filtrationsigma-algebraprobability-spacemeasure-theoryfinancial-forecasting

Filtration-Indexed Probability Space (滤链索引概率空间)

大白话：把「你能看到多少信息」这件事做成一族逐渐变细的 σ-代数。 早期只能看到「涨了还是跌了」，后期能看到「涨了 2.3% 还是 3.1%」。 这套结构让 ARIMA Forecast Model（精细的连续密度）和 Random Walk Price Pathwise（粗粒度的离散概率） 能共处同一个样本空间 \Omega = \mathbb{R}，却携带不同的信息。

一个滤链概率空间 (filtered probability space) (\Omega, \mathcal{F}, \{\mathcal{F}_n\}_{n\ge1}, P) 是一个可测空间 (\Omega, \mathcal{F})，带上概率测度 P 与一族单调不减的子 σ-代数 \{\mathcal{F}_n\}—— 即 \mathcal{F}_n \subseteq \mathcal{F}_{n+1} \subseteq \mathcal{F}，且随着 n 增大，\mathcal{F}_n「看到的信息更多」。 在 Achury Arredondo Sanchez Ascanio 2024 Filtration ARIMA Random Walk 中， 滤链正是那个结构装置：它让 ARIMA Forecast Model 与 Random Walk Price Pathwise 共享同一个样本空间 \Omega = \mathbb{R}，同时携带不同的信息。

论文中使用的双 σ-代数滤链

令 \mathcal{F}_A 为由随机游走端点周围的 h+1 个区间 U(\eta_i, \delta/2) 生成的 σ-代数 （源论文第 3 节）；令 \mathcal{F}_B 为 \mathbb{R} 上承载 ARIMA 隐含正态密度的 Borel σ-代数（第 2 节）。 则

\mathcal{F}_A \;\subseteq\; \mathcal{F}_B \;\subseteq\; \mathcal{F}.

  • \mathcal{F}_A 更粗：它只能分辨「价格落在这个 U(\eta_i, \delta/2) 区间还是那个区间」。
  • \mathcal{F}_B 更细：它能分辨 \mathbb{R} 上任意开区间，并支撑正态 CDF。
  • \mathcal{F}_A \subseteq \mathcal{F}_B，因为每个 U(\eta_i, \delta/2) 都是 Borel 集。

条件期望 \mathbb{E}[\,\cdot \mid \mathcal{F}_A\,] 那个操作，把 ARIMA 的正态密度压缩成每个区间的质量—— 它就是 Filtered Probability Trend Hypothesis 命题 1 里的正态尾部差分项。

为什么用滤链而不是混合

朴素做法是给 ARIMA 与随机游走一个固定权重 \alpha \in (0,1) 加权求和，就此了事。 滤链做的不是这件事：它让两个分布活在同一样本空间的不同分辨率上， 然后在它们的交集上强制一个乘积测度。具体地说：

  • 若 ARIMA 密度在各区间上是平的（除了「涨还是跌」之外没有额外信息），乘积就退化为二项质量本身。
  • 若二项分布很尖（强上涨或强下跌的市场中随机游走近乎确定），乘积会把 ARIMA 的正态质量拉进对应区间并大幅放大。
  • 若两者矛盾——ARIMA 说「区间 i」且正态质量很高，而随机游走说「区间 j \ne i」—— 重新归一化的分母会把质量摊回去，于是「前二区间」检验可能判定趋势无法决定。

这就是把 \mathcal{F}_A 放进 \mathcal{F}_B 内部（而不是简单平均两个预测）的实际内容。

图示

flowchart TB
    OMEGA[Sample space Ω = ℝ prices]
    FA[σ-algebra 𝓕_A: random-walk bins U(ηᵢ, δ/2)]
    FB[σ-algebra 𝓕_B: Borel σ-algebra from ARIMA normal]
    FFULL[σ-algebra 𝓕 = 𝓕_B]
    P[P: filtered probability measure]
    P -->|product of normal tail-diff × binomial mass, renormalised| FFULL

    OMEGA --> FA
    OMEGA --> FB
    FA -->|subset| FB
    FB -->|equals| FFULL
    FA -->|conditional expectation gives bin mass| P
    FB -->|normal density integrates on each bin| P

构造中的条件期望

  • \mathbb{E}[\,1_{U(\eta_i, \delta/2)} \mid \mathcal{F}_B\,] = \Phi\!\bigl(\frac{\eta_i + \delta/2 - \hat Y_h}{\sigma \sqrt h}\bigr) - \Phi\!\bigl(\frac{\eta_i - \delta/2 - \hat Y_h}{\sigma \sqrt h}\bigr) —— ARIMA 隐含的正态质量在区间 i 上。
  • \mathbb{E}[\,1_{U(\eta_i, \delta/2)} \mid \mathcal{F}_A\,] = P_i = \binom{h}{i} p^i (1-p)^{h-i} —— 二项质量在区间 i 上。
  • 两者相乘再重新归一化的结果，就是 Filtered Probability Trend Hypothesis 命题 1 中的 滤波后概率 P\bigl(Y_h \in U(\eta_i, \delta/2)\bigr)。

这是文献中把条件期望记号用在预测问题（而非纯随机过程理论）上最干净的例子之一。

作为测度论构造的局限

  • 信息集是固定的。 25 只股票用的是同一套滤链。更精细的构造会让 \sigma 与随机游走步长 随已实现波动率漂移，但那会破坏命题 1 的闭式可解性。
  • 是乘积测度，不是混合。 真正的贝叶斯更新应该是 P(\text{区间} \mid \text{ARIMA})， 而不是边缘分布的乘积。Achury 等用「各区间互不相交」来为乘积辩护， 但在严格的测度论意义上，它是一个评分规则而不是后验。
  • 只有两个 σ-代数。 一个自然的扩展是 \{\mathcal{F}_n\}_{n=1}^{N}，带 N 个「信息层级」—— 例如为成交量加 \mathcal{F}_C、为情绪加 \mathcal{F}_D、为宏观加 \mathcal{F}_E。 论文把这列为后续工作第 (1) 项。
  • 没有可选停止定理 / 没有鞅结构。 经典的滤链通常建立在鞅之上；这个滤链是静态构造， 所以 Doob-Meyer 分解不适用。对交易用途来说没问题，但想继续推广的人值得留意。

交叉引用