Signal-Noise Decomposition in Label Design (监督信号的信噪分解)

Song-Liu-Chen 2026。Assumption 3.1 把跨日收益分解为 \alpha(\delta)\,s^\top w_* + \epsilon^{[\delta]} (随机游走噪声方差 \sigma^2(\delta+\delta_0));Theorem 3.2 (Appendix C.4) 给出 J(\delta) 的对数分解 2\ln\alpha(\delta) - \ln(\alpha(\delta)^2 + K(\delta+\delta_0)) + C。

Assumption 3.1 — 基础分解 ("动态 APT")

对任意 \delta \in (0, \Delta]:

r_{i,t}^{[\delta]} = \underbrace{\alpha(\delta)\,\mathbf{s}_{i,t}^\top \mathbf{w}_*}_{\text{信号}} + \underbrace{\epsilon_{i,t}^{[\delta]}}_{\text{噪声}}, \quad \epsilon_{i,t}^{[\delta]} \sim \mathcal{N}\!\big(0,\,\sigma^2(\delta+\delta_0)\big) | 符号 | 含义 | 性质 | |---|---|---| | \mathbf{s}_{i,t} \in \mathbb{R}^d | 可观测因子暴露 (whitened: \mathbb{E}[\mathbf{s}\mathbf{s}^\top]=\mathbf{I}_d) | 静态 | | \mathbf{w}_* \in \mathbb{R}^d | 因子风险溢价 (ground truth, \lvert\mathbf{w}_*\rvert_2=1) | 常数 | | \alpha(\delta) \in (0,1] | 信号实现过程 | 单调递增,饱和于 1 | | \sigma^2(\delta+\delta_0) | 噪声方差(线性累积) | 随机游走型,\delta_0>0 是微观结构固有噪声 | | \epsilon_{i,t}^{[\delta]} | 特质冲击 | \mathcal{N}(0, \sigma^2(\delta+\delta_0)) | 与经典 APT (Reinganum 1981) 的关键区别: 不假设信息瞬间定价;承认 \alpha(\delta) 需要时间吸收 (Hong-Stein 1999 渐进吸收, Shleifer 2000 行为金融)。该随机游走噪声假设在更长视界(结构突变、慢变量主导)下可能失效——论文 C.1.2 自承认的局限。 ## Theorem 3.2 (Appendix C.4) — 期望泛化的对数分解 把 J(\delta) := \mathbb{E}\!\left[\rho^2(\hat{\mathbf{y}}_t^\delta, \mathbf{r}_t^{[\Delta]})\right] (训练在 \delta 标签、测在 \Delta 标签的期望平方 IC) 取对数分解: \ln J(\delta) \approx \underbrace{2\ln\alpha(\delta)}_{\text{Information Gain}} - \underbrace{\ln\!\big(\alpha(\delta)^2 + K(\delta+\delta_0)\big)}_{\text{Noise Penalty}} + C

其中 K = d/(N\sigma^2) 为常数(C.2 OLS 估计误差的方差因子)。

• Information Gain = 2\ln\alpha(\delta): 信号随 \delta 增长但饱和 (Hong-Stein 1999)。
• Noise Penalty = \ln(\alpha(\delta)^2 + K(\delta+\delta_0)): 既含信号项又含累积噪声;在 \alpha 饱和后,主导项从 \alpha^2 切换到 K(\delta+\delta_0)。

一阶条件 — 信号 - 噪声均衡的必要充分条件

对 \ln J(\delta) 求导并化简(Appendix C.4.2 交叉相乘),得:

\frac{\alpha'(\delta)}{\alpha(\delta)} \;\gtrless\; \frac{1}{2(\delta+\delta_0)} | 条件 | 含义 | \delta^\star | |---|---|---| | \alpha'/\alpha > 1/(2(\delta+\delta_0)) | 边际信号实现 > 边际噪声累积 | \delta^\star \approx \Delta (用满) | | \alpha'/\alpha < 1/(2(\delta+\delta_0)) | 边际信号实现 < 边际噪声累积 | \delta^\star \to 0 (用短) | | 变号 | 信号在窗口内饱和 | 0 < \delta^\star < \Delta (单峰) | - 左侧 = 边际信号实现相对增长率; - 右侧 = 边际噪声累积双曲衰减率; - 均衡点即为 \delta^\star。 > 注: 这是 Appendix C.4.2 化简后的符号充要条件,不是直接导数等式。精确导数含 \alpha^2 项,见论文 Eq. (29)。 ## 三个 Scenario 的解析 (Appendix C.5) Scenario 1 (跨日, \delta^\star \to 0): - \alpha(\delta) \approx 1, \alpha'(\delta) \approx 0 for all \delta > 0 (隔夜信息已在开盘瞬间定价); - 不等式 \alpha'/\alpha < 1/(2(\delta+\delta_0)) 恒成立 → 梯度始终为负; - \delta^\star 取最短,即 close-to-open(开盘后最初时刻)。 - 物理:隔夜信息已被吸收,开盘后纯属随机游走。 Scenario 2 (30 分钟, \delta^\star = \Delta): - \alpha(\delta) 在整窗持续增长 (\alpha' 较大); - 窗口太短信号未饱和 → 不等式恒 >,梯度始终为正; - \delta^\star = \Delta。 Scenario 3 (90 分钟, 0 < \delta^\star < \Delta): - 早期 \alpha' 大 → 不等式 >,梯度正(信号主导); - 后期信号饱和 (\alpha' \to 0) → 不等式 <,梯度负(噪声主导); - 变号点即 \delta^\star \in (0, \Delta) — 经典悖论形态(由 Figure 2c 目测在窗口中部)。 ## Corollary 3.3 (Appendix C.6 — 跨日静态近似) 当 \alpha(\delta) \approx 1 (信号早饱和, Scenario 1 条件),Cov(\epsilon^\delta, \epsilon^\Delta) = \text{Var}(\epsilon^\delta)(随机游走的嵌套协方差性质),最终 IC 分解为: \rho(\hat{\mathbf{y}}_t^\delta, \mathbf{r}_t^{[\Delta]}) \approx \rho(\hat{\mathbf{y}}_t^\delta, \mathbf{r}_t^\delta) \times \rho(\mathbf{r}_t^\delta, \mathbf{r}_t^{[\Delta]})

左端是最终目标上的 IC(不是 J(\delta),后者是其平方)。右端两个可观测 Pearson 项的乘积:

• \rho(\hat{\mathbf{y}}^\delta, \mathbf{r}^\delta) = 模型对代理标签的拟合度;
• \rho(\mathbf{r}^\delta, \mathbf{r}^\Delta) = 代理标签与最终目标的对齐度。

CSI 300 / 500 / 1000 实测:理论曲线与 Test IC 几乎完全重合 (Figure 3)。

与 Partial Correlation 的一致性 (Appendix D)

用 partial correlation 公式 (Kenett et al. 2015) 可独立推导出同形态的"信号 - 噪声"均衡——佐证分解的统计稳健性,不依赖特定 APT 设定。

与 wiki 现有理论的关系

进一步阅读

• 上游:Risk & Portfolio/Label Horizon Paradox (标签视界悖论) (现象)
• 下游:Risk & Portfolio/Adaptive Horizon Learning via Bi-level Optimization (双层优化的自适应标签视界学习) (把此分解转化为训练目标)
• 论文:Song Liu Chen 2026 Label Horizon Paradox