摘要
金融时间序列在不同时间尺度上，往往会表现出不同甚至相反的规律。例如，一个价差可能在几天内出现明显反转，在数周到数月内延续原有方向，而在更长时间上又重新表现出均值回归。如果只使用一个固定长期均值，或者只加入一个局部动量项，很容易把这些不同尺度的行为混在一起，导致参数不稳定、解释困难，预测结果也会对样本区间非常敏感。
在商品期货跨市场价差的实际研究中，我们观察到了这种现象。基于此，本文提出多期限动量自回归模型（Autoregression with Multi-Horizon Momenta，ARMHM），作为 Duan（2016）局部动量自回归模型的自然扩展。
模型首先使用一个直观的表示方法：分别计算短期、中期和长期指数移动平均（EMA），并用当前值相对于这些移动平均的偏离来描述不同期限上的动量或均值回归。这样做的优点是经济含义清楚：某个期限上的系数为正，表示该期限更偏向动量；系数为负，则表示更偏向均值回归。
实际估计时，不同期限的偏离因子往往高度相关。为改善参数稳定性，本文进一步将这些偏离改写为相邻尺度之间的差，例如“当前值减短期 EMA”“短期 EMA 减中期 EMA”“中期 EMA 减长期 EMA”。这种表示与原模型完全等价，但通常能明显降低因子之间的相关性，也更接近对不同时间尺度进行分解。
在此基础上，本文进一步讨论连续期限模型和频域解释。连续版本不再预先指定有限个期限，而是用一个期限响应函数描述不同时间尺度对未来变化的影响。频域上，EMA 可以看作低通滤波器，当前值与 EMA 的差更接近高通成分，而两个不同 EMA 的差则具有带通特征。因此，多期限动量模型也可以理解为一个对不同频率成分赋予不同反馈方向和强度的动态系统。
这一框架的核心观点是：更有意义的问题不是“这个时间序列究竟是动量还是均值回归”，而是：
在哪些期限上表现为动量，在哪些期限上表现为均值回归？
1. 从局部动量到多期限动量
1.1 动机
把一个时间序列简单归类为“均值回归”或“动量驱动”，往往过于粗糙。以跨市场商品价差为例，令 $y_t$ 表示两个相关市场之间的标准化价差，例如 CME-LME 铜价差。由于两个市场交易的是高度相关的标的，价差通常会受到套利、库存、融资、交割和区域供需等因素约束，但这并不意味着它会围绕一个固定常数波动。实际数据中，我们经常会同时看到：
- 短期剧烈波动倾向于反转；
- 持续数日或数周的方向性运动；
- 相对于缓慢移动的结构水平，长期收敛；
- 长期均值本身在数年内并不恒定。
这些现象放在一起并不矛盾。更自然的解释是：同一个时间序列在不同时间尺度上，由不同的力量主导。因此，本文的核心建模思想是：一个过程可以同时表现出短期均值回归，中期动量，以及长期均值回归。多期限模型的目标，就是在一个简洁的动态系统中表示这些效应。
1.2 Duan 的局部动量自回归模型
Duan（2016）提出局部动量自回归模型（Local Momentum Autoregression, LM-AR），以调和全局均值回归与局部方向持续性。起点是标准均值回归 AR(1) 表示：
$$y_t = \mu + \rho(y_{t-1} - \mu) + \varepsilon_t$$
其中 $\varepsilon_t \sim N(0, \sigma^2)$ 是服从标准正态分布的残差项。
在通常的 AR(1) 条件下，$|\rho| < 1$，过程围绕固定均值 $\mu$ 平稳。
Duan 在此基础上加入局部移动平均项：
$$y_t = \mu + \rho(y_{t-1} - \mu) + \lambda\left(y_{t-1} - \bar{y}_{t-1}^{(L)}\right) + \varepsilon_t$$
其中 $\bar{y}_{t-1}^{(L)} = \frac{1}{L}\sum_{i=1}^{L} y_{t-i}$ 是过去 $L$ 个观测的移动平均。
第一项 $\rho(y_{t-1} - \mu)$ 产生全局均值回归。第二项 $\lambda\left(y_{t-1} - \bar{y}_{t-1}^{(L)}\right)$ 控制相对于近期移动平均的局部行为。如果 $\lambda > 0$，当 $y_{t-1} > \bar{y}_{t-1}^{(L)}$ 时，局部项变为正，倾向于把 $y_t$ 推得更高。因此，在 Duan 的框架里，$\lambda > 0$ 产生局部动量堆积。
LM-AR 的关键贡献既是概念性的，也是计量经济学性的：一个全局均值回归的过程，仍然可以表现出持续的局部方向性运动。Duan 推导了平稳性与遍历性条件，并将其用于利率期限结构环境。该模型的动机来自经验观察：利率可能在长期内回归，但在较短时期内表现出类似动量的行为。
1.3 为什么一个局部期限可能不够
如果模型只使用一个移动平均期限，就等于假设所有局部动态都可以由一个时间尺度概括。真实市场通常没有这么简单。
考虑一个过程：
- 2 至 5 天的位移倾向于反转；
- 10 至 30 天的位移倾向于继续；
- 250 天或更长的位移倾向于反转。
单期限 LM-AR 被迫把这些效应压缩进一个系数。于是估计出的局部动量系数可能：
- 随时间不稳定；
- 对校准窗口敏感；
- 尽管图形结构明显，却统计不显著；
- 当样本组成变化时改变符号。
因此，我们把单一局部动量项推广为多个期限的动量项。长期均值回归也不再需要单独处理，而可以看成“长期期限上的负动量”，也就是长期反转。
1.4 用自适应参考水平替代固定长期均值
对许多市场价差而言，在相对较短的校准历史中假设恒定长期均值 $\mu$，可能不现实。即使在五年内，跨市场价差的结构均衡也可能因以下因素而变化：融资成本，库存与仓库条件，区域需求，运费与交割经济性，交易所微观结构，合约规格，货币条件，市场准入限制，持续存在的基差关系等。
与其强行假设一个固定的 $\mu$，更实际的做法是让长期移动平均本身充当缓慢变化的参考水平。这样，“长期均值回归”不再意味着回到某个永远不变的常数，而是回到一个会随市场结构缓慢移动的中心。
模型不再必然限制 $y_t \to \mu$，其中 $\mu$ 是常数。相反，我们认为其长期行为收敛于一个缓慢变化的时间序列 $m_t^{(l)}$：$y_t \to m_t^{(l)}$。因此，更准确的说法是，该过程表现出相对平稳性，而非绝对平稳性。这一区别在之后讨论平稳性时很重要。
1.5 多期限指数移动平均
设三个 EMA 状态为 $m_t^{(s)}$、$m_t^{(m)}$、$m_t^{(l)}$，分别对应短期、中期和长期期限。
EMA 递推写为：
$$m_t^{(h)} = (1 - \alpha_h) m_{t-1}^{(h)} + \alpha_h y_t$$
其中 $\alpha_h \in (0,1)$，且 $\alpha_h$ 越大，适应越快，因此期限越短；$\alpha_h$ 越小，适应越慢，因此期限越长。
通常用时间常数 $\tau_h$ 参数化持久性：
$$\alpha_h = \frac{1}{\tau_h}$$
于是对应的半衰期为：
$$H_h = \tau_h \ln 2 \approx 0.693 \tau_h$$
这为 EMA 参数与经济期限之间提供了更可解释的联系。
典型定性范围可能是：
- 短期：数个交易日；
- 中期：数周到一季度；
- 长期：一年或更长。
这些是经济类别，而非普适参数值。
1.6 直观的多期限公式
定义三个期限的偏离指标：
$$d_{t-1}^{(s)} = y_{t-1} - m_{t-1}^{(s)}$$
$$d_{t-1}^{(m)} = y_{t-1} - m_{t-1}^{(m)}$$
$$d_{t-1}^{(l)} = y_{t-1} - m_{t-1}^{(l)}$$
这里使用截至 $t-1$ 的移动平均，是为了保证参考水平完全由过去信息构成，避免把当前观测本身重复放入比较基准。
三期限模型为：
$$y_t = \beta_0 + \beta_s d_{t-1}^{(s)} + \beta_m d_{t-1}^{(m)} + \beta_l d_{t-1}^{(l)} + \varepsilon_t$$
等价地：
$$y_t = \beta_0 + \beta_s\left(y_{t-1} - m_{t-1}^{(s)}\right) + \beta_m\left(y_{t-1} - m_{t-1}^{(m)}\right) + \beta_l\left(y_{t-1} - m_{t-1}^{(l)}\right) + \varepsilon_t$$
这是所提出的多期限动量自回归（ARMHM）最直观的形式。
与 Duan 的符号约定不同，这里的偏离写为“当前值减移动平均”。因此，$\beta_h > 0$ 对应期限 $h$ 上的动量，而 $\beta_h < 0$ 对应期限 $h$ 上的均值回归。如果过程高于移动平均且 $\beta_h > 0$，对应项预测进一步上升；如果过程高于移动平均且 $\beta_h < 0$，对应项预测下降。
1.7 短期反转 / 中期动量 / 长期反转配置
一个特别有趣的经验配置是：
$$\beta_s < 0, \quad \beta_m > 0, \quad \beta_l < 0$$
这一组符号非常容易解释，它表示：
在短期，价格快速偏离往往包含较多噪声、临时流动性冲击或局部过度反应，因此负系数会把过快的波动拉回来，相当于一个“稳定器”。在中期，如果偏离已经持续了一段时间，它可能不再只是噪声，而是在反映库存、区域供需、资金流或套利节奏形成的趋势，此时正系数允许这种方向继续。在长期，如果两个市场的经济联系仍然存在，持续扩大的跨市场价差通常不会无限延续，因此长期负系数重新提供收敛力量。
因此，过程可以表现出短期均值回归、中期动量、长期均值回归的组合行为。
1.8 因子相关性问题及解决方案
直观形式虽然容易理解，但直接用于参数估计时会遇到一个明显问题：不同期限的偏离因子往往高度相关。原因很简单——它们都包含同一个当前值 $y_{t-1}$，而各个 EMA 本身又是同一条历史序列的不同平滑版本。具体地：
$$d_{t-1}^{(s)} = y_{t-1} - m_{t-1}^{(s)}$$
$$d_{t-1}^{(m)} = y_{t-1} - m_{t-1}^{(m)} = d_{t-1}^{(s)} + \left(m_{t-1}^{(s)} - m_{t-1}^{(m)}\right)$$
$$d_{t-1}^{(l)} = y_{t-1} - m_{t-1}^{(l)} = d_{t-1}^{(s)} + \left(m_{t-1}^{(s)} - m_{t-1}^{(m)}\right) + \left(m_{t-1}^{(m)} - m_{t-1}^{(l)}\right)$$
因此，如果直接把三个偏离指标同时放入回归，共线性可能使系数对样本区间非常敏感，甚至出现符号不稳定。
为改善估计，我们利用上面的分解关系，定义三个相邻尺度因子：
$$f_{t-1}^{(1)} = y_{t-1} - m_{t-1}^{(s)}$$
$$f_{t-1}^{(2)} = m_{t-1}^{(s)} - m_{t-1}^{(m)}$$
$$f_{t-1}^{(3)} = m_{t-1}^{(m)} - m_{t-1}^{(l)}$$
它们满足：
$$d_{t-1}^{(s)} = f_{t-1}^{(1)}$$
$$d_{t-1}^{(m)} = f_{t-1}^{(1)} + f_{t-1}^{(2)}$$
$$d_{t-1}^{(l)} = f_{t-1}^{(1)} + f_{t-1}^{(2)} + f_{t-1}^{(3)}$$
因此模型可以等价地写为：
$$y_t = \beta_0 + \gamma_1 f_{t-1}^{(1)} + \gamma_2 f_{t-1}^{(2)} + \gamma_3 f_{t-1}^{(3)} + \varepsilon_t$$
代入可得系数对应关系：
$$\gamma_1 = \beta_s + \beta_m + \beta_l$$
$$\gamma_2 = \beta_m + \beta_l$$
$$\gamma_3 = \beta_l$$
反过来：
$$\beta_l = \gamma_3$$
$$\beta_m = \gamma_2 - \gamma_3$$
$$\beta_s = \gamma_1 - \gamma_2$$
这些新因子并不是严格正交的，但它们不再反复包含同一段尺度信息，因此在实际数据中相关性通常会明显下降。这样既保留了原模型的信息，又能提高参数估计的稳定性。
1.9 推广到 $n$ 个期限
三个期限只是最便于解释的一种设定。相同思路可以直接推广到 $n$ 个期限。
令 EMA 期限满足 $\tau_1 < \tau_2 < \cdots < \tau_n$，对应状态为 $m_t^{(1)}, m_t^{(2)}, \ldots, m_t^{(n)}$。
定义偏离指标：
$$d_{t-1}^{(h)} = y_{t-1} - m_{t-1}^{(h)}, \quad h = 1, \ldots, n$$
则 $n$ 期限模型为：
$$y_t = \beta_0 + \sum_{h=1}^{n} \beta_h d_{t-1}^{(h)} + \varepsilon_t$$
定义相邻尺度分量：
$$f_{t-1}^{(1)} = y_{t-1} - m_{t-1}^{(1)}$$
并且对 $h = 2, \ldots, n$：
$$f_{t-1}^{(h)} = m_{t-1}^{(h-1)} - m_{t-1}^{(h)}$$
于是：
$$d_{t-1}^{(h)} = \sum_{k=1}^{h} f_{t-1}^{(k)}$$
因此：
$$y_t = \beta_0 + \sum_{h=1}^{n} \gamma_h f_{t-1}^{(h)} + \varepsilon_t$$
其中：
$$\gamma_h = \sum_{k=h}^{n} \beta_k$$
逆变换为：
$$\beta_h = \gamma_h - \gamma_{h+1}$$
并约定 $\gamma_{n+1} = 0$。这种离散累积和关系有精确的连续期限对应。
1.10 EMA 状态意味着无限分布滞后模型
EMA 可以写成无限加权历史：
$$m_{t-1}^{(h)} = \alpha_h \sum_{j=1}^{\infty} (1 - \alpha_h)^{j-1} y_{t-j}$$
忽略初始化瞬态。
因此 $d_{t-1}^{(h)} = y_{t-1} - m_{t-1}^{(h)}$ 也包含无限过去信息。代入多期限模型后，ARMHM 是一个简洁受限的 AR($\infty$) 模型，其滞后系数是指数衰减核的混合。
这个结果说明，ARMHM 并不是简单地把几个技术指标放进回归。虽然模型参数不多，但每个 EMA 都包含整段历史信息，因此模型实际上隐含了非常丰富的滞后结构。换句话说，它是一个用少量指数衰减核来近似复杂历史依赖关系的结构化分布滞后模型。
1.11 状态空间表示
对三个期限，定义状态向量：
$$s_t = \begin{bmatrix} y_t \\ m_t^{(s)} \\ m_t^{(m)} \\ m_t^{(l)} \end{bmatrix}$$
令 $\varepsilon_t \sim N(0, \sigma^2)$，则模型可以写为：
$$s_t = A s_{t-1} + b + \varepsilon_t e_1$$
其中 $e_1 = [1, 0, 0, 0]^T$，矩阵 $A$ 和向量 $b$ 由 EMA 递推和回归系数共同决定。该表示可用于多步预测、稳定性分析、状态空间扩展、模拟以及条件矩推导。
1.12 平移不变性与相对平稳性
由于所有预测变量都是水平之间的差，模型对给整个历史加常数不变。如果 $y_t' = y_t + c$ 且 $m_t^{(h)\prime} = m_t^{(h)} + c$，则每个偏离保持不变。因此，状态矩阵包含一个单位公共水平模态。
在没有额外固定锚的情况下，模型并不要求 $y_t$ 永远围绕一个固定常数波动。这正适合长期均值本身会缓慢变化的市场。此时更值得关心的不是绝对价格水平是否平稳，而是不同尺度之间的偏离是否稳定。
定义偏离向量 $x_t$，当 $x_t$ 的转移矩阵所有特征值都在单位圆内时，模型相对稳定。因此区别在于：绝对平稳性要求 $y_t$ 回到固定常数；相对平稳性只要求尺度间偏离保持有界。对移动均衡价差模型而言，第二个概念可能更相关。
1.13 绝对均值回归
如果我们需要模型存在绝对均值回归的性质，则可以加入固定或单独建模的结构锚：
$$y_t = \beta_0 + \sum_{h=1}^{n} \beta_h d_{t-1}^{(h)} + \theta(c_t - y_{t-1}) + \varepsilon_t$$
这里 $c_t$ 可以是固定常数、潜在局部水平、基本面公允价值估计、宏观经济均衡或极低频状态。如果 $c_t$ 固定且 $\theta > 0$，平移不变的单一模态被打破，绝对平稳性可能实现。然而，对于五年均值明显不恒定的应用，强加固定 $c_t$ 可能比有用更受限。
1.14 多步模拟
做多步预测时，不能把各个 EMA 固定不动。每生成一个新的模拟值，都需要同步更新对应的 EMA 状态，然后再进入下一步。
对模拟路径 $\hat{y}_{t+k}$：
$$\hat{y}_{t+k} = \beta_0 + \sum_{h=1}^{n} \beta_h \hat{d}_{t+k-1}^{(h)} + \varepsilon_{t+k}$$
然后沿模拟路径更新每个 EMA 状态：
$$\hat{m}_{t+k}^{(h)} = (1 - \alpha_h)\hat{m}_{t+k-1}^{(h)} + \alpha_h \hat{y}_{t+k}$$
下一步，$\hat{d}_{t+k}^{(h)}$ 依赖更新后的模拟 EMA 状态。对短期和中期期限，参考水平在 10 天预测内可能显著变化；长期 EMA 变化慢得多。因此，模型自然地在预测路径上产生不同动态响应，而不需要系数每一步都变化。
1.15 参数估计
给定期限参数 $\{\tau_h\}$，最简单估计量是 OLS：
$$\hat{\beta} = (X^T X)^{-1} X^T y$$
其中向量 $X$ 是我们在 1.8 定义的不同期限的辅助变量，$y$ 是被预测的下一期变化。实际应用中，参数估计还需要处理几个非常重要的问题，这里仅讨论其中三个。
第一是滚动校准窗口。历史太长，可能把不同市场结构混在一起；历史太短，又会带来较大的抽样噪声。因此，校准窗口本身也是模型的一部分，而不是一个无关紧要的技术参数。
第二是极端事件。不能因为某些观测在统计上“异常”就直接删除，因为它们可能是真实事件造成的价格跳变。更合理的做法是区分正常动态与事件冲击：正常样本用于估计多期限结构，事件样本则单独用于结构突变、状态切换或压力测试。实时交易中，突然出现的大幅偏离也应被视为模型可能暂时失效的风险信号。
第三，不同期限的偏离因子可能方差不同，为了能直观比较系数，我们可以进行标准化。定义 $z_{t-1}^{(h)} = d_{t-1}^{(h)} / \sigma_h$，其中 $\sigma_h$ 是因子标准差，并估计：
$$y_t = \beta_0 + \sum_{h=1}^{n} \tilde{\beta}_h z_{t-1}^{(h)} + \varepsilon_t$$
于是 $\tilde{\beta}_h$ 衡量约一个标准差尺度位移的预测效应。
1.16 期限选择
短、中、长期限本身也是模型参数，因此期限怎么选会直接影响结果。
最简单的方法是结合市场经验和数据特征人工设定。例如，把几天定义为短期、数周到一季度定义为中期、一年以上定义为长期。这种方法有一定主观性，但优点是解释清楚，而且不会因为样本中的短期噪声频繁改变期限。
作为辅助，一个有用的初步诊断是期限响应实验。选择密集对数网格：
$$\tau \in \{\tau_1, \tau_2, \ldots, \tau_K\}$$
范围从几天（甚至几分钟）到几年。对每个期限估计：
$$y_t = \beta_0^{(h)} + \beta^{(h)} d_{t-1}^{(h)} + \varepsilon_t$$
绘制 $\beta^{(h)}$ 关于 $\tau_h$ 的曲线。如果数据在我们预想的范围表现稳定，不会出现符号翻转，则可以认为我们对期限的假设存在合理性。
如果希望让数据自动决定期限，就需要把期限和回归系数一起估计。这样问题会明显复杂，因为期限会改变 EMA 本身，从而使目标函数具有较强非线性。Duan（2016）使用序列蒙特卡洛（Sequential Monte Carlo，SMC）、k-fold duplication 等技术处理包含期限参数的估计问题。这类方法更系统，但计算量较大，也更容易受到样本和模型设定影响，因此更适合作为后续增强方案，而不是第一版模型的必要条件。
2. 连续期限与频域表述
前面的模型用几个代表性期限描述市场行为。在更一般的情况下，我们并不需要事先假设市场只有几个固定尺度，而可以把“期限”本身看成一个连续变量。
连续版本的主要意义，不是为了在实际交易中一定使用无限多个期限，而是提供一个更统一的理论视角：不同时间尺度上的动量和均值回归，可以用一条连续的期限响应曲线来描述。
2.1 连续期限模型
令 $\tau$ 表示时间尺度，并定义期限为 $\tau$ 的指数移动平均：
$$m_t(\tau) = (1 - \alpha(\tau)) m_{t-1}(\tau) + \alpha(\tau) y_t$$
其中 $\alpha(\tau) = 1/\tau$。$\tau$ 越小，EMA 对最新价格反应越快；$\tau$ 越大，EMA 越平滑。
定义当前值相对于该期限参考水平的偏离：
$$d_{t-1}(\tau) = y_{t-1} - m_{t-1}(\tau)$$
然后用函数 $\beta(\tau)$ 描述每个期限上的反馈方向和强度：
$$y_t = \beta_0 + \int_{0}^{\infty} \beta(\tau) d_{t-1}(\tau) d\tau + \varepsilon_t$$
这里：$\beta(\tau) > 0$ 表示该期限上的偏离更容易继续，即动量；$\beta(\tau) < 0$ 表示该期限上的偏离更容易被修正，即均值回归；$|\beta(\tau)|$ 越大，说明该尺度对下一阶段变化的影响越强。因此，$\beta(\tau)$ 可以理解为一条期限响应曲线。
如果真实市场存在“短期反转—中期动量—长期反转”的结构，那么这条曲线可能呈现：$\beta(\tau) < 0$ 对 $\tau < \tau_1$，$\beta(\tau) > 0$ 对 $\tau_1 < \tau < \tau_2$，以及 $\beta(\tau) < 0$ 对 $\tau > \tau_2$。这样，我们不再需要先判断整个时间序列究竟属于“动量”还是“均值回归”，而是直接研究这种行为如何随期限变化。
2.2 为什么使用对数期限
实际研究中，期限通常跨越很大范围，例如 $1$ 到 $1000$ 个交易日。这些期限在经济意义上更接近“倍数变化”，而不是固定天数间隔。因此可以令 $\nu = \ln \tau$，模型写成：
$$y_t = \beta_0 + \int_{-\infty}^{\infty} \tilde{\beta}(\nu) d_{t-1}(e^{\nu}) d\nu + \varepsilon_t$$
这样做有两个好处。第一，几天、几周、几个月和几年可以在同一尺度上更均匀地表示。第二，估计 $\tilde{\beta}(\nu)$ 时更容易得到一条平滑的期限响应曲线，而不会让长期区间在数值上占据过多空间。
2.3 连续期限响应的估计
连续模型不能为每一个 $\tau$ 单独估计一个自由参数，否则参数数量会无限增加，而且相邻期限的 EMA 高度相关。因此，更实际的做法是用少量平滑基函数或者类似 Nelson-Siegel 这类型函数来表示：
$$\tilde{\beta}(\nu) = \sum_{k=1}^{K} w_k \phi_k(\nu)$$
其中 $\phi_k(\nu)$ 可以取样条函数。然后通过带平滑惩罚的最小二乘估计：
$$\min_w \sum_{t} \left\| y_t - \beta_0 - \sum_{k=1}^{K} w_k \sum_{h} \phi_k(\ln \tau_h) d_{t-1}(\tau_h) \right\|^2 + \lambda \sum_{k} w_k^2$$
其中 $\lambda$ 控制曲线平滑程度。$\lambda$ 较小，模型可以更灵活地追随数据；$\lambda$ 较大，期限响应曲线更平滑、更稳定。
实际使用时，不建议一开始就估计非常复杂的连续函数。更稳妥的路径是：先在若干期限上分别估计单期限模型；观察系数随期限如何变化；如果确实存在稳定、连续的结构，再使用平滑函数拟合整条期限响应曲线。这样可以减少过拟合，也更容易解释结果。
2.4 EMA 的频率解释
连续期限模型还可以从频率角度理解。EMA 的核函数是：
$$w(t) = \alpha e^{-\alpha t}$$
其频率响应为：
$$H(\omega) = \frac{\alpha}{\alpha + i\omega}$$
这意味着 EMA 本质上是一个低通滤波器：变化缓慢的低频成分大部分可以通过；变化很快的高频成分会被削弱。因此 $y_t - m_t(\tau)$ 保留下来的主要是比该 EMA 更快的变化，其传递函数为：
$$H_{\text{HP}}(\omega) = \frac{i\omega}{\alpha + i\omega}$$
它具有明显的高通特征。这也解释了为什么不同期限的“当前值减 EMA”会高度相关：它们实际上是多个截止频率不同、但彼此大量重叠的高通滤波器。
2.5 相邻 EMA 之差与频带
如果考虑两个时间常数 $\tau_1 < \tau_2$，则 $m_t(\tau_1) - m_t(\tau_2)$ 主要保留介于两个尺度之间的变化。其频率响应为：
$$H_{\text{BP}}(\omega) = \frac{\alpha_1}{\alpha_1 + i\omega} - \frac{\alpha_2}{\alpha_2 + i\omega}$$
该响应在极低频和极高频都较小，而在中间频率达到较大值，因此具有明显的带通特征。峰值频率为：
$$\omega^* = \sqrt{\alpha_1 \alpha_2}$$
也就是说，两个 EMA 的差主要反映位于两个期限之间的一段动态。这为模型中的“短期”“中期”“长期”提供了更直观的频率解释：
- 很快的波动可以被理解为高频成分；
- 数周到数月的持续趋势对应中频成分；
- 更慢的偏离对应低频成分。
因此，一个典型的 $\beta_s < 0, \beta_m > 0, \beta_l < 0$ 结构，在频率语言中可以简单理解为：高频修正、中频延续、低频修正。这并不是说每个期限严格对应一个单一频率。EMA 的频率响应比较宽，因此“期限”和“频率”之间只是近似对应。但频域视角能够帮助我们理解：为什么不同时间尺度上的系数可以具有不同符号，而这些符号并不互相矛盾。
2.6 时间变化与事件冲击
实际市场的期限响应不一定永久不变。可以进一步允许：
$$\beta(\tau) \to \beta(\tau, t)$$
其中 $t$ 表示缓慢变化的日历时间。这样，模型可以描述某一阶段短期均值回归很强，而在另一阶段短期趋势效应增强的情况。
不过，在实际应用中，更复杂的时变模型应当建立在一个前提上：固定参数模型已经被证明存在系统性失效。否则，额外自由度很容易把噪声误认为结构变化。
同样，真实事件造成的大幅跳变也不应该简单并入普通残差。可以写成：
$$y_t = \beta_0 + \sum_{h=1}^{n} \beta_h d_{t-1}^{(h)} + \eta_t + \varepsilon_t$$
其中 $\eta_t$ 表示罕见事件冲击。在建模上，正常时期的数据主要用于估计期限响应；事件样本则更适合单独进入压力测试、结构突变或状态切换分析。这种区分有助于避免两个极端：把真实事件删除从而低估风险；把极少数事件当成普通随机波动反复模拟从而严重夸大常态预测分布。
2.7 连续与频域视角的意义
连续期限和频域表述的主要价值，不在于增加模型复杂度，而在于提供一个统一的理解框架。它告诉我们：模型并不需要先验地把序列定性为“动量”或“均值回归”，而是可以直接刻画反馈强度如何随期限连续变化。
EMA 提供了一种非常方便的实现方式，因为它既有明确的经济期限含义，又可以在线递归更新，而且天然具有滤波解释。因此，在实际应用中，可以继续使用少量期限构建简洁模型；而在理论研究中，则可以把这些期限理解为一条更一般的期限响应函数或频率响应函数的局部近似。
参考文献
-
Duan, J.-C. (2016). "Local-momentum autoregression and the modeling of interest rate term structure." Journal of Econometrics, 194(2), 349-359. DOI: https://doi.org/10.1016/j.jeconom.2016.05.012
-
Corsi, F. (2009). "A Simple Approximate Long-Memory Model of Realized Volatility." Journal of Financial Econometrics, 7(2), 174-196. DOI: https://doi.org/10.1093/jjfinec/nbp001
-
Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012). "Time Series Momentum." Journal of Financial Economics, 104(2), 228-250. DOI: https://doi.org/10.1016/j.jfineco.2011.11.003
-
He, X.-Z., Li, K., & Li, Y. (2018). "Asset Allocation with Time Series Momentum and Reversal." Journal of Economic Dynamics and Control, 91, 441-457. DOI: https://doi.org/10.1016/j.jedc.2018.02.004
-
Grebenkov, D. S., & Serror, J. (2014). "Following a Trend with an Exponential Moving Average: Analytical Results for a Gaussian Model." Physica A: Statistical Mechanics and its Applications, 394, 288-303. Preprint: https://arxiv.org/abs/1308.5658
发表于 昨天 20:35
|
查看: 2|
回复: 0
