخل. عند الحاجة إلى الاستدلال، استخدم اختباراً تلائم افتراضاته التصميم أو أعد إنشاء خط الإنتاج كاملاً بالمحاكاة أو bootstrap. واترك عينة التقييم النهائية خارج اختيار النموذج إذا كان السؤال يتطلب دليلاً حقيقياً خارج العينة.

تتعلق المعايرة بالسلوك المشترك للتنبؤ والنتيجة: هل تقع الأحداث الممنوحة احتمالاً معيناً بالتواتر الموافق، وهل تتفق التوزيعات مع ما رُصد؟ أما تركّز التنبؤ أو حدّته (sharpness) فيصف مدى ضيق التوزيع نفسه من دون النظر إلى النتائج. يوصي Gneiting وBalabdaoui وRaftery بزيادة التركّز بشرط المعايرة، لا بديلاً عنها.

قد يكون التنبؤ الواسع معايراً لكنه قليل المعلومات. وقد يبدو التنبؤ الضيق دقيقاً لكنه ضعيف المعايرة إذا وقعت النتائج خارج كتلته الاحتمالية كثيراً. يركز PIT على اتساق التوزيع مع النتائج، فيما تلخص مقاييس التركّز الانتشار أو عرض الفواصل. وقد يتحسن أحدهما ويتراجع الآخر.

قد تعني المعايرة أيضاً أسئلة مختلفة. يمكن أن يبدو توزيع PIT المجمع منتظماً بينما تبقى أخطاء مشروطة بنظام التقلب أو أفق التنبؤ. إذا كانت هذه الشروط مهمة، فحددها مسبقاً وافحصها. وهذا يختلف عن اختبار Giacomini–White للقدرة التنبؤية الشرطية، الذي يقارن خسائر التنبؤ وفق معلومات مختارة.

يعد PIT أداة تشخيصية أساساً ولا يمنح ترتيباً واحداً للتنبؤات الكثافية. تعطي قواعد التسجيل السليمة مثل الدرجة اللوغاريتمية ودرجة الاحتمال المرتب المستمر (CRPS) خسارة عددية لكل تنبؤ ونتيجة. وتكون الخسارة المتوقعة أقل عند إعلان التوزيع التنبؤي الحقيقي وفق تعريف القاعدة. ويمكن مقارنة النماذج خارج العينة على نتائج مشتركة، لكن متوسطاً مرصوداً واحداً لا يثبت صحة نموذج. يتناول دليل Model Confidence Set مقارنة طرق التنبؤ كمجموعة؛ ولمقارنة الكثافات استخدم درجة سليمة معرفة للتوزيع الكامل.

اذكر الهدف والأفق والتواريخ المشتركة واتفاقية الخسارة والمرجع. تتأثر الدرجة اللوغاريتمية خصوصاً حين يخصص التنبؤ كثافة ضئيلة للغاية للقيمة المرصودة، بينما تقارن CRPS التوزيعات التراكمية بحساسية مختلفة. أبلغ عن عدم يقين فروق الدرجات بما يراعي الاعتماد والتقدير والبحث عن النماذج. استخدم الرسوم مع الدرجات: يكشف التشخيص عيباً توزيعياً وقد تلخص الدرجة الأداء المقارن وفق عقوبة معلنة.

لا تثبت المعايرة أو الدرجة الأفضل ربحية التداول. يتطلب الادعاء المتعلق بالتداول قاعدة قرار وتوقيت معلومات وحجم مركز وتكاليف تنفيذ وتمويل وتقييماً للعوائد خارج العينة. إحصاء تقييم التنبؤ ليس عائد backtest.

ثبّت الهدف والأفق ووقت الأصل ونسخة النتيجة وحدد ما إذا كان التوزيع مستمراً أو متقطعاً أو مختلطاً. احفظ كل CDF تنبؤية أو ما يكفي لإعادة إنشائها، مع النتيجة ومجموعة المعلومات. احسب \(F_t(Y_t)\) للتنبؤ المستمر، واستخدم PIT عشوائياً موثقاً أو تشخيصاً متقطعاً عند وجود قفزات.

بعد ذلك افحص التوزيع الهامشي والترتيب الزمني. اذكر الفئات وحجم العينة ومعالجة التعادلات وبذرة العشوائية أو تكراراتها للتنبؤات المتقطعة. أضف اختبارات الاستقلال أو الشروط التي تجيب عن سؤال محدد مسبقاً، واضبط الاستدلال لتصميم التقدير المتحرك أو التداخل. قارن الطرق أخيراً بقواعد تسجيل سليمة على النتائج المحجوزة نفسها. هذه أدلة عن تنبؤات وشروط محددة، وليست إثباتاً لاستمرار المعايرة أو ربحية استراتيجية.