第二道工序：收益预测——低信噪比下的机器学习

对应原书第 2 章主体（Forecasting），全书篇幅最大、公式最密的一章。原书无中译；本页为原创导读笔记，讲问题结构与取舍，不复述推导。

问题设定：先接受信噪比#

统计套利预测的现实：单个信号与未来收益的相关性（IC）通常只有百分之几，对应 R² 万分之几的量级。生意能成立靠的不是预测准，而是大数定律——几千只股票 × 几百个交易日 × 很小的正期望，聚合出可观的夏普。这个设定决定了本章一切取舍：任何在高信噪比领域（图像、语言）成立的 ML 经验，搬过来都要先打个问号。

技术类预测：两大原型#

均值回归：中频 statarb 的传统主粮——股价相对同类（行业、相关篮子）的短期偏离会部分收敛。它本质是给市场提供流动性，收益来源清晰，但对交易成本极端敏感；
动量：更长周期上延续性占上风。动量与均值回归在不同时间尺度上共存，不矛盾——信号的符号取决于你看的横坐标。

再加上量价形态、跨资产信息（期权、可转债、ETF 流量对个股的领先性）等统计型预测因子。原书态度：技术信号人人会做、拥挤而衰减快，但便宜、容量大、永远是 alpha 池的基础仓。

统计学习基础：他为什么要绕道讲理论#

原书用相当篇幅讲信息论（互信息、熵）、贝叶斯推断、偏差-方差权衡、PAC 可学习性。这不是学究病，而是给出判断工具：

偏差-方差权衡在低信噪比下几乎总是偏向”高偏差、低方差”一端——简单模型 + 强正则化；
正则化等价于先验：ridge/lasso 不是调参技巧，是你对”系数应该多大”的信念表达；
加权大数定律：样本不等权（新数据更相关、波动期方差更大），有效样本量远小于名义样本量——与《金融机器学习》的样本唯一性论证殊途同归。

ML 方法清单与金融特殊要求#

原书把主流方法过了一遍（正则化线性回归、KNN 与核平滑、决策树/随机森林/boosting、神经网络与深度学习、在线学习），但真正的贡献是列出金融预测对 ML 的特殊要求：

要求	原因
抗过拟合是第一优先级	信噪比太低，模型会先学会噪声
处理非平稳	市场机制变迁，老数据会”过期”
支持在线/滚动更新	信号衰减，模型需要持续再训练
可解释、可归因	亏钱时必须能回答”哪个特征干的”

在这套标准下他的结论很克制：正则化线性模型与 boosted trees 是工业主力，深度学习在中频股票预测上尚未证明系统性优势——数据量与信噪比撑不起那么多参数。

还有一条工程权衡值得单独记住——时效性与显著性的权衡：快信号（分钟级）统计显著性好验证但容量小、成本敏感；慢信号（月级）容量大但一辈子也攒不够独立样本去证明它显著。机构的解法是快慢搭配，让快信号养活研发、慢信号承载规模。

本页带走的三句话#

统计套利的预测 IC 只有百分之几，生意靠大数定律聚合，不靠单次预测准——一切 ML 取舍由此出发；
低信噪比把偏差-方差权衡推向简单一端：正则化线性 + boosted trees 是主力，深度学习不是银弹；
快信号好验证但容量小，慢信号有容量但难证显著——alpha 研发的第一个组合决策是快慢搭配。