signal-processingmachine-learningstrategy-designposition-sizing

Nonlinear Signal Mapping (非线性信号映射)

大白话：把原始 alpha 信号 s_t 换算成组合持仓 f(s_t) 的那个非线性函数—— 这是所有现代趋势跟踪 / 动量策略背后最核心的一个设计选择。 线性映射（一比一放大）会让一个小小的噪音跳变和一次真正的状态切换拿到同样的权重； 非线性映射则在信号走到极端时主动收手，因为此时承担的风险最大，边际收益却已经很小。

为什么要用非线性？

线性映射 f(s) = s（或者二值映射 f(s) = \text{sign}(s)）把所有信号幅度一视同仁—— 一个小小的噪音跳变和一次状态切换 (regime shift) 会拿到同样的权重。与理论一致的非线性映射 （Ferson-Siegel Optimal Weighting）则会压低极端信号，因为方差是二次增长的而预期收益只是线性增长， 所以无条件夏普比率 (unconditional Sharpe ratio) 在尾部饱和 (saturating) 时才达到最大。

设计维度

设计 f(s_t) 时有五个选择：

  1. 函数形式 (functional form)：参数化 (parametric)（FS S 曲线、符号函数、阈值）、 非参数 (non-parametric)（Nadaraya-Watson、样条），或者学习型 (learned)（ANN、GBDT）。
  2. 训练目标 (training objective)：MSE / 交叉熵 (cross-entropy)，还是经济目标 (economic objective) （夏普比率、Sortino、Calmar、含换手率惩罚）。Moskowitz 等 (2025) 用负夏普损失训练， 发现还原出来的 f 与 FS 理论一致。
  3. 约束 (constraints)：
    • 对称性 (symmetry) f(-s) = -f(s)——保证策略不偏向任何一边。
    • Beta 中性 (beta-neutrality) f(0) = 0——去掉买入持有带来的暴露。
    • 方差保持 (variance preservation) \text{var}(f(s)) \approx \text{var}(s)——让不同设计之间的风险刻度可比。
  4. 估计窗口 (estimation window)：样本内，还是扩展窗口 (expanding window)。Moskowitz 等 (2025) 指出， 把经验 f 固定在 1994–2024 会让 2015–2024 的表现有所退化；定期重新估计会有帮助。
  5. f 之后的重新缩放 (re-scaling)：外层的 Volatility Targeting 层把 f(s_t) 乘上 \sigma_{target} / \hat\sigma_t，在合约之间做风险平衡。

实用配方

配方 1 — Ferson-Siegel（理论）

f_{FS}(s_t) = \lambda \cdot \frac{s_t}{\sigma_\varepsilon^2}, \quad \lambda \approx 0.394 \text{ for unit-variance normalized signal}

优点：闭式解，稳健，有明确理论依据。缺点：假定风险调整后的收益在小幅度区间内对 s_t 是线性的。

配方 2 — 经验 ANN

用 Keras + Adam 训练一个小型 MLP（多层感知机；1–2 层、2–16 个节点、tanh 激活、L_2 正则、25%–50% dropout）， 在对称化的训练数据上最小化 f(s_t) \cdot r_{t+1} / \hat\sigma_{t+1} 的负夏普比率。 对称化的做法是把 (-s, -r) 这样的配对一并纳入训练集。（Moskowitz 等，2025，§3.3。）

配方 3 — 非参数 Nadaraya–Watson

\hat f(s) = \frac{\sum_i K_b(s - s_i) \cdot y_i}{\sum_i K_b(s - s_i)}

核函数用 Epanechnikov 核，带宽 (bandwidth) 要选到不会失稳。Moskowitz 等 (2025) 发现简单的交叉验证 (cross-validation) 往往挑到过小的带宽，建议在波动率归一化后的输入上取 b = 1。

配方 4 — 阈值化 / 分段线性

一个更简单的实务替代：f(s) = \text{clip}(\alpha s, -1, 1) 或 f(s) = \text{sign}(s) \cdot \min(\alpha |s|, 1)。 不需要机器学习就能拿到饱和效果。

经验 ANN 还原出了什么

Moskowitz 等 (2025) 报告，还原出来的 f 有这些性质：

  • 在 |s| \in [0, 1] 上近似线性。
  • 在 |s| > 1.5 上出现回退 (rollback)（斜率降到零甚至反向）——与 FS 一致。
  • 形状更多取决于观测频率，而不是回看期。日频下，短回看期（1 个月）的回退更明显； 月频下，长回看期（12 个月）的回退更明显。
  • 对损失函数稳健：用 MSE 训练和用夏普比率训练的网络收敛到相似的形状。

什么时候不该用非线性映射

  • 如果信号本身已经校准良好而且有界，线性映射可能就够用了。
  • 如果交易成本很高、信号又频繁变号，平滑的非线性映射会有帮助（二值规则会导致反复翻转）； 但更陡的饱和在慢趋势行情里可能有害。
  • 如果你手上的资产数量很少，经验 ANN 容易过拟合；FS 的闭式解更稳妥。

相关页面

参考文献

  • Moskowitz, T.J., Sabbatucci, R., Tamoni, A., & Uhl, B. (2025). "Nonlinear Time Series Momentum." Working paper, §3.3.
  • Ferson, W.E. & Siegel, A.F. (2001). "The Efficient Use of Conditioning Information in Portfolios." Journal of Finance, 56(3).
  • Levine, A. & Pedersen, L.H. (2016). "Which Trend Is Your Friend?" Financial Analysts Journal, 72(3).