MIDAS 混频回归：用高频数据预测低频变量 • halo 的技术博客

月度 CPI、季度 GDP、每周首次申领失业金——这些「慢变量」是资产定价的锚，但它们出得慢、频率低。等月度数据公布，市场早已 price in。真正的信息 Advantage 在日频：股价、利率、搜索指数、卫星图像、信用卡消费……这些「快变量」几乎实时跳动，且往往领先慢变量一个月甚至一个季度。问题是：怎么把几百个日频观测，干净地喂进一个只有 120 个样本点的月度回归？直接降采样会丢掉信息，直接堆几十个滞后又会瞬间耗尽自由度。MIDAS（Mixed-Data Sampling，Ghysels-Kobracki-Kounanos, 2001）的巧思正是：用一个参数化的权重多项式，把几十个高频滞后压缩成 2 个参数，既保留高频信息、又不爆自由度。

结论先放这：在「日频流量领先月度目标一个月」的合成设定下，Beta-MIDAS 用近 42 个日频滞后（近 2 个月）做混频加权，样本内 R²=0.912，样本外递归预测 R²=0.896；而只用月度历史的 AR(1) 样本外 R² 仅 0.223、朴素「用上月值」只有 0.007。差距来自高频数据的领先性 + Beta 权重对日内噪声的平滑。但 MIDAS 要过的陷阱（权重误设、混频对齐、过拟合、频率噪声）同样不轻，文末单列六类。

混频数据：日频流量领先月度目标一个月，并叠加日内噪声

一、混频回归的动机：为什么不能简单降采样#

最常见的偷懒做法是「把日频 x 取月均值，再和月度 y 跑 OLS」。问题在于两处失真：

信息损失：月均值把 21 个交易日的日内走势抹平，而真正有预测力的往往是「月末加速」「月初跳变」这类时序形态， averaging 直接抹掉。
对齐错误：月度 y 在月底公布，但月内日频 x 早已反映当月走向。正确的混频该用「截至上月底的日频」预测「当月 y」，而非用「当月均值」——否则等于让 y 同时用了自己月份的 x，制造前视偏差。

MIDAS 不降采样，而是直接把高频滞后按真实日历对齐进低频方程：

$y_t = \beta_0 + \beta_1 \sum_{k=1}^{K} w_k(\theta)\, x_{t-k} + \varepsilon_t$

其中 $x_{t-k}$ 是「距预测月 $t$ 第 $k$ 个高频观测」，权重 $w_k(\theta)$ 由少量参数 $\theta$ 决定。这样：高频信息全保留，自由度只花在 $\theta$ 上。

二、Beta 权重多项式：把 K 个滞后压成 2 个参数#

MIDAS 的灵魂是权重函数 $w_k(\theta)$ 。最常用的是 Beta 多项式：

$w_k(\theta_1,\theta_2) = \frac{(k/K)^{\theta_1-1}(1-k/K)^{\theta_2-1}}{\sum_{j=1}^{K}(j/K)^{\theta_1-1}(1-j/K)^{\theta_2-1}}$

两个形状参数就勾勒出几十个权重的「衰减轮廓」：

$\theta_1$ 控制近端权重（近期日频有多重要）；
$\theta_2$ 控制远端衰减速度（老数据掉得多快）。

$\theta_1,\theta_2$ 都在 $(1,\infty)$ 时权重非负、单调归一，解释清晰。本文用近 2 个月共 $K=42$ 个日频滞后预测当月。

import numpy as np
from scipy.optimize import minimize

def beta_weights(theta, K):
    k = np.arange(1, K + 1)
    raw = (k / K) ** (theta[0] - 1) * (1 - k / K) ** (theta[1] - 1)
    return raw / raw.sum()

def midas_z(x, t, m, K, theta):
    end = t * m                       # 截至第 t-1 月结束（不用 t 月自身，防前视）
    seg = x[end - K:end]              # 最近 K 个日频观测
    if len(seg) < K:
        seg = np.concatenate([np.full(K - len(seg), seg[0] if len(seg) else 0.0), seg])
    return np.dot(beta_weights(theta, K), seg)

python

拟合就是最小化 $\sum_t (y_t - \beta_0 - \beta_1 z_t)^2$ ，对 $(\beta_0,\beta_1,\theta_1,\theta_2)$ 做有界 NLS：

def midas_rss(params, x, y, m, K, T_use):
    b0, b1, th1, th2 = params
    z = np.array([midas_z(x, t, m, K, (th1, th2)) for t in range(T_use)])
    return np.sum((y - (b0 + b1 * z)) ** 2)

bnds = [(None, None), (None, None), (1.01, 20), (1.01, 20)]
res = minimize(midas_rss, [0.3, 0.8, 3.0, 3.0],
               args=(x, y, m, K, T), bounds=bnds, method="L-BFGS-B")
b0_h, b1_h, th1_h, th2_h = res.x

python

跑出来： $\hat\beta_0=0.308$ 、 $\hat\beta_1=0.851$ 、 $\theta=(6.17,2.47)$ —— $\beta_1$ 几乎还原真值 0.8，说明混频聚合确实抓到了高频 x 对月度 y 的领先关系。

Beta-MIDAS 权重多项式：θ=(6.17,2.47)，近期日频主导

三、数据生成：让日频真正「领先」月度#

MIDAS 值得做的根本前提是高频 x 真的领先 y。我们构造一个带领先结构的 DGP：低频因子 $f_t$ 是 AR(1)；第 q 月的日频 x 由「下个月因子 $f_{q+1}$ 」驱动——即日频流量提前一个月暴露了月度目标的走向；月度 y 则只由当月 $f_t$ 驱动。日频 x 再叠加日内自相关噪声与白噪声。

T, m, K = 120, 21, 42
f = np.zeros(T + 1)
f[0] = rng.normal(0, 1)
for t in range(1, T + 1):
    f[t] = 0.5 * f[t-1] + rng.normal(0, 1)

x = np.zeros(T * m)
day_state = 0.0
for q in range(T):
    f_next = f[q + 1]                 # 该月日频携带「下月因子」→ 领先月度 y
    for d in range(m):
        idx = q * m + d
        day_state = 0.5 * day_state + rng.normal(0, 0.4)
        x[idx] = f_next + 0.4 * day_state + rng.normal(0, 0.7)

y = 0.3 + 0.8 * f[:T] + rng.normal(0, 0.30, T)   # 月度目标由当月因子驱动

python

这个设定下，「上月日频 x」里已经藏着本月 $f_t$ 的信息，MIDAS 把这段领先信号抠出来；而 AR(1) 只看 y 历史，朴素法只看上月 y，天然少了这条信息通道。

Beta-MIDAS：仅用日频 x 的混频加权，还原月度 y 的走势

图上 MIDAS 拟合（红）几乎贴合实际 y（灰），样本内 R²=0.912——高频信息经 Beta 加权被高效榨出。

四、样本外对比：递归预测见真章#

样本内 R² 会骗人（自由度用得多就高）。真正分高下的是递归样本外预测：用 $[0,t)$ 估计，预测第 $t$ 月 y，滑窗到末尾，算 OOS R²。

def oos_forecast(train_T):
    sub_x, sub_y = x[:train_T * m], y[:train_T]
    if train_T < 24:
        return None
    r = minimize(midas_rss, [0.3, 0.8, 3.0, 3.0],
                 args=(sub_x, sub_y, m, K, train_T), bounds=bnds, method="L-BFGS-B")
    b0e, b1e, te1, te2 = r.x
    yhat_midas = b0e + b1e * midas_z(x, train_T, m, K, (te1, te2))
    # AR(1) 基准：y_t = a + b*y_{t-1}
    yy = sub_y
    co = np.linalg.lstsq(np.vstack([np.ones(train_T-1), yy[:-1]]).T, yy[1:], rcond=None)[0]
    yhat_ar = co[0] + co[1] * yy[-1]
    yhat_naive = yy[-1]
    return yhat_midas, yhat_ar, yhat_naive

# 对 t=24..T-1 收集预测，算 OOS R² = 1 - Σ(true-pred)² / Σ(true-mean)²

python

样本外预测力：混频 MIDAS 显著优于单频基准

结果：MIDAS 样本外 R²=0.896，AR(1)=0.223，朴素=0.007。差距不是拟合技巧，而是信息结构——高频领先变量提供了低频历史里没有的预测增量。这也是 MIDAS 在央行 nowcasting（用日频金融数据预测季度 GDP、月度通胀）里被大量采用的原因。

五、U-MIDAS 与权重选择的取舍#

Beta-MIDAS 强制权重呈「近端高、远端低」的单调轮廓，省自由度但可能误设形状。当真实权重非单调（比如「月初效应」强于月末），Beta 约束会偏。两个出路：

U-MIDAS（无约束）：直接估计全部 K 个权重（配强正则或降维），自由度高、适合大样本，但 42 个参数在小样本会过拟合。
Almon / 多项式权重：用低阶多项式逼近权重，是 Beta 与 U 之间的折中。

实务建议：先用 U-MIDAS 看权重真实形状，再决定是否用 Beta 约束。若真实权重明显非单调，强行 Beta 会系统性漏信号。

六、真实陷阱：比想象中更硬的六类#

陷阱一：权重函数误设（最隐蔽）。 Beta 多项式默认「近端权重最大、单调衰减」。若真实领先结构是非单调（远端某段反而更重要），Beta 约束会给你一个「拟合漂亮但预测烂」的模型。必须先 U-MIDAS 探形状，再决定约束。本文 DGP 的领先是近端主导，Beta 恰合适；换数据未必。

陷阱二：混频对齐 / 前视偏差（最致命）。 预测第 t 月 y，只能用「截至 t-1 月月底」的日频。一旦误用了 t 月自身的日频（哪怕只是月末几天），就等于把答案喂进模型，OOS R² 会虚高到离谱。日历对齐必须严格「目标月之前的全部高频观测」。midas_z 里 end = t*m 而非 (t+1)*m 正是这条纪律。

陷阱三：过拟合（自由度伪装）。 MIDAS 表面只估 4 个参数，但权重是 K 个滞后的非线性组合，等效自由度远高于 4。小样本 + 多高频滞后，NLS 很容易「记忆噪声」。必须靠递归 OOS 而非样本内 R² 判定，并考虑对 $\theta$ 加先验/正则。本文用 120 月样本、OOS 仍稳，才敢说信号真。

陷阱四：频率噪声与微观结构。 日频 x 含大量与「对 y 的领先」无关的日内噪声（买卖价差、盘中波动）。Beta 权重平滑了部分，但高频采样本身可能引入伪信号。实务上可对日频 x 先做去趋势/标准化，或换周频降低噪声。本文日频噪声已含，真实 tick 数据噪声更猛。

陷阱五：领先关系时变 / 结构突变。 「日频 x 领先月度 y」不是永久真理——政策转向、市场 regime 切换会让领先关系断裂甚至反转。用全样本估的静态 MIDAS 在断点后失效。应做滚动/扩展窗口估计，监控 $\beta_1$ 与 OOS R² 是否漂移。本文静态设定下表现好，真实要加断点监测。

陷阱六：样本量天花板与幸存者视角。 低频 y 只有 120 个样本点，统计功效本就有限；文献常只报告「成功的 nowcasting 案例」，对「MIDAS 失灵的时段」沉默。真实落地要报全样本 OOS 指标 + 分时段稳健性，而不是挑漂亮窗口讲。本文合成可控、OOS 可算，真实宏观样本要更保守地解读。

七、诚实结论#

MIDAS 解决的是一个真实的痛点：低频目标出得慢，但高频数据既领先、又实时。它用一个 Beta 权重多项式，把几十个高频滞后压成 2 个形状参数，既榨出领先信号、又不被自由度拖垮。在「日频领先月度一个月」的合成设定里，样本外 R²=0.896，把只依赖月度历史的 AR(1)（0.223）和朴素法（0.007）远远甩在身后。

但落到真实宏观 nowcasting 上，先过了权重误设、混频对齐前视、过拟合、频率噪声、领先时变、样本天花板这六关。模型最有用的姿势，是作为央行/投研的实时 nowcasting 管件——把日频金融数据、搜索指数、卫星图像喂进混频回归，在官方数据公布前先给市场一个「快半拍」的读数，而不是当成一个能闭眼押注的神谕。

注：全文数据为自洽合成（日频由「下月因子」驱动以构造领先关系，月度目标由当月因子驱动，含日内噪声），仅用于演示 Beta-MIDAS 权重构造、混频对齐与递归 OOS 的预测性质。真实复现请替换为实际宏观/高频数据，并对权重形状、前视对齐、过拟合与结构突变逐一做稳健性检验。