papermomentummachine-learningworking-paper

Moskowitz, Sabbatucci, Tamoni & Uhl (2025) — "Nonlinear Time Series Momentum"

大白话：标准的时序动量策略只用线性权重或二元权重；这篇论文从理论上说明最优权重应该是一条「S 形」曲线（中间近似线性、两端饱和），并用一个以最大化样本外夏普为目标的神经网络实证复现出这条曲线，在 53 个期货品种上都优于线性和二元版本。

这篇理论与实证论文为 Time-Series Momentum 引入了一个非线性信号到仓位的映射，其动机来自 FS (2001) 的 Ferson-Siegel Optimal Weighting，并用一个以最大化样本外夏普比率为目标训练的神经网络加以验证。工作论文，2025 年 12 月 17 日。

引用

Moskowitz, T.J., Sabbatucci, R., Tamoni, A., & Uhl, B. (2025). "Nonlinear Time Series Momentum." Working paper, December 17, 2025.

作者

核心贡献

标准的 Time-Series Momentum 文献只用线性权重 f(s_t) = s_t 或二元权重 f(s_t) = \text{sign}(s_t)。这篇论文表明：

  1. 理论：均值-方差投资者对一个带噪声的预期收益信号的最优权重是一条非线性 S 形曲线——中间段线性、两端饱和——恰好就是 Ferson-Siegel Optimal Weighting。
  2. 实证机器学习：一个以最大化样本外夏普为目标的神经网络，复原出的函数 f 与理论上的 S 形曲线高度吻合。
  3. 业绩：在日频/周频/月频和 1 个月/3 个月/12 个月回看窗口下，NLTSMOM 在夏普比率和样本外 R^2 上都优于线性和二元 TSMOM，覆盖 8 个股指、24 个商品、21 个利率/外汇期货。
  4. 尾部对冲：NLTSMOM 的超额表现大部分集中在下跌市场——与 FS 的直觉一致，即当信号噪声最大时，压低极端信号的幅度最有价值。
  5. 稳健性：把该结论用到多空股票因子（Fama-French；以及 Jensen, Kelly & Pedersen, 2023 的 153 个因子）上仍然成立，用非参数方法（Nadaraya-Watson）估计该函数也成立。

关键实证结果

策略 日频，12 个月回看（夏普）
线性 0.70***
二元 0.83***
FS 非线性 0.83***
经验非线性 (ANN) 0.84***（在 p < 0.03 下统计上可区分）

Appraisal ratio 分解（对比同一持有期的横截面动量）：

  • 仅波动率缩放：约 0.27 的增量夏普
  • 非线性均值预测：约 0.44 的增量夏普

理论基础

按 Ferson & Siegel (2001)，对于 \mu(s_t) = s_t 且噪声方差为单位值的完美预期收益信号，归一化到 \text{var}(f_{FS}(s)) = 1 后，最优权重为：

f_{FS}(s) = \lambda \, s / \sigma_\varepsilon^2, \quad \lambda \approx 0.394

在 s > 1 时形状为凹，在 s < -1 时形状为凸。完整推导见 Ferson-Siegel Optimal Weighting。

实现配方（出自论文）

# Simplified ANN training to recover f(s_t)
# - Symmetric training data: include (-s, -r) pairs
# - Loss: negative Sharpe ratio of f(s) * r_{t+1} / sigma_{t+1}
# - Architecture: 1-2 hidden layers, 2-16 nodes, tanh activation
# - Regularization: L2 (1e-4 to 1e-1), dropout 25-50%
# - Optimizer: Adam, learning rate 1e-6 to 1e-3, ~50 epochs
# - Constraints: f(-s) = -f(s), f(0) = 0, var(f(s)) ≈ var(s)

相关页面