Ferson–Siegel Optimal Weighting (FS 权重)

大白话：给一个「带噪声」的收益预期信号，最优仓位不是信号多大就下多大，而是画出一条 S 曲线：信号中等时近似线性，信号极端时把权重压回来、不再继续加仓。这条曲线是趋势跟踪里「非线性信号 → 仓位」映射的理论基础，目标是在「单个风险资产 + 带噪的预期收益信号」下最大化无条件夏普比率。

设定

沿 Ferson & Siegel (2001) 的思路，考虑一个无风险资产（收益 r_f）和一个风险资产，其超额收益为：

R_{t+1} = \mu(s_t) + \varepsilon_{t+1}, \quad \mathbb{E}[\varepsilon_{t+1} | s_t] = 0, \quad \mathbb{E}[\varepsilon_{t+1}^2] = \sigma_\varepsilon^2

其中 s_t 是一个公开信号（例如过去的收益），被认为可以预测 \mu(s_t) = \mathbb{E}[R_{t+1} | s_t]。一个对无条件 (unconditional) 分布具有均值—方差偏好的投资者，在风险资产上选择权重 w^*(s_t)，以便在给定目标无条件均值的前提下最小化无条件方差。

最优权重

对于二次效用 / 均值—方差投资者，风险资产上的最优权重是：

w^*(s_t) = \frac{\mu(s_t)}{\sigma_\varepsilon^2 + \lambda \,\mathbb{E}[\mu(s_t)^2]}

不过——更干净的闭式解（出自 Moskowitz 等 2025 的无条件表述，转引 FS 2001）出现在信号完全预测下一期风险调整收益的情形（\mu(s_t) = s_t）：

f_{FS}(s_t) = \frac{\lambda \, s_t}{\sigma_\varepsilon^2}

它满足方差归一化条件 \text{var}(f_{FS}(s_t)) \approx 1（对 s_t \sim \mathcal{N}(0,1)），由此定出 \lambda \approx 0.394（当 \sigma_\varepsilon^2 = 1）。

S 形曲线

flowchart LR
    A["s_t = -3"] -->|"convex region: weight rolls back toward zero"| B["f(s_t) ≈ -1"]
    C["s_t = -1"] -->|"linear region"| D["f(s_t) ≈ -1"]
    E["s_t = 0"] -->|"neutral"| F["f(s_t) = 0"]
    G["s_t = 1"] -->|"linear region"| H["f(s_t) ≈ 1"]
    I["s_t = 3"] -->|"concave region: weight rolls back toward zero"| J["f(s_t) ≈ 1"]

分块形式写就是：

f_{FS}(s) \approx \begin{cases} \lambda \, s, & |s| \leq 1 \quad \text{(linear)} \\ \lambda \, \text{sign}(s), & |s| \to \infty \quad \text{(saturating / rolling back)} \end{cases}

形状是中间线性，大正 s 时凹 (concave)（权重的增长慢于信号），大负 s 时凸 (convex)（权重从下方回撤回零附近）。视觉上就是一条 S 曲线。

直觉

对于一个方差为 \sigma_\varepsilon^2 的固定信号 \mu(s)，配置权重 w 带来的无条件方差惩罚按 w^2 \sigma_\varepsilon^2 缩放，而预期收益按 w 线性缩放。当 |s| 非常大时，继续加大 w 会让方差涨得比预期收益更快，所以最优点会变平。这与「在收益估计有噪声时做 Kelly 式分数下注」是同一套逻辑。

为什么它在实务上重要

Moskowitz 等 (2025) 表明，一个以最大化样本外夏普比率为目标的神经网络，还原出来的函数 f 与 f_{FS} 非常接近。理论与机器学习结论一致。
「回退 (rollback)」区域在极端市场环境下最活跃——而这恰恰是 TSMOM 应当提供尾部对冲收益的时候。实证论文显示，NLTSMOM 相对线性 TSMOM 的超额收益大多集中在坏状态 (bad states)（下跌行情）中，与 FS 的直觉一致。
在平滑区间（|s| \lesssim 1）内，FS 基本就是线性的；即使在这里，二值规则也是 FS 的糟糕近似，因为 FS 并不会完全饱和。

实现说明

FS 推导出的精确函数形式比上面「中间线性 + 饱和」的 S 曲线摘要更复杂。完整推导见 Moskowitz 等 (2025) §3.2。
实务中作为基准使用的 F&S 规格 (specification)，就是上面那条「线性 + 饱和」的规则，取 \lambda \approx 0.394。
敏感性：如果信号噪声变大，最优权重应当从两端收得更紧（贝叶斯收缩 (shrinkage) 的直觉）。 FS 通过分母上的 \sigma_\varepsilon^2 捕捉到了这一点。

参考文献

Ferson, W.E. & Siegel, A.F. (2001). "The Efficient Use of Conditioning Information in Portfolios." Journal of Finance, 56(3), 19–38.
Moskowitz, T.J., Sabbatucci, R., Tamoni, A. & Uhl, B. (2025). "Nonlinear Time Series Momentum." Working paper, §3.2.