这些年，我们的数据越来越多，模型越来越复杂，从ARIMA到LSTM再到Transformer，但时间序列策略的“半衰期”似乎越来越短。回测结果往往亮眼，实盘表现却归于平庸。
为什么我们拟合历史的能力在增强，而面对未来的能力却在减弱？问题或许不在模型本身的复杂度上，而在于我们追求的目标。一味追求精确的“点预测”，可能从一开始就是一条走不远的道路。
点预测：被高估的确定性
“点预测”是统计学中对未来的一个具体数值判断，比如预测明天股价会涨1.2%，或者波动率是15%。它倾向于把复杂的未来压缩成一个单一数值，从而放弃了所有关于不确定性的信息。与之相对的另一种思路，是给出一个概率分布，例如预测有70%的概率上涨，且涨幅落在0.5%到2%之间。
诺贝尔经济学奖得主罗伯特·莫顿有一个经典论断，揭示了金融市场中可预测性的天然上限：
在信息充分传播的市场中，任何基于公开信息的预测能力都会被套利行为迅速抹平。
金融时间序列的点预测之所以格外困难，首要原因是信噪比极低。 价格波动中充斥着大量噪声，真正的信号往往非常微弱。在某些频率和资产上，可预测的部分可能连1%都不到。如果用一个高维的复杂函数去强行拟合这样一个低信噪比的过程，模型很容易在训练集上“学会”噪声模式，导致在测试集或实盘中失效。
另一个深层原因在于，我们实际上只有一个历史样本。 物理学实验可以重复进行，但金融历史只有一条已实现的路径。我们无法知道，如果历史重来一次，价格究竟会如何演变。一个在单一路径上表现优异的模型，在另一条可能的世界线中可能一败涂地。正如塔勒布在讨论不确定性时所强调的：
我们只能看到历史展开的一条路径，却无法知道其他可能的路径是什么样的。
从这两个角度来看，执着于追求精确的点预测，本身可能就是一个困难重重甚至方向有偏的目标。那么，我们是否可以换一个思路？
市场底层逻辑：非平稳与自我衰变
如果点预测这条路不好走，理解市场的底层特征或许能给我们新的启示。
许多教科书会告诉你，建模前要先做差分让序列变得平稳。但如果市场真的是完全平稳的，收益率序列就会接近白噪声，许多交易机会也就随之消失了。实际上，趋势、机制切换、波动率聚集等现象，恰恰是策略收益的重要来源，而它们本质上都是非平稳性的体现。如果强行将序列平稳化，很可能把最有价值的信息一并过滤掉。
MIT金融学教授罗闻全提出的“适应性市场假说”提供了一个生动的类比。他将市场比作一个生态系统，各种交易策略就像是其中的物种，在环境中繁衍、竞争、优胜劣汰。当一个策略被广泛复制和使用时，它会逐渐耗尽自己的“生存空间”——市场这个生态系统已经进化到不再适合它了。可以说，每个策略都有其有限的“半衰期”。
在一个本质非平稳且会自我调整的环境中，我们或许不再需要那个“更准”的点预测数字，而是需要一种能够感知并量化自身不确定性的概率预测，学会判断自己的预测在什么时候可能“不准”。
从信号到策略：量化不确定性的路径
面对点预测的困境，将不确定性进行量化是一条值得探索的路径。
1. 用不确定性来过滤信号
震荡市中模型信号反复被打脸，是很多趋势策略的痛点。传统模型总是输出一个方向信号，但无法告诉你这个信号有多可靠。一个实用的方法是使用模型集合，例如用不同的随机种子初始化训练多个结构相同的模型。当这些模型对当前市场状态的意见高度一致时（比如绝大部分都看多），信号相对可信；当它们分歧巨大时，无论平均信号看起来多强，都应该保持谨慎。
这里需要区分两种不确定性：认知不确定性和偶然不确定性。
- 认知不确定性源于模型自身的知识盲区，即它“没见过”这种市场状态。这时或许应该减仓观望。
- 偶然不确定性则源于市场本身的固有噪音，在趋势策略中，高波动有时反而意味着机会。
我们可以用模型集合预测结果的标准差来近似认知不确定性，用单个模型内部的预测方差来近似偶然不确定性。
2. 用分布来管理仓位
对于低频CTA策略，真正的趋势机会相对稀缺，月频级别可能只有几十次。在小样本场景下，参数调整极易过拟合。高斯过程回归的输出不是一个点估计，而是一个完整的概率分布，它同时给出预测均值和预测方差，后者直接反映了模型对这次预测的信心程度。
我们可以将凯利公式的一个变体应用于仓位管理：仓位与预测收益成正比，与预测方差成反比。这意味着，当模型自身感到“不确定”时，无论信号强度如何，仓位都会自动降低。模型学会了“主动收手”，而不是硬着头皮执行。 当然，高斯过程的可靠性严重依赖于核函数的选择和超参数的优化，这需要交叉验证或贝叶斯优化等方法来确定，并定期检视其是否仍适应市场结构。
此外，计算效率（可用稀疏近似优化）和资产间时变的相关性结构也是实际应用中需要处理的难点。
3. 用状态切换来识别市场环境
让一个为趋势市设计的模型在震荡市中运行，结果往往不理想。识别市场状态切换至关重要。我们可以使用贝叶斯变点检测方法，实时监控收益率或波动率序列，持续计算“当前发生了状态切换”的后验概率。当这个概率超过某个阈值时，就有统计证据表明市场可能进入了新阶段。
相比于传统的固定滚动窗口方法，变点检测能更精准地识别状态切换的实际发生时点。 基于这个信息，策略可以进行调整，例如从趋势跟踪转为空仓观望，或切换到均值回归模式。当然，也需要关注检测延迟（可结合其他指标双重确认）和过度切换（可设置“冷却期”）的问题。
延伸与落地：概率思维融入实盘
这种概率化的思路不仅适用于生成交易信号，更能贯穿策略的各个环节。
1. 风险管理：从点估计到分布估计
策略能走多远，很大程度上取决于风险管理的精细程度。如何判断当前风险是否可控？
传统做法是计算一个滚动窗口的历史波动率，乘以系数作为风险限额。问题在于，窗口长度选择主观，且过去真的能代表未来吗？用概率预测的思路可以做得更细致。以波动率预测为例，GARCH族模型的价值不仅在于它预测的“数字”，更在于它输出的条件分布。这个分布告诉我们，在当前环境下，未来波动率落在各个区间的概率。实盘中，可以基于此动态调整仓位，例如当预测分布的上四分位数超过阈值时，自动降低杠杆。
相关性估计同理。多资产组合的风险分散效果取决于资产间的相关性，而相关性是时变的。DCC-GARCH这类模型能输出相关系数及其估计误差区间。当误差区间扩大时，表明我们对相关性的判断不可靠，这本身就是一个风控信号，提示应降低组合杠杆或增加现金比例。
尾部风险预测场景更为直接。极值理论不关心“最可能发生的损失”，而是直接对分布尾部进行建模。它可以回答一个更实际的问题：在95%的置信水平下，未来一天的最大可能亏损是多少？这比“预期亏损”的点估计更有操作意义，因为它直接关联到止损线和保证金管理决策。
2. 策略诊断：从直觉判断到统计证据
策略上线后，一个现实问题是：它还能有效多久？
常见做法是观察近期收益曲线，回撤大了就怀疑失效。但这种方法容易误判。有时回撤只是市场环境暂时不利，策略逻辑未变；有时策略已失效，但回撤尚未显化。
引入概率思维，可以采用结构断裂检验来监测因子表现。以因子IC序列为例，CUSUM检验会持续计算一个统计量，当其超过阈值时，意味着IC序列的均值可能发生了结构性变化。输出结果不是“有效或无效”的二元判断，而是“失效的概率有多高”。我们可以将此概率作为调节策略权重的因子，概率越高，分配给该策略的资金越少。
同样可以用于收益归因。利用状态空间模型将策略收益分解为市场暴露、风格暴露和残差Alpha贡献。当残差Alpha的分布发生漂移时，模型会输出结构突变的置信度。这有助于区分“策略逻辑仍在，只是市场不对”和“策略逻辑本身已经失效”，比单纯凭直觉看曲线更可靠。
3. 组合构建：从固定规则到自适应
目标波动率策略是一个典型应用。设定一个目标波动率（如年化15%），每日根据预测波动率调整仓位，使预期波动率等于目标值。这里的核心是波动率预测，应使用GARCH或已实现波动率模型输出的分布，而非一个点估计。当预测波动率高于目标时降仓，低于目标时加仓。该策略历史上表现出更好的风险调整后收益，关键在于利用了波动率的可预测性。
动态再平衡的时机选择也能做得更精细。传统再平衡是固定频率，但不同市场状态下效果差异很大。在趋势市中，过早再平衡会牺牲收益；在震荡市中，不及时再平衡会导致风险偏离。我们可以用时序模型判断当前市场状态，例如用隐马尔可夫模型或变点检测输出“当前处于趋势市”的概率，并据此动态调整再平衡频率。
4. 另类数据处理：从原始信号到结构化特征
另类数据的价值，往往在于从中提取出的稳定结构性特征。以供应链货运数据为例，每周的原始数值噪声很大。利用HP滤波或小波变换可将其分解为趋势项和周期项。趋势项可能对应企业基本面的长期变化，周期项可能反映季节性。这两条新序列的时序特性比原始数据更稳定，更适合作为因子输入。
概率思维也能用于识别领先滞后关系。假设有一条另类数据与某股票收益率序列，你想验证数据是否领先于股价。格兰杰因果检验输出的不是简单的“是或否”，而是统计显著性水平（P值），它告诉我们这个领先关系有多可靠。只有当这个概率超过某个阈值（如95%）时，才将数据纳入预测模型，从而避免将随机相关性误判为因果关系。
在大数据监控场景中，概率方法更为高效。假设需要监控上千只股票的另类数据，人工盯盘不现实。为每个序列建立SARIMA或Prophet基线模型，每日计算“当前观测值偏离基线”的概率。当此概率超过阈值时触发警报，这可能是数据质量问题，也可能是基本面发生了重要变化。这种方法的优势在于，它将“异常”的定义从固定阈值升级为概率判断，更能适应不同序列自身的波动特性。
上述应用的背后逻辑是共通的：努力刻画不确定性的区间，并将这个区间直接映射到仓位、杠杆、频率、阈值等具体的决策变量上。 这套思路的核心，是告诉我们“应该在多大程度上相信自己的判断”。
从预测到感知
如果我们应对市场的方式，与市场的根本属性相悖，那么可能从一开始就走错了方向。
比起寻找一个“永恒有效”的圣杯规律，更重要的是建立一套能够感知规律变化、并随之自适应调整的系统。这套系统意味着几个关键转变：
- 目标层： 从预测价格点位，转向量化不确定性。
- 信号层： 从输出单一数值，转向输出一个概率分布。
- 仓位层： 从固定杠杆，转向基于不确定性动态调整。
- 策略层： 从单一策略永恒运行，转向基于状态识别进行切换。
- 诊断层： 从直觉经验判断，转向用统计证据持续监测状态。
在量化交易中，我们既是市场的观察者，也是参与者。当资金规模尚小时，我们更像是信息的被动接收者。但随着规模增长，交易行为本身就会成为市场演化的一部分。那时，重要的或许不再是预测的绝对精度，而是对自身判断局限性的清醒认知，以及在云栈社区这样的技术交流平台中持续学习和迭代的能力。
概率预测与贝叶斯思维，正是构建这种认知与适应能力的底层工具。它们并非万能，但相比于盲目追求那个永远难以捉摸的“精确点”，这条道路或许更值得深入探索。
正如罗闻全教授的比喻：市场如同生态系统，物种会进化、会灭绝，但生态系统本身持续运转。我们能做的，是学会在这个不断变化的生态中，识别方向、调整姿态、持续进化。
发表于 20 小时前
|
查看: 8|
回复: 0
