Calibration Bets on the Past: Post-Training Quantization for Financial Time-Series Forecasting
Di cosa parla
Si trasformano modelli finanziari addestrati con numeri molto precisi in versioni più snelle per l'uso reale, stimando prima sui dati storici l'intervallo dei valori intermedi del modello (le attivazioni) che poi resta fisso. Lo studio mostra che questa calibrazione conta poco con precisione moderata, ma diventa cruciale con rappresentazioni molto ridotte; un metodo che ignora valori estremi recupera gran parte della perdita e la scelta migliore cambia con le condizioni di mercato.
Cosa permette di osservare
Permette di esplorare se conviene semplificare i numeri dei modelli per risparmiare risorse: quale metodo usare per stimare gli intervalli dalle serie storiche, quanta storia serva per la calibrazione e quando è preferibile mantenere precisione maggiore o ridurre solo parte del modello.
Dalla fonte
Financial forecasting models are typically developed in full precision, yet production deployment often requires low-precision inference to reduce memory and computational cost. Post-training quantization (PTQ) enables such deployment without retraining. However, reliable activation quantization requires calibration: activation ranges are estimated from historical data before deployment and then remain fixed during future inference. The importance of this deployment choice for financial forecasting remains poorly understood. We present a systematic study of activation calibration for PTQ in cross-sectional volatility forecasting on the S&P 500. Our evaluation covers seven representative neural architectures, eight walk-forward test years (2018-2025), and 560 trained models. We find that activation calibration has little effect at 8 bits but becomes the primary determinant of predictive…