Wasserstein 模板追踪与标签切换修复 (Wasserstein Template Tracking)
Rolling HMM 的 latent state index 在每次 re-estimation 后会随机重排, 造成"标签切换 (label permutation)"。本文 (arXiv:2603.04441) 用 2-Wasserstein 距离 + 指数平滑 把新状态匹配到一组持续更新的"状态模板", 是 Wasserstein HMM 资产配置框架 步 4 的核心机制。
标签切换问题的本质
每次滚动窗 (例如每 21 交易日) 重新训练一个 K 状态 HMM, latent state 的"经济学含义"是稳定的, 但 EM / Baum-Welch 给出的状态编号 (k = 1, \dots, K) 因随机初始化或似然等价对称而任意排列。今天的 "状态 1 = 权益压力" 到了下个窗可能变成 "状态 3"。直接拿过滤概率 \gamma_{t,k} 会把同一 regime 的概率切到不同 index, 上游 MVO 误读为状态变化, 组合抖动。
Wasserstein 距离做状态对齐
对两高斯 \mathcal{N}(\mu_1, \Sigma_1) 和 \mathcal{N}(\mu_2, \Sigma_2) 的 2-Wasserstein 距离有闭式:
\mathcal W_2^2\!\left(\mathcal N(\mu_1,\Sigma_1),\,\mathcal N(\mu_2,\Sigma_2)\right) = |\mu_1 - \mu_2|^2 + \mathrm{tr}\!\left(\Sigma_1 + \Sigma_2 - 2(\Sigma_2^{1/2}\Sigma_1\Sigma_2^{1/2})^{1/2}\right)
同时惩罚均值差异 + 协方差结构差异, 比单比均值或逐元素比参数更稳健。
每次新 HMM 训完, 不去硬排 (1,\dots,K) 的排列, 而是:
\text{match}(k^{\text{new}}) = \arg\min_{j \in \{1,\dots,K\}} \mathcal W_2\!\left(\mathcal N(\mu_{k^{\text{new}}}, \Sigma_{k^{\text{new}}}),\, T_{j,t-1}\right)
其中 T_{j,t-1} 是第 j 个状态在 t-1 时刻的"模板高斯"。
指数平滑更新模板
匹配完成后, 不是把 T_{j,t} 直接覆盖为新分布, 而是:
T_{j,t} = (1 - \alpha)\, T_{j,t-1} + \alpha\, \mathcal N(\mu_{k^{\text{new}}}, \Sigma_{k^{\text{new}}})
实际操作中只更新模板的参数 (\mu, \Sigma), 模板本身是高斯。
- \alpha 小 → 模板稳定, regime 漂移识别慢
- \alpha 大 → 模板易抖, 等价于没有模板
这是"可适应但不混乱"的关键滑钮。
为什么是 Wasserstein 而不是别的距离
| 距离 | 失败场景 |
|---|---|
| 均值差 \lvert\mu_1 - \mu_2\rvert | 抓不到 vol 与相关结构变化 |
| KL 散度 \mathrm{KL}(p_1 \mid p_2) | 不对称, 不能三角对齐 |
| Bures / Frobenius on Σ | 不含均值差, 不够 |
| 2-Wasserstein | 同时含均值 + 协方差, metric, 计算简单 |
本文跨资产 (股/债/商品/外汇) 同时关心"风险偏好方向"和"波动聚集形状", Wasserstein 同时覆盖两者。
副作用与失败模式
- 模板污染: 若某 regime 在历史上只出现一次 (例如 2020/03 COVID), 模板样本过少, 后续匹配可能错位。
- 状态合并: 两个真正不同的 regime 在 vol 大幅震荡后可能 Wasserstein 距离变近, 模板被合并, 丢失状态分辨率。
- 跨窗 initializer: 首次训练没模板, 需先用 heuristic (e.g. long-run vol deciles) 初始化。
与 wiki 已有概念的对位
- Wasserstein Ambiguity Set — DRO 用 Wasserstein 球界定分布族; 本文用 Wasserstein 距离比较两个分布 而非构造球。
- Distributionally Robust Optimization — DRO 隐式假设分布固定; 本文假设状态分布在漂移, 故需动态跟踪。
- Markowitz Curse — Wasserstein 模板对齐不直接治 curse, 但让"用哪个 Σ"这个决策更稳定, 间接降低 N×T 病态在组合端的传导。
- Adaptive CutV 谱分割 — 都属于"动态重对齐"问题; 一个在 latent state space, 一个在 graph Laplacian。
Open Questions
- 模板初始化策略 (k-means vs. first HMM 全量结果) 对早期 regime 识别的稳健性。
- Wasserstein 距离 vs 谱距离 vs Hellinger 的稳健性比较 — 可能在 fat-tail regime 中差距很大。
- 与 online / streaming HMM (而非 rolling batch) 的整合: 在线 EM + Wasserstein 模板, 单天更新。
- A 股 T+1 + 涨跌停制度下, regime 内"被锁定"的资产无法真实反映 vol 突变, Wasserstein 模板可能滞后。