随机签名方法在量化投资中的时序特征提取与应用

随机签名方法的理论基础与构建逻辑

金融时序数据具有强烈的非线性和路径依赖性，价格历史走势中蕴含着市场关键的形态学特征。传统方法在处理高维路径时面临特征维度爆炸及数值尺度差异巨大的工程障碍。本研究借鉴粗糙路径理论中的签名方法（Signature Method），结合储备池计算（Reservoir Computing）思想，构建随机签名方法以捕捉金融时序数据的非线性路径依赖特征。

签名方法将一条路径完整地编码为一组从低阶到高阶的迭代积分，映射到无限维特征向量，包含路径的所有代数信息。然而，经典签名方法在实际应用中存在计算复杂度高的问题。随机签名方法通过一个受控的、随机初始化的静态非线性动力系统（即储备池）来模拟和逼近路径特征。利用随机投影低维嵌入的数学特性，该方法将原本呈指数级爆炸的特征空间锁死在用户指定的固定隐层维度内，既继承了签名方法捕捉全路径非线性几何特征的优势，又能容纳高维多资产市场及外生宏观因子。

算法计算过程与策略构建

随机签名方法将金融资产的价格或收益率时序路径作为驱动信号，输入到一个受控的非线性随机动力系统中。通过该系统在时间轴上的向前演化，将路径的几何形态无损地压缩映射至一个固定维度的隐藏层空间中。具体而言，模型通过一个受控随机微分方程描述储备池状态的演化过程，强制加入时间通道以捕捉时间流逝和非平稳特征。

在计算流程上，首先构造输入路径，包含个股日度收益率、滚动波动率等特征，并加入时间分量。随后，从正态分布中独立抽取随机投影矩阵和偏置向量，这些参数在实验前随机初始化后完全固定，不参与反向传播训练。接着，按前向欧拉公式递推储备池状态，得到隐藏层特征向量。最后，利用岭回归训练输出层，以隐藏状态为自变量预测下期资产收益率。为消除单次随机抽样的随机性，通常采用多个随机种子独立运行并取均值作为最终预测输出。

在交易策略构建方面，核心在于求解最优化夏普比率问题。模型利用历史随机签名特征预测下一期资产收益率，并结合过去滚动窗口的数据，采用非线性收缩协方差估计方法得到资产收益间的协方差矩阵。在得到资产收益率预测和协方差矩阵估计后，通过求解最优化问题得到下一期的最优资产权重向量，实现资产配置。

实证检验与市场表现分析

实证检验选取2021年至今的创业板50、上证50、深证50指数成分股以及沪深300中随机选取的股票进行回测。结果显示，在创业板50、上证50、深证50中，随机签名策略的年化收益率与夏普比率均显著高于动量组合与等权组合。以创业板50为例，在最优参数下，策略表现出显著的优势，相对等权组合获得较高的年化超额收益。在上证50和深证50中，策略同样展现出优于基准组合的风险调整后收益能力。

参数敏感性分析表明，对特征维度、随机矩阵分布的均值和方差等超参数进行网格搜索，随机签名策略战胜等权组合的比例较高，均在90%以上，显示出策略在不同参数设置下的稳健性。然而，在沪深300中随机选取的50只股票测试中，策略表现虽优于等权组合，但低于动量组合，表明策略效果受股票池特性影响。

市场信噪比与IC分析

市场信噪比分析表明，随机签名策略的滚动夏普比率与市场信噪比呈现显著关联。在信噪比正常或较高时，随机签名组合表现较好；但在极端高噪声环境下（如非理性暴涨暴跌），试图预测收益率会引入大量估计误差，导致配置失真，此时等权组合表现最好。在中证2000等反转性较强的市场中，策略表现较差，跑不赢等权组合，这与其预测值与动量因子高度相关有关。

IC（信息系数）分析显示，尽管预测收益率与实际收益率的IC均值较低，多在2%以内，但该预测精度在投资组合优化中仍具有变现效能。这与相关模拟实验结论一致，即即使预测精度不高，只要预测方向与优化目标一致，仍能在组合构建中产生超额收益。分组检验进一步验证了因子在不同分组的区分能力，尽管整体IC较低，但在特定分组中表现出一定的有效性。