隨機(jī)簽名方法在量化投資中的時序特征提取與應(yīng)用

隨機(jī)簽名方法的理論基礎(chǔ)與構(gòu)建邏輯

金融時序數(shù)據(jù)具有強(qiáng)烈的非線性和路徑依賴性，價格歷史走勢中蘊含著市場關(guān)鍵的形態(tài)學(xué)特征。傳統(tǒng)方法在處理高維路徑時面臨特征維度爆炸及數(shù)值尺度差異巨大的工程障礙。本研究借鑒粗糙路徑理論中的簽名方法（Signature Method），結(jié)合儲備池計算（Reservoir Computing）思想，構(gòu)建隨機(jī)簽名方法以捕捉金融時序數(shù)據(jù)的非線性路徑依賴特征。

簽名方法將一條路徑完整地編碼為一組從低階到高階的迭代積分，映射到無限維特征向量，包含路徑的所有代數(shù)信息。然而，經(jīng)典簽名方法在實際應(yīng)用中存在計算復(fù)雜度高的問題。隨機(jī)簽名方法通過一個受控的、隨機(jī)初始化的靜態(tài)非線性動力系統(tǒng)（即儲備池）來模擬和逼近路徑特征。利用隨機(jī)投影低維嵌入的數(shù)學(xué)特性，該方法將原本呈指數(shù)級爆炸的特征空間鎖死在用戶指定的固定隱層維度內(nèi)，既繼承了簽名方法捕捉全路徑非線性幾何特征的優(yōu)勢，又能容納高維多資產(chǎn)市場及外生宏觀因子。

算法計算過程與策略構(gòu)建

隨機(jī)簽名方法將金融資產(chǎn)的價格或收益率時序路徑作為驅(qū)動信號，輸入到一個受控的非線性隨機(jī)動力系統(tǒng)中。通過該系統(tǒng)在時間軸上的向前演化，將路徑的幾何形態(tài)無損地壓縮映射至一個固定維度的隱藏層空間中。具體而言，模型通過一個受控隨機(jī)微分方程描述儲備池狀態(tài)的演化過程，強(qiáng)制加入時間通道以捕捉時間流逝和非平穩(wěn)特征。

在計算流程上，首先構(gòu)造輸入路徑，包含個股日度收益率、滾動波動率等特征，并加入時間分量。隨后，從正態(tài)分布中獨立抽取隨機(jī)投影矩陣和偏置向量，這些參數(shù)在實驗前隨機(jī)初始化后完全固定，不參與反向傳播訓(xùn)練。接著，按前向歐拉公式遞推儲備池狀態(tài)，得到隱藏層特征向量。最后，利用嶺回歸訓(xùn)練輸出層，以隱藏狀態(tài)為自變量預(yù)測下期資產(chǎn)收益率。為消除單次隨機(jī)抽樣的隨機(jī)性，通常采用多個隨機(jī)種子獨立運行并取均值作為最終預(yù)測輸出。

在交易策略構(gòu)建方面，核心在于求解最優(yōu)化夏普比率問題。模型利用歷史隨機(jī)簽名特征預(yù)測下一期資產(chǎn)收益率，并結(jié)合過去滾動窗口的數(shù)據(jù)，采用非線性收縮協(xié)方差估計方法得到資產(chǎn)收益間的協(xié)方差矩陣。在得到資產(chǎn)收益率預(yù)測和協(xié)方差矩陣估計后，通過求解最優(yōu)化問題得到下一期的最優(yōu)資產(chǎn)權(quán)重向量，實現(xiàn)資產(chǎn)配置。

實證檢驗與市場表現(xiàn)分析

實證檢驗選取2021年至今的創(chuàng)業(yè)板50、上證50、深證50指數(shù)成分股以及滬深300中隨機(jī)選取的股票進(jìn)行回測。結(jié)果顯示，在創(chuàng)業(yè)板50、上證50、深證50中，隨機(jī)簽名策略的年化收益率與夏普比率均顯著高于動量組合與等權(quán)組合。以創(chuàng)業(yè)板50為例，在最優(yōu)參數(shù)下，策略表現(xiàn)出顯著的優(yōu)勢，相對等權(quán)組合獲得較高的年化超額收益。在上證50和深證50中，策略同樣展現(xiàn)出優(yōu)于基準(zhǔn)組合的風(fēng)險調(diào)整后收益能力。

參數(shù)敏感性分析表明，對特征維度、隨機(jī)矩陣分布的均值和方差等超參數(shù)進(jìn)行網(wǎng)格搜索，隨機(jī)簽名策略戰(zhàn)勝等權(quán)組合的比例較高，均在90%以上，顯示出策略在不同參數(shù)設(shè)置下的穩(wěn)健性。然而，在滬深300中隨機(jī)選取的50只股票測試中，策略表現(xiàn)雖優(yōu)于等權(quán)組合，但低于動量組合，表明策略效果受股票池特性影響。

市場信噪比與IC分析

市場信噪比分析表明，隨機(jī)簽名策略的滾動夏普比率與市場信噪比呈現(xiàn)顯著關(guān)聯(lián)。在信噪比正?；蜉^高時，隨機(jī)簽名組合表現(xiàn)較好；但在極端高噪聲環(huán)境下（如非理性暴漲暴跌），試圖預(yù)測收益率會引入大量估計誤差，導(dǎo)致配置失真，此時等權(quán)組合表現(xiàn)最好。在中證2000等反轉(zhuǎn)性較強(qiáng)的市場中，策略表現(xiàn)較差，跑不贏等權(quán)組合，這與其預(yù)測值與動量因子高度相關(guān)有關(guān)。

IC（信息系數(shù)）分析顯示，盡管預(yù)測收益率與實際收益率的IC均值較低，多在2%以內(nèi)，但該預(yù)測精度在投資組合優(yōu)化中仍具有變現(xiàn)效能。這與相關(guān)模擬實驗結(jié)論一致，即即使預(yù)測精度不高，只要預(yù)測方向與優(yōu)化目標(biāo)一致，仍能在組合構(gòu)建中產(chǎn)生超額收益。分組檢驗進(jìn)一步驗證了因子在不同分組的區(qū)分能力，盡管整體IC較低，但在特定分組中表現(xiàn)出一定的有效性。