SAGA: Последовательно-адаптивная генеративная архитектура для многогоризонтного вероятностного прогнозирования с адаптивным темпоральным конформным прогнозированием

Аннотация

Микромодели, используемые министерствами финансов и центральными банками, опираются на параметрические процессы для моделирования пожизненных доходов, которые учитывают лишь первые и вторые моменты условного распределения и упускают долгосрочную нелинейную структуру. Мы предлагаем SAGA — трансформер с декодером для нерегулярных табличных панельных последовательностей, дополненный обёрткой калибровки раздельного конформного предсказания, которая обеспечивает индивидуальные интервалы прогноза с гарантиями маргинального покрытия для конечной выборки. Модель обучена на продольном шведском регистре LISA за период с 1990 по 2022 год, включающем 2 143 817 человек и 61 284 903 человеко-года. Она прогнозирует ежегодные доходы от труда на горизонте от одного до тридцати лет и агрегирует их методом Монте-Карло в распределение текущей дисконтированной стоимости пожизненных доходов. По сравнению с каноническим параметрическим процессом Гювенена, Карахана, Озкана и Сонга, а также табличными и рекуррентными базовыми моделями, SAGA снижает непрерывный рейтинговый вероятностный показатель на 31,9 % на десятилетнем горизонте и среднюю абсолютную ошибку на 37,7 % на двадцатилетнем горизонте. Конформные интервалы достигают номинального покрытия с отклонением до 0,4 процентного пункта маргинально и до 2,4 процентного пункта для наихудшей демографической подгруппы. Восстановленный коэффициент Джини пожизненных доходов составляет 0,327 против частично наблюдаемой истины 0,341 и оценки GKOS 0,378. Веса модели, калибровочные таблицы и синтетический эквивалентный набор данных публикуются для воспроизведения результатов за пределами защищённой среды SCB MONA.

English

Microsimulation models used by ministries of finance and central banks rely on parametric processes for lifetime earnings that capture only first and second moments of the conditional distribution and miss long-range nonlinear structure. We propose SAGA, a decoder-only transformer for irregular tabular panel sequences, paired with a split conformal calibration wrapper that delivers individual-level prediction intervals with finite-sample marginal coverage guarantees. Trained on the longitudinal Swedish LISA register over 1990 to 2022, comprising 2,143,817 individuals and 61,284,903 person-years, the model forecasts annual labor earnings at horizons of one to thirty years and aggregates them by Monte Carlo into present-discounted lifetime earnings distributions. Against the canonical Guvenen, Karahan, Ozkan, and Song parametric process and tabular and recurrent baselines, SAGA reduces continuous ranked probability score by 31.9 percent at the ten-year horizon and mean absolute error by 37.7 percent at the twenty-year horizon. Conformal intervals achieve nominal coverage to within 0.4 percentage points marginally and within 2.4 percentage points on the worst-case demographic subgroup. The reconstructed lifetime earnings Gini coefficient is 0.327 against the partially observed truth of 0.341 and the GKOS estimate of 0.378. Model weights, calibration tables, and a synthetic equivalent dataset are released for replication outside the protected SCB MONA environment.