Ferson & Siegel (2001) — "The Efficient Use of Conditioning Information in Portfolios"

大白话：这篇论文推导出一个均值-方差投资者在拿到预测未来收益的信号后，最优仓位应该是信号的「S 形」非线性函数（中间近似线性、两端饱和），这个形状是后来所有非线性信号映射的理论依据。

在均值-方差偏好下推导最优非线性信号-权重映射的论文。Journal of Finance, 56(3), 19–38。

引用

Ferson, W.E. & Siegel, A.F. (2001). "The Efficient Use of Conditioning Information in Portfolios." Journal of Finance, 56(3), 19–38.

核心贡献

对一个能获得公开信号 s_t（预测未来风险调整后收益）的均值-方差投资者而言，风险资产的无条件最小方差权重是信号的非线性函数 —— 具体是一条「S 形曲线」：中间段近似线性，两端饱和（回撤）。这是 Ferson-Siegel Optimal Weighting 的理论基础，后者被用于 Moskowitz Sabbatucci Tamoni Uhl 2025 Nonlinear TSMOM。

直觉

• 权重 w 带来的无条件方差惩罚按 w^2 \sigma_\varepsilon^2 放大（\sigma_\varepsilon^2 是信号噪声方差）。
• 无条件期望收益的贡献随 w 线性放大。
• 当 |s| 很大时，二次惩罚压过线性收益，因此最优 w 会饱和。

为什么重要

• 为任何信号驱动策略中的 Nonlinear Signal Mapping 提供了理论上的「为什么」。
• 2025 年 Moskowitz 等人的论文做了实证验证：训练一个以最大化夏普为目标的神经网络，得到的函数与 FS 的结果几乎一致。
• 在任何现代 CTA Strategy / Time-Series Momentum 文献中都是奠基性引用。

相关页面

• Ferson-Siegel Optimal Weighting —— 含闭式解的概念页。
• Moskowitz Sabbatucci Tamoni Uhl 2025 Nonlinear TSMOM —— 实证检验。
• Nonlinear Signal Mapping —— 更宽泛的设计空间。