Fisher-z Correlation Forecasting

大白话：相关系数 \rho 只在 [-1, 1] 之间取值，而且靠近 0 和靠近 1 时，同样的 0.05 变动含义完全不同， 直接拿它做回归会出问题。做法是先做一个 Fisher 变换 z = \operatorname{atanh}(\rho) 把 \rho 拉到整条实数轴上， 在 z 上预测相对于一个滚动基准的残差，最后再用 \tanh 变回 \rho。

Fisher-z 相关性预测：在 Fisher 变换后的实数轴上预测相关性的残差，以解决 \rho \in [-1, 1] 上的异方差和分布畸变。

直接预测 \rho 的问题

相关系数是有界的（\rho \in [-1, 1]），而且在水平方向上异方差：在 0 附近变动 0.05 与在 \pm 1 附近变动 0.05 是两种完全不同的信号。抽样噪声也取决于 \rho 的水平。这意味着：

• 朴素的 MSE 损失用在 \rho 上时，会被那些靠近极端值的样本主导——那些位置上大的 \rho 根本不可能取到。
• 残差不可加：如果想学 \Delta\rho = \rho_{\text{true}} - \rho_{\text{base}}，在边界附近的数学处理会变得很别扭。
• 梯度会爆炸或消失：在大多数参数化形式下，\rho \to \pm 1 时梯度会出问题。

Fisher 变换

标准做法（Fisher 1915，从 meta 分析到 DCC-GARCH 都这么用）是 z 变换：

z = \operatorname{atanh}(\rho) = \tfrac{1}{2} \log\!\frac{1+\rho}{1-\rho}, \qquad \rho = \tanh(z)

有三条性质让 z 成为合适的工作空间：

1. 无界且近似线性：z \in \mathbb{R}，小 \rho 时 z \approx \rho，同时可以自然地延伸到很大的相关性。
2. 方差稳定：对样本相关系数有 \text{Var}(z) \approx 1/(n-3)，与 \rho 无关。
3. 可加：残差学习 z_{\text{true}} - z_{\text{base}} = \Delta z 定义良好，梯度表现也正常。

Fisher-z 空间中的残差学习

Fanshawe–Masih–Cameron 的 THGNN 模型被训练来预测相对于 30 日滚动基准的偏离：

\hat z_{ij, t+10} = z^{\text{base}}_{ij, t} + \Delta \hat z_{ij, t}, \qquad \hat\rho_{ij, t+10} = \tanh(\hat z_{ij, t+10})

其中 z^{\text{base}}_{ij, t} = \operatorname{atanh}(\rho^{\text{base}}_{ij, t})，\rho^{\text{base}} 是 30 日滚动收益相关性。模型至少要学会相对于一个非平凡基准的偏离——这就避免了在噪声很大的金融目标上常见的「预测均值」式的模式崩塌 (mode collapse)。

这里为什么用「残差」

模式崩塌不是抽象概念。作者明确描述过：只用逐点 Huber 损失做初始训练时，边预测值会按关系类别挤在很窄的几条带里。一旦所有预测都落在各头的均值附近，下游的聚类（对相关性矩阵做 k-means）就会糊成一团，篮子交易的收益随之塌掉。

残差化写法带来三个相互叠加的好处：

• 锚定 (anchoring)：在正常市场状态下，预测值始终贴着那个经过校准、含义清楚的基准。
• 适应性：模型可以纠正滚动窗口无法预见的结构性变化（COVID、俄乌冲突）。
• 梯度卫生：z 空间的残差是可加且近似正态的，因此 MSE / Huber 的梯度在整个 [-1, 1] 区间内表现良好。

损失函数设计 —— Huber + 高斯软分桶直方图

两个损失分量，权重相等：

1. Huber 边损失 L_{\text{edge}} = \text{Huber}(\hat z_{ij, t+10}, z_{ij, t+10})
   • 零点附近是二次的，尾部是线性的 → 零点附近梯度稳定，对造成大误差的市场状态冲击也稳健。
2. 直方图匹配损失，采用高斯软分桶（Karandikar et al. 2021）
   • 每个关系类别三个直方图（各 6 个桶），外加一个全市场统一的直方图（15 个桶）。
   • 每个样本按高斯权重同时贡献给相邻的若干个桶（可微，硬分桶则不可微）。
   • 强制预测相关性的分布与实际分布一致——保住的是相关性矩阵的形状，而不只是逐点精度。

总损失为 L = L_{\text{edge}} + s \cdot L_{\text{histo}}，取 s = 7 让两项量级相当。去掉直方图项，模型能学到准确的均值，但会丢掉篮子聚类所需的尾部结构。

实证校准

在 2.69 亿条样本外边上（2019–2024 年标普 500，预测目标为 10 个交易日后）：

注意：论文在做持续性对比时用的是 20 日滚动基准，尽管模型内部是对着 30 日基准训练的。30 日与 20 日的选择对头条结果没有实质影响——差距主要由机器学习信号决定。

实务提示

• 永远用残差：当你要对一个有噪声的有界变量、相对于一个已知的校准基准做预测时。问题的结构决定了「预测 \Delta z」比「预测 z」容易。
• 直方图损失是关键的那一环：没有它，相关性矩阵预测就没法用于组合构建；模式崩塌会直接毁掉下游聚类。
• 最后再用 \tanh 反变换。绝不要在损失函数里做 \rho \to z \to \rho \to z 的来回转换。
• 当心泄漏：滚动基准窗口与滚动特征窗口之间要留意信息泄漏。论文对特征用 60 日 z-score、对相关性基准用 30 日滚动；两者都截止于 t，目标在 t+10，所以没有未来信息泄漏，但特征与基准窗口重叠是个常年的坑。

符号说明

相关页面

• Fanshawe Masih Cameron 2025 THGNN Correlation Forecasting
• Graph Attention Network (GAT)
• SPONGEsym
• Statistical Arbitrage