theoryaptfactor-modelsignal-realizationnoise-accumulationdecomposition

Signal-Noise Decomposition in Label Design (监督信号的信噪分解)

大白话：把跨日收益拆成「信号 × 真实权重」+ 「随机游走噪声」两半，就得到一个信噪比公式：视界越长，信号会衰减、噪声方差会累积（随机游走）。于是「该用多长的预测视界」变成了一个可以解析求解的选择问题。

Song-Liu-Chen 2026。Assumption 3.1 把跨日收益分解为 \alpha(\delta)\,s^\top w_* + \epsilon^{[\delta]} (随机游走噪声方差 \sigma^2(\delta+\delta_0));Theorem 3.2 (Appendix C.4) 给出 J(\delta) 的对数分解 2\ln\alpha(\delta) - \ln(\alpha(\delta)^2 + K(\delta+\delta_0)) + C。

Assumption 3.1 — 基础分解 ("动态 APT")

对任意 \delta \in (0, \Delta]: r_{i,t}^{[\delta]} = \underbrace{\alpha(\delta)\,\mathbf{s}_{i,t}^\top \mathbf{w}_*}_{\text{信号}} + \underbrace{\epsilon_{i,t}^{[\delta]}}_{\text{噪声}}, \quad \epsilon_{i,t}^{[\delta]} \sim \mathcal{N}\!\big(0,\,\sigma^2(\delta+\delta_0)\big)

符号 含义 性质
\mathbf{s}_{i,t} \in \mathbb{R}^d 可观测因子暴露 (whitened: \mathbb{E}[\mathbf{s}\mathbf{s}^\top]=\mathbf{I}_d) 静态
\mathbf{w}_* \in \mathbb{R}^d 因子风险溢价 (ground truth, \lvert\mathbf{w}_*\rvert_2=1) 常数
\alpha(\delta) \in (0,1] 信号实现过程 单调递增,饱和于 1
\sigma^2(\delta+\delta_0) 噪声方差(线性累积) 随机游走型,\delta_0>0 是微观结构固有噪声
\epsilon_{i,t}^{[\delta]} 特质冲击 \mathcal{N}(0, \sigma^2(\delta+\delta_0))

与经典 APT (Reinganum 1981) 的关键区别: 不假设信息瞬间定价;承认 \alpha(\delta) 需要时间吸收 (Hong-Stein 1999 渐进吸收, Shleifer 2000 行为金融)。该随机游走噪声假设在更长视界(结构突变、慢变量主导)下可能失效——论文 C.1.2 自承认的局限。

Theorem 3.2 (Appendix C.4) — 期望泛化的对数分解

把 J(\delta) := \mathbb{E}\!\left[\rho^2(\hat{\mathbf{y}}_t^\delta, \mathbf{r}_t^{[\Delta]})\right] (训练在 \delta 标签、测在 \Delta 标签的期望平方 IC) 取对数分解:

\ln J(\delta) \approx \underbrace{2\ln\alpha(\delta)}_{\text{Information Gain}} - \underbrace{\ln\!\big(\alpha(\delta)^2 + K(\delta+\delta_0)\big)}_{\text{Noise Penalty}} + C

其中 K = d/(N\sigma^2) 为常数(C.2 OLS 估计误差的方差因子)。

  • Information Gain = 2\ln\alpha(\delta): 信号随 \delta 增长但饱和 (Hong-Stein 1999)。
  • Noise Penalty = \ln(\alpha(\delta)^2 + K(\delta+\delta_0)): 既含信号项又含累积噪声;在 \alpha 饱和后,主导项从 \alpha^2 切换到 K(\delta+\delta_0)。

一阶条件 — 信号 - 噪声均衡的必要充分条件

对 \ln J(\delta) 求导并化简(Appendix C.4.2 交叉相乘),得:

\frac{\alpha'(\delta)}{\alpha(\delta)} \;\gtrless\; \frac{1}{2(\delta+\delta_0)}

条件 含义 \delta^\star
\alpha'/\alpha > 1/(2(\delta+\delta_0)) 边际信号实现 > 边际噪声累积 \delta^\star \approx \Delta (用满)
\alpha'/\alpha < 1/(2(\delta+\delta_0)) 边际信号实现 < 边际噪声累积 \delta^\star \to 0 (用短)
变号 信号在窗口内饱和 0 < \delta^\star < \Delta (单峰)
  • 左侧 = 边际信号实现相对增长率;
  • 右侧 = 边际噪声累积双曲衰减率;
  • 均衡点即为 \delta^\star。

注: 这是 Appendix C.4.2 化简后的符号充要条件,不是直接导数等式。精确导数含 \alpha^2 项,见论文 Eq. (29)。

三个 Scenario 的解析 (Appendix C.5)

Scenario 1 (跨日, \delta^\star \to 0):

  • \alpha(\delta) \approx 1, \alpha'(\delta) \approx 0 for all \delta > 0 (隔夜信息已在开盘瞬间定价);
  • 不等式 \alpha'/\alpha < 1/(2(\delta+\delta_0)) 恒成立 → 梯度始终为负;
  • \delta^\star 取最短,即 close-to-open(开盘后最初时刻)。
  • 物理:隔夜信息已被吸收,开盘后纯属随机游走。

Scenario 2 (30 分钟, \delta^\star = \Delta):

  • \alpha(\delta) 在整窗持续增长 (\alpha' 较大);
  • 窗口太短信号未饱和 → 不等式恒 >,梯度始终为正;
  • \delta^\star = \Delta。

Scenario 3 (90 分钟, 0 < \delta^\star < \Delta):

  • 早期 \alpha' 大 → 不等式 >,梯度正(信号主导);
  • 后期信号饱和 (\alpha' \to 0) → 不等式 <,梯度负(噪声主导);
  • 变号点即 \delta^\star \in (0, \Delta) — 经典悖论形态(由 Figure 2c 目测在窗口中部)。

Corollary 3.3 (Appendix C.6 — 跨日静态近似)

当 \alpha(\delta) \approx 1 (信号早饱和, Scenario 1 条件),Cov(\epsilon^\delta, \epsilon^\Delta) = \text{Var}(\epsilon^\delta)(随机游走的嵌套协方差性质),最终 IC 分解为:

\rho(\hat{\mathbf{y}}_t^\delta, \mathbf{r}_t^{[\Delta]}) \approx \rho(\hat{\mathbf{y}}_t^\delta, \mathbf{r}_t^\delta) \times \rho(\mathbf{r}_t^\delta, \mathbf{r}_t^{[\Delta]})

左端是最终目标上的 IC(不是 J(\delta),后者是其平方)。右端两个可观测 Pearson 项的乘积:

  • \rho(\hat{\mathbf{y}}^\delta, \mathbf{r}^\delta) = 模型对代理标签的拟合度;
  • \rho(\mathbf{r}^\delta, \mathbf{r}^\Delta) = 代理标签与最终目标的对齐度。

CSI 300 / 500 / 1000 实测:理论曲线与 Test IC 几乎完全重合 (Figure 3)。

与 Partial Correlation 的一致性 (Appendix D)

用 partial correlation 公式 (Kenett et al. 2015) 可独立推导出同形态的"信号 - 噪声"均衡——佐证分解的统计稳健性,不依赖特定 APT 设定。

与 wiki 现有理论的关系

概念 关系
APT (Reinganum 1981) 本分解是 APT 的动态扩展:把静态定价改为有时间尺度的实现
Hong-Stein (1999) Underreaction-Momentum-Overreaction 提供 \alpha(\delta) 单调递增、饱和的金融经济学基础
Ang-Hodrick-Xing-Zhang (2006) IVOL 提供 \sigma^2 的特质波动率锚点
Mean-Variance Optimization with Transaction Cost TC 不进入此分解,但 \delta 选择影响 turnover,二者联合优化待研究
Factor-Loading Uncertainty (ABC 2013) ABC13 关注 \beta 不确定性,本文关注 label horizon——二者通过"信息含量 vs 噪声"同根

进一步阅读