Lead-Lag Equity Forecasting
Definition. 利用有向 lead-lag 关系作为"先验", 构造有可解释方向性的股票收益预测信号: lagging cluster 的下期收益由 leading cluster 的近端均值收益预测, 而非"用全市场过去 lag 自身预测自身"。配合 rolling 聚类 + meta-flow 阈值 + OLS / EWMA 回归 的 pipeline 在美股上达到 Sharpe 0.62, 显著高于 LASSO-VAR 0.27 (Bennett 2022)。
Pipeline (Bennett 2022 §6.1)
For each rolling window (update period = 2 months, lookback = 1 year):
1. 重新计算 lead-lag matrix: S_ij = ccf_auc(X^(i), X^(j), L=5, corr=distance_correlation)
2. Hermitian RW 聚类: k=10 → cluster labels
3. 计算 meta-flow F_{ab}, 取阈值 \tilde F_{ij} = 1{F_ij > 90% 分位}
4. 对每对 (i, j) (i = leading, j = lagging): OLS 拟合
Y^(j)_t = θ X^(i)_t + ε
X^(i)_t = EWMA(mean returns of cluster i, α=0.4) # 92% 权重在前 5 日
5. 信号: S_t(j) = Σ_i \tilde F_ij θ^(i)_j X^(i)_t
6. 21 日 rolling vol-normalize 到 10% 年化 (近似 rolling Kelly)
7. 等权 long/short 各 cluster, 持仓 1 日
关键设计选择
| 步骤 | 选型 | 理由 |
|---|---|---|
| 滚动更新频率 | 2 月 | 平衡稳定性 vs 时变性 (Bennett 2022 §5.3 报告年间 ARI 0.05-0.20) |
| Lookback | 1 年 | 足够样本估计 lead-lag + 聚类, 又不 stale |
| EWMA α | 0.4 | 92% 权重在前 5 日 (周级别), 与 lag L=5 匹配 |
| 阈值 | meta-flow 90% 分位 | 过滤弱 lead 关系, 减少噪声 pair |
| vol-normalize | 21 日 rolling | 动态 Kelly, 稳态 10% 年化 vol |
| long/short | 等权 (cluster) | 不暴露其他风险因子 (检验 signal 独立 alpha) |
实证 (Bennett 2022, NYSE 434 stocks, 2000-2019)
| 信号 | Sharpe | p-value (Opdyke 2007) | 与市场相关 |
|---|---|---|---|
| 本方法 | 0.62 | < 0.004 | 0.04 |
| LASSO-VAR (5 lag) | 0.27 | > 0.13 | — |
| S&P 500 BH | 0.40 | — | 1.00 |
| Random label baseline | < 0.10 (200 MC 99% 分位) | < 0.005 (拒绝) | — |
注意: 论文未做交易成本。周级别 EWMA 暗示 turnover 低, 实际可行性需自行补 TC 估计; 美股机构 ~5-10bp 单边, 2.4 bp/日 均值收益 (vs 3.0 bp 市场) 提示保守成本模型下大概率失效。
优势 vs 局限
优势:
- 方向性可解释: 哪些 cluster 在 lead / lag, 为什么, 由 meta-flow graph 直接可见。
- 降维 vs 预测解耦: 聚类 k=10 是降维, OLS 是预测; 各自可独立更换 (e.g. 聚类换 GNN, 预测换 Ridge)。
- 抗自相关: 不同于纯自回归, cross-cluster 预测不依赖 auto-correlation, 减少 look-ahead 嫌疑。
- 市场相关性低 (0.04): 不是"β"或动量复制, 是真独立 alpha 候选。
局限:
- 2012 后衰减: 与 Curme 2015 报告的"美股信息效率提升" 一致; A 股 / 国内能否复现待验证。
- 未建模交易成本; 1.4 bp/日超额收益 (相对市场) 极容易被 5-10 bp 吃单边成本消灭。
- 滚动聚类 + 滚动 OLS 双重 look-ahead: 虽然 permutation test 拒绝"无 lead-lag" 零假设, 但 fine-tuning 风险需自己评估。
- k=10 选型: 论文承认 hyperparameter, 5-20 扫描未给出, 实际 Sharpe 对 k 敏感度未充分研究。
与 LASSO-VAR 的对比
| 维度 | Lead-Lag Cluster | LASSO-VAR |
|---|---|---|
| 输入维度 | k=10 (cluster-level) | p \times \text{lag} (全市场 lag) |
| 可解释性 | 高 (哪个 cluster lead 谁) | 低 (稀疏回归系数难解释) |
| Sharpe | 0.62 | 0.27 |
| 训练成本 | O(p^2 TL + kp^2) (lead-lag + 聚类) | O(p^2 L) (lasso + VAR) |
| 抗噪声 | 中等 (依赖聚类质量) | 强 (L1 正则化) |
| 时变适应 | 中 (rolling 2 月更新) | 中 (rolling 2 月更新) |
邻近概念
- Lead-Lag Detection — 上游 metric
- Hermitian Spectral Clustering — 配套聚类
- Meta-Flow Graph — 阈值化输入
- RowSum Leadingness — cluster 排序
- 地理引线-滞后效应 (Parsons 2018 (== summaries/201809-geographic-lead-lag-effects/201809-geographic-lead-lag-effects) — 同期另一 lead-lag 经典
起源 / 标准文献
- Bennett, Cucuringu, Reinert (2022) Machine Learning 111:4497–4538 — 本方法的完整 pipeline + 美股实证 (本 wiki 摘要)
- Curme, Stanley, Vodenska (2015) — 早期 lead-lag 网络的预测应用 (Billio 2012 类似思路)
- Asness, Moskowitz, Pedersen (2013) — 风险调整后收益作为信号评估框架
- Lo & MacKinlay (1990) — 早期 lead-lag 收益预测
Open Questions
- A 股日频上 Sharpe 0.62 能否复制? A 股 T+1 + 涨跌停 + 散户主导, 与美股机构主导的 lead-lag 机制应不同。
- 加 transaction cost (5-10 bp 单边) 后, signal 是否仍正收益? 减仓周期延长到 5 日 EWMA 替代 1 日, 减少 turnover。
- 与 MINGLE (因子-图联合) 摘要 的"因子-图联合学习"对比, 谁在 A 股 ~5000 票上更可扩展 + 更稳?
- meta-flow 阈值选 90% 是不是过度拟合? 50% / 75% / 95% 的 Sharpe 敏感度应报告。
- k 自适应: 改用 [Dynamic Regime Number Selection|Dynamic k] 类似思路 + meta-flow 熵作为选型信号。