L'article soutient que les indices spectraux, qui mesurent la prévisibilité d'une série temporelle sur la base de son spectre de puissance, sont insuffisants pour déterminer si l'ajout de contexte (tel que des retours plus longs ou des mécanismes de récupération) améliorera la prévision. Étant donné que les indices spectraux sont invariants sous randomisation de phase tandis que la valeur du contexte dépend de structures au-delà du second ordre, ces deux concepts répondent à des questions fondamentalement différentes.
- Les auteurs démontrent un résultat d'impossibilité montrant qu'aucun indice basé sur le spectre ne peut capturer la valeur du contexte, qui repose sur une structure non gaussienne perdue lors de la randomisation de phase.
- Ils introduisent un diagnostic sans étiquette appelé « déficit de couverture » pour mesurer la structure au-delà du spectre en comparant les gains de prédiction analogique à la prédiction linéaire.
- Des expériences sur sept benchmarks montrent que la valeur de la récupération par clé de fenêtre s'effondre entre des paires de substituts ayant des spectres identiques, tandis que les indices spectraux restent inchangés.
- La valeur d'un modèle fondamental se divise en une partie du second ordre survivante et une petite marge au-delà du linéaire qui s'effondre également sous la randomisation de phase.
- Le terme de structure dérivé du diagnostic prédit le signe de la valeur au-delà du spectre là où les indices spectraux échouent à le faire.
Cette contribution fournit une comparaison contrôlée et un outil de diagnostic pour aider les praticiens à prendre des décisions de déploiement concernant l'utilisation du contexte dans la prévision de séries temporelles.