Combiner des prévisions à poids égaux : le choix de TW3Cast pour ses mélanges de quantiles

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 27 octobre 2026.

En bref

Donner la même importance à plusieurs prévisions évite d’ajouter des réglages incertains au moment de les combiner. C’est le choix décrit par TW3 Partners dans TW3Cast, prépublication déposée sur arXiv le 16 septembre 2026. Les auteurs recensent 54 mélanges de prévisions, dont 42 réunissent des modèles de familles différentes. Le choix des modèles repose sur une évaluation à partir de données passées. L’étude de Claeskens et ses coauteurs, publiée en 2016 dans l’International Journal of Forecasting, explique pourquoi calculer l’importance à donner à chaque prévision peut ajouter des erreurs à leur combinaison. Elle porte sur des prévisions donnant une valeur unique ; la qualité des prévisions de TW3Cast demande une évaluation distincte.

1. Que combine-t-on dans un mélange de prévisions ?

Une combinaison de prévisions désigne un calcul qui réunit les sorties de plusieurs modèles pour produire une sortie commune. Dans la recette de TW3Cast, ces sorties sont des tableaux de quantiles. Le fichier predict.py de TW3 Partners, dans la révision du 21 septembre 2026, précise leur forme : (n_windows, 9, horizon).

Le premier axe correspond aux fenêtres de prévision, le deuxième aux neuf niveaux de quantile, de 0,1 à 0,9, et le dernier aux échéances futures. Pour additionner les tableaux, chaque emplacement doit donc représenter la même fenêtre, le même niveau et la même échéance chez tous les membres. Cette correspondance donne son sens au calcul.

Le programme prépare une liste commune de contextes et un horizon pour la configuration demandée. Les fonctions qui interrogent Chronos et TiRex transposent ensuite leurs sorties pour placer les quantiles sur l’axe attendu. Les modèles peuvent ainsi emprunter des chemins de calcul différents tout en livrant une forme compatible avec la combinaison.

La fusion de paramètres intervient ailleurs dans le code, lors du chargement de certains adaptateurs. La moyenne étudiée ici porte sur les prévisions produites après ce chargement. Pour l’équipe qui intègre la recette, nous recommandons de vérifier l’ordre des fenêtres autant que les dimensions des tableaux : deux sorties de même taille doivent aussi désigner les mêmes observations.

2. Pourquoi des poids estimés peuvent-ils dégrader une combinaison ?

L’estimation des poids ajoute une incertitude à celle des prévisions elles-mêmes. Dans The forecast combination puzzle: A simple theoretical explanation, publié en 2016, Gerda Claeskens, Jan Magnus, Andrey Vasnev et Wendun Wang étudient cette différence entre coefficients connus et coefficients estimés.

Le point de départ est une combinaison linéaire de prévisions ponctuelles supposées sans biais, dont les poids ont une somme égale à un. Dans ce cadre, si leurs variances et leurs covariances sont connues, on peut rechercher les coefficients qui minimisent l’erreur quadratique moyenne. La variance décrit la dispersion ; la covariance renseigne sur la manière dont les prévisions varient ensemble. En pratique, ces quantités doivent elles-mêmes être estimées à partir des données disponibles.

Les poids deviennent alors variables d’un échantillon à l’autre. Les traiter comme des constantes au moment de calculer la qualité de la combinaison fait disparaître une partie de l’incertitude. Les auteurs intègrent cette estimation dans leur analyse : une dépendance entre les poids et les prévisions peut créer du biais, même lorsque les prévisions individuelles sont sans biais.

Ils examinent aussi le cas où les poids sont indépendants des prévisions. Sous leurs hypothèses, la combinaison reste alors sans biais, mais sa variance comporte un terme supplémentaire. Plus généralement, l’effet dépend des relations entre les poids et les prévisions ; une augmentation de variance n’est pas systématique dans tous les cas étudiés.

La moyenne simple évite cette estimation des coefficients. C’est l’argument repris par TW3 Partners dans TW3Cast, le 16 septembre 2026, pour concentrer la sélection sur les membres du mélange. La portée théorique reste celle du biais, de la variance et de l’erreur quadratique de prévisions ponctuelles.

3. Que reste-t-il à sélectionner quand les poids sont égaux ?

L’équipe doit encore choisir quels modèles participeront au mélange pour chaque configuration. Dans la prépublication TW3Cast de TW3 Partners, déposée sur arXiv le 16 septembre 2026, une configuration associe un jeu de données, une fréquence et une classe d’horizon. Le choix des membres s’appuie sur un backtest, c’est-à-dire une évaluation sur des fenêtres historiques découpées dans la période d’entraînement.

Dans chaque mélange, la règle est 1/k, où k désigne le nombre de membres. Les coefficients ont une somme égale à un. Un mélange peut réunir des modèles de base et des spécialistes adaptés aux données. Le choix des membres reste donc soumis à l’évaluation sur le backtest.

Le protocole publié prévoit aussi un repli vers le mélange des deux plus grandes architectures du groupe de candidats lorsque son écart au gagnant est inférieur à 5 %. L’annexe attribue le choix de ce seuil au méta-backtest temporel, qui évalue les règles de sélection sur des fenêtres plus récentes que celles utilisées pour choisir. Il s’agit d’une constante de ce protocole, liée à l’incertitude d’une victoire étroite.

Ces décisions sont prises avant de figer la table. Le détail de cette sélection fait l’objet de la fiche Choisir un modèle de prévision sans regarder les données de test : le backtest découpé dans la période d’entraînement.

4. Comment la table publiée matérialise-t-elle ces poids ?

La table associe chaque configuration à ses membres et à leurs coefficients. Les lignes ci-dessous proviennent du fichier router.csv de TW3 Partners, révision du 21 septembre 2026. Les fractions expriment la règle de contribution égale ; les tiers sont enregistrés sous forme décimale dans le fichier.

L’index experts.json de cette révision rattache E09 à Toto et E12 à TiRex. Le fichier base_models.json identifie les modèles de base et décrit TurkForecast comme un adaptateur LoRA de Chronos-2, fusionné avec ce modèle au chargement.

Ces lignes montrent pourquoi il faut distinguer le nombre de membres du nombre de familles. La configuration ett1/15T/long réunit quatre membres issus de trois familles. Celle d’ett1/H/long combine un spécialiste et les deux versions de TiRex au sein d’une même famille.

Pour une revue technique, lisez ensemble la configuration, les identifiants et les coefficients. Les identifiants rendent la composition vérifiable ; la mesure de complémentarité demanderait de comparer les erreurs des membres sur les mêmes fenêtres. Le tableau décrit les mélanges effectivement retenus.

5. Comment passe-t-on des quantiles individuels à la sortie combinée ?

Le programme additionne les sorties pondérées, puis trie le résultat selon l’axe des quantiles. Dans la fonction principale de predict.py, révision TW3 Partners du 21 septembre 2026, il commence par filtrer les lignes de la table qui correspondent à la configuration demandée.

Pour chaque ligne, il obtient la prévision du membre et la multiplie par le coefficient enregistré. La première contribution initialise le tableau commun ; les suivantes s’y ajoutent. À chaque emplacement, le calcul porte ainsi sur des valeurs associées au même niveau de quantile. Les membres retenus doivent tous fournir leur sortie pour que cette recette puisse composer le mélange.

Une fois l’accumulation terminée, le tri agit séparément pour chaque fenêtre et chaque échéance. Il place les valeurs dans l’ordre croissant le long de l’axe des quantiles. Le programme convertit ensuite le tableau et l’enregistre. Cette description résulte de la lecture du code public ; aucun modèle n’a été exécuté pour cet article.

Le tri contrôle l’ordre des valeurs produites. Nous recommandons de vérifier séparément la calibration en confrontant les prévisions aux observations, et de conserver cette évaluation dans la validation de la sortie combinée. La fiche Précision ou calibration : ce que révèle l’écart entre les deux rangs de TW3Cast constitue le renvoi consacré à cette question.

6. Quelles conclusions cette recette permet-elle de tirer ?

La prépublication documente une règle de combinaison et son application à une table de routage. Les comparaisons de TW3Cast, prépublication de TW3 Partners déposée sur arXiv le 16 septembre 2026, portent sur les modèles de base, le tournoi utilisé pour toutes les configurations et le système complet. Aucun gain propre aux poids égaux n’est mesuré par une comparaison à membres constants avec des poids appris.

Pour évaluer ce choix dans un autre périmètre, notre recommandation est de conserver les mêmes membres et les mêmes fenêtres d’évaluation. Les coefficients appris seraient estimés en amont, sur un historique distinct de celui utilisé pour comparer les sorties. L’équipe pourrait alors examiner la précision et la qualité probabiliste des pondérations dans des conditions communes. Cette proposition de méthode permettrait d’isoler la décision sur les coefficients ; elle reste à expérimenter sur les données concernées.

La vérification des résultats publiés suit, elle, un autre chemin. Le README de TW3 Partners, révision du 21 septembre 2026, indique que le recalcul depuis les modèles peut différer des sorties soumises à cause des variantes de contexte utilisées. La vérification exacte passe par les quantiles archivés, réévalués avec l’outil officiel du benchmark. Ce périmètre est celui de la fiche Publier un code de reproduction : ce que nos dépôts permettent de vérifier.

FAQ

Des poids égaux signifient-ils que tous les modèles se valent ?
Les coefficients expriment une règle de combinaison. Selon TW3 Partners dans TW3Cast, le 16 septembre 2026, la sélection porte sur les membres de mélanges à poids égaux. Leur présence dans un même mélange renseigne sur cette sélection, sans établir une égalité de performances individuelles.

Les poids de TW3Cast changent-ils à chaque prévision ?
La table de routage est figée après sélection, selon TW3 Partners dans TW3Cast, le 16 septembre 2026. Des garde-fous distincts peuvent modifier le modèle utilisé sur certaines fenêtres de prévision. Le renvoi vers la fiche consacrée à la table de routage figure ci-dessous.

Peut-on combiner plusieurs architectures ?
TW3Cast le fait dans les mélanges recensés par TW3 Partners dans sa prépublication déposée sur arXiv le 16 septembre 2026. La table montre aussi des combinaisons au sein d’une même famille. Pour juger l’intérêt de la diversité, comparez leurs sorties sur les mêmes fenêtres et selon un critère commun.

Le tri des quantiles suffit-il à assurer leur calibration ?
Le tri assure un ordre croissant dans le tableau produit par predict.py de TW3 Partners, révision du 21 septembre 2026. Évaluez séparément la calibration en confrontant les prévisions aux observations. L’étape de tri agit uniquement sur les valeurs prédites.

Une moyenne simple bat-elle toujours une pondération apprise ?
Cela dépend des prévisions et de la manière d’estimer les poids. L’analyse de Claeskens et ses coauteurs, publiée en 2016 dans l’International Journal of Forecasting, explique pourquoi l’incertitude de cette estimation peut pénaliser la combinaison. Il est utile d’en tenir compte dans la comparaison des méthodes.

Peut-on attribuer le classement de TW3Cast aux poids égaux ?
L’attribution demanderait une comparaison qui isole cette décision. Les résultats de TW3 Partners dans TW3Cast, prépublication déposée sur arXiv le 16 septembre 2026, évaluent des ensembles de choix, dont la préparation des données, la spécialisation et la sélection. Ils permettent de situer le système complet dans le périmètre de son évaluation.

Pour aller plus loin

• Maintenir un système de prévision par petites mises à jour vérifiées : une table de routage auditable ligne par ligne
• Choisir un modèle de prévision sans regarder les données de test : le backtest découpé dans la période d’entraînement
• Précision ou calibration : ce que révèle l’écart entre les deux rangs de TW3Cast
• Contexte et horizon de prévision : ce que change la recette d’inférence de TW3Cast

Sources

• TW3 Partners, Nathan Thierry et André-Louis Rochet, TW3Cast, prépublication déposée sur arXiv le 16 septembre 2026, consulté le 9 octobre 2026.
• Gerda Claeskens, Jan R. Magnus, Andrey L. Vasnev et Wendun Wang, The forecast combination puzzle: A simple theoretical explanation, International Journal of Forecasting, 2016, consulté le 9 octobre 2026.
• TW3 Partners, predict.py, révision du 21 septembre 2026, consulté le 9 octobre 2026.
• TW3 Partners, router.csv, même révision, consulté le 9 octobre 2026.
• TW3 Partners, experts.json, même révision, consulté le 9 octobre 2026.
• TW3 Partners, base_models.json, même révision, consulté le 9 octobre 2026.
• TW3 Partners, README, même révision, consulté le 9 octobre 2026.