Achury, Arredondo & Sánchez Ascanio (2024) — Filtration-Indexed ARIMA + Random-Walk Trend Model

大白话：这篇论文把「连续的 ARIMA 分布」和「离散的随机游走分布」拼成一个概率结构，给股票价格的短期涨跌方向做三分类（看涨 / 看跌 / 无法判定），在美、西、日、哥四个市场的 25 只股票上判对率约 62.5%——方向能判对，但给不出涨跌幅的大小。

一个用于预测股票资产价格短期趋势的新型预测分析模型。 Decision Analytics Journal 14 (2025) 100534，Elsevier。CC BY 4.0。DOI: 10.1016/j.dajour.2024.100534。2024-09-11 收稿，2024-12-13 录用，2024-12-20 在线发表。

作者

Fabián Achury-Calderón（Universidad de Salamanca / Universidad Militar Nueva Granada）
John A Arredondo（通讯作者，Fundación Universitaria Konrad Lorenz，Bogotá）
Leidy Catherinne Sánchez Ascanio（Fundación Universitaria Konrad Lorenz，Bogotá）

文献信息

期刊：Decision Analytics Journal（Elsevier，开放获取）
卷 / 文章号：14 / 100534
页数：13
许可：CC BY 4.0
数据集：25 只股票 × 130 个日收盘价，截止 2023-05-31（美国、西班牙、日本、哥伦比亚）

论文内容

一个面向短周期股票价格的方向分类器（看涨 / 看跌 / 无法判定）。数学上的新意是一个滤子 (filtration) (\mathbb{R}, \mathcal{F}_A \subseteq \mathcal{F}_B \subseteq \mathcal{F}, P)，它把：

建立在 Borel σ-代数 \mathcal{F}_B 上的连续型 ARIMA Forecast Model 密度，
建立在更粗的 σ-代数 \mathcal{F}_A 上的离散二项型 Random Walk Price Pathwise 质量，

组合成一个在随机游走分箱上重新归一化的乘积测度（命题 1）。随后的趋势判断只是一个取前 2 个分箱的检验（观察 4）：具体决策规则见 Filtered Probability Trend Hypothesis。

主要结果

市场	n	判对	判错	无法判定	命中率（仅计可判定样本）
美国（道指 + 纳斯达克前 9 只）	9	9	0	0	100%
西班牙（IBEX-35 精选）	5	4	1	0	80%
日本	5	2	3	0	40%
哥伦比亚	6	2	3	1	33%（40%）
合计	25	17	7	1	62.5%

ARIMA 预测值与实际 5 日价格变动的偏差区间为 −11.2% 到 +13.5% —— 模型判断方向的次数多于失误，但它不预测变动的幅度。

为什么收录进本 wiki

这是 wiki 中唯一把短周期股票预测写成「两个 σ-代数的滤子」的来源。这个构造在数学上干净、容易翻译成代码，样本量也足够大（25 只股票 × 4 个市场），可以跨市场状态做比较。它同时是一个有用的反面基准——在没有成交量、没有宏观变量、没有情绪数据、没有机器学习的条件下就拿到 62.5% 的方向判对率，为「更丰富的信号到底要额外创造多少价值」提供了参照系。

它不做什么

不是仓位管理或「信号转交易」模型，输出是分类标签。
不考虑交易成本，没有佣金、滑点或市场冲击项。
不区分市场状态，没有高波动 / 低波动的划分。
对离群值不稳健，用的是步长的中位数（不是稳健估计量）。
不是机器学习基准，论文自己就把 LSTM / GRU / RF / WNN 混合模型列为显然的下一步。