Achury-Calderón, Arredondo & Sánchez Ascanio (2024) — 中文摘要
《A novel predictive analytics model for forecasting short-term trends in equity assets prices》,Decision Analytics Journal 14 (2025) 100534,Elsevier,CC BY 4.0。DOI: 10.1016/j.dajour.2024.100534。收稿 2024-09,接受 2024-12。
一句话核心
在同一个样本空间 \mathbb{R} 上,通过 filtration 把 ARIMA 的 Borel σ-代数套在 随机游走的离散 σ-代数外面,两者相乘并归一化,得到一个二元分类器(看涨 / 看跌 / 不可判)。在 25 只跨美 / 西 / 日 / 哥伦比亚的股票上,5 日方向命中率为 62.5%(24 个有结论的样本中 15 命中)。
为什么值得收录
本 wiki 已有的策略笔记大多关心"该交易什么、仓位多大"——动量、CTA、风险平价、波动率目标等。这篇论文关心的是"怎么把两个不同来源的概率分布拼成一个可用的预测"。具体做法——filtration \mathcal{F}_A \subseteq \mathcal{F}_B、在两个 σ-代数上分别定义正态与二项质量、再在共同的区间并上做乘积归一——是测度论思路在金融预测上的一个干净示例。属于 index.md 的 Models & Theory 分类,而非策略文件夹。
另一个值得收藏的原因是它提供了一个简单基线:不引入成交量、宏观、情绪、机器学习,只用 130 天日线 + ARIMA + 中位数步长的随机游走,就能在 25 个标的、5 日方向上得到 62.5% 命中。这本身就是"花哨信号有边际价值"的反面证据,值得做策略的人引用。
方法一段话
对 130 日日线拟合 ARIMA(p,d,q),用样本内 RMSE 当作 \sigma,借 CLT 给每个预测期 h 配一个 \mathcal{N}(\hat Y_h, \sigma^2 h)。再独立地,从最后一个收盘价出发做 h 步简单随机游走:上 / 下步长取正 / 负一阶差分的中位数(对极端值更稳健),每步上行概率 p 取上行频率。从最后一个点出发 h 步有 2^h 条路径但只有 h+1 个端点 \eta_i = X_0 + (h-i)\delta^+ + i\delta^-,每个端点配二项质量 P_i = \binom{h}{i} p^i (1-p)^{h-i}。再以步长 \delta = \delta^+ + |\delta^-| 为直径,给每个端点一个邻域 U(\eta_i, \delta/2)。过滤后的概率是:在第 i 个邻域上,正态 tail-difference 乘以二项质量,再除以所有 h+1 个邻域上的同样乘积之和(归一化)。取概率最大的两个邻域:若它们有公共聚点且 \eta 大的那一个胜出,判为看涨;若 \eta 大的反而输,判为看跌;若无公共聚点或两者概率近似,判为不可判。完整公式见 Filtered Probability Trend Hypothesis 与 Filtration-Indexed Probability Space。
核心数据(原文 Table 2–6 汇总)
| 市场 | n | 命中 | 错 | 不可判 | 命中 / 已判 |
|---|---|---|---|---|---|
| 美国(Dow + Nasdaq 市值前 9) | 9 | 9 | 0 | 0 | 100% |
| 西班牙(IBEX-35 选样) | 5 | 4 | 1 | 0 | 80% |
| 日本 | 5 | 2 | 3 | 0 | 40% |
| 哥伦比亚 | 6 | 2 | 3 | 1 | 33%(40%) |
| 合计 | 25 | 17 | 7 | 1 | 62.5% |
ARIMA 预测 vs 实际第 5 日价格的偏差区间为 −11.2%(BCOLOM)至 +13.5%(TSLA)。也就是方向大致对、幅度完全对不上——这是把"分类器"硬当成"信号"的典型问题。
它明确不是什么
- 不是仓位模型:输出
bullish | bearish | undecidable,没有目标权重。 - 不感知交易成本:全文没有提到佣金、滑点、市场冲击、融券。
- 不感知市场状态:没有高 / 低波动率状态、没有成交量、没有行业、没有宏观。
- 波动率维度缺失:步长用一阶差分的中位数、二项质量只用上下行频率,两者都不随市场波动率缩放。论文把唯一一例不可判 (BBO) 归因于随机游走分布高度对称、过滤后概率函数峰度不足,并直言所选分布"没有主要考虑波动率"。
- 不是机器学习基线:作者自己在末节列了 LSTM / GRU / RF / WNN 作为未来方向,参考文献也大量引 sentiment + LLM 增强预测(Lopez & Tang 2023、Das et al. 2024)。
与 wiki 其余部分的联系
- Time-Series Momentum / CTA Strategy 关心"怎么交易趋势";本文关心"怎么用一个不同数学工具去分类趋势"。对理解替代型趋势信号的构造有用,但不能直接拿来交易。
- Nonlinear Signal Mapping 讲 f(s_t) 的设计;本文的 ARIMA + 随机游走乘积本质上是把信号映射到离散事件空间上的概率质量,而 bullish / bearish 是该质量上的硬阈值规则——一种特殊形态的 f(s_t)。
- Stationary Bootstrap 是给趋势信号做显著性区间的块自助法。本文没做自助,所以那 62.5% 实际上没有置信带——一个明显的研究缺口。