平滑转移自回归 STAR：用连续过渡函数给 regime 加一条软边界 • halo 的技术博客

先说结论：TAR 的硬门限有个尴尬的隐含假设—— $y_{t-1}$ 从 −0.0001 变到 +0.0001 的瞬间，模型系数整套跳变。市场没有这种开关。STAR（Smooth Transition Autoregression）用一个逻辑过渡函数 $G(\gamma, c)$ 把两套 AR 系数连续混合： $\gamma$ 大就是硬切换（退化成 TAR）， $\gamma$ 小就是渐变，让数据自己决定 regime 边界该多软。合成数据实测：估出 $\hat\gamma=2.5$ （明确的软边界），RSS 比线性 AR 低 4.4%。但 STAR 真正的交易红利不在拟合，而在仓位端：过渡函数天然输出 0~1 的连续状态权重，直接映射成仓位——软仓位择时样本外 Sharpe 4.95，碾压硬 0/1 仓位的 4.19，最大回撤从 −10.0% 收窄到 −5.2%，平均仓位只有 53%。代价也要说清： $\gamma$ 和 $c$ 的联合估计是出了名的病态，本实验训练集就把真值 2.5 估成了 6。

一、硬门限的物理缺陷#

上一篇 TAR 把状态空间一刀切成两段。这一刀在数学上干净，在金融上却别扭：

门限两侧无穷小的邻域里，预测值可以不连续跳变——今天 $y_{t-1}=-10^{-5}$ 用反转模型、明天 $y_{t-1}=+10^{-5}$ 用动量模型，但这两天的市场状态实际上没有任何区别；
参与者的行为切换是渐进的：恐慌不是在某个精确点位瞬间爆发，追涨盘也不是过了某条线才集体进场；
硬边界让策略信号在门限附近高频抖动，实盘换手被无意义地放大。

二、STAR：把指示函数换成 S 形曲线#

LSTAR（Logistic STAR）把 TAR 的指示函数 $\mathbb{1}(y_{t-1} \ge c)$ 换成逻辑函数：

y_t = (\phi_0 + \phi_1 y_{t-1})\big(1 - G\big) + (\theta_0 + \theta_1 y_{t-1})\, G + \varepsilon_t

G(y_{t-1}; \gamma, c) = \frac{1}{1 + \exp\!\big(-\gamma (y_{t-1} - c)/s\big)}

其中 $s$ 是转移变量的标准差（让 $\gamma$ 无量纲、跨数据可比）。两个关键参数：

$c$ ：过渡中心， $G(c) = 0.5$ 的位置；
$\gamma$ ：过渡陡峭度。 $\gamma \to \infty$ 时 $G$ 退化成阶跃函数——TAR 是 STAR 的极限特例； $\gamma \to 0$ 时 $G$ 趋于常数——退化回线性 AR。

这个嵌套关系是 STAR 最优雅的地方：硬切换、软切换、无切换，全在一个参数族里，让数据投票。

估计上，给定 $(\gamma, c)$ ，模型对其余系数是线性的（设计矩阵 $[1, y_{t-1}, G, G\cdot y_{t-1}]$ 的 OLS），所以用双重网格搜索外层、OLS 内层：

import numpy as np

def G_fn(x, gamma, c, s):
    return 1.0 / (1.0 + np.exp(-gamma * (x - c) / s))

def fit_lstar(X, Y, gammas, cs):
    """LSTAR：外层网格 (γ, c)，内层 OLS"""
    s, best = np.std(X), (np.inf, None, None, None)
    for gm in gammas:
        for c in cs:
            g = G_fn(X, gm, c, s)
            A = np.column_stack([np.ones_like(X), X, g, g * X])
            coef, *_ = np.linalg.lstsq(A, Y, rcond=None)
            rss = np.sum((Y - A @ coef)**2)
            if rss < best[0]:
                best = (rss, gm, c, coef)
    return best

python

$\gamma$ 网格要用对数间隔（0.5 到 40），因为 $G$ 对 $\gamma$ 的敏感度随 $\gamma$ 增大急剧下降—— $\gamma=20$ 和 $\gamma=40$ 的曲线几乎重合，这正是后面要讲的识别问题的根源。

三、实验：软边界被正确找回#

生成 2000 期 LSTAR 数据：下状态斜率 −0.50（超跌强反弹）、上状态 +0.30（温和动量），真实 $\gamma=2.5$ ——一条明确的软边界。

估计结果：全样本估出 $\hat\gamma=2.5$ 、 $\hat c=0.0076$ ，斜率系数 $\hat\phi_1=-0.41$ 、 $\hat\phi_1+\hat\theta_1=+0.04$ 。过渡陡峭度精确恢复；条件斜率从下状态的 −0.41 连续爬升到上状态——右图那条红色 S 形斜率曲线就是 STAR 相对 TAR 的全部增量信息：TAR 只能给两条水平虚线，STAR 告诉你两条线之间怎么走。

拟合优度对比：STAR 的 RSS 比线性 AR 低 4.4%，比硬 TAR 低 0.015%。注意这个对比的含义——在拟合层面 STAR 相对 TAR 的优势很小，因为 TAR 的折线在大部分区域和 S 曲线重合，只在过渡带内有差异。STAR 的真正价值不在这里。

四、真正的红利：G 函数就是仓位#

TAR 输出的状态是离散的（0 或 1），STAR 输出的 $G$ 是连续的 0~1——这天然就是一个状态置信度，可以直接映射成仓位。

前 1000 期训练、后 999 期样本外，两种规则同台：

硬仓位：预测 > 0 满仓，否则空仓（TAR 式 0/1）；
软仓位：仓位 = clip(预测值 / 波动尺度, 0, 1)，预测越强仓越重。

指标	STAR 软仓位	硬 0/1 仓位	买入持有
终值	7.32	12.96	12.96
Sharpe	4.95	4.19	4.19
最大回撤	−5.2%	−10.0%	−10.0%
平均仓位	53%	~100%	100%

读法要诚实：

软仓位终值更低但 Sharpe 更高——它用一半的平均仓位拿到了更高的单位风险回报，回撤直接砍半。终值差距是仓位杠杆差距，把软仓位等波动放大后优势会体现在收益端；
这份测试集里硬仓位几乎从不空仓（预测大部分时间为正），所以硬仓位曲线和买入持有重合——硬门控在温和市场里退化成”永远满仓”，连续仓位才保留了信息的灰度；
软仓位的换手成本没有计入。连续仓位意味着每天都在调仓，实盘要加换手惩罚项（比如仓位变化超过 5% 才执行）。

五、γ 的识别陷阱：STAR 最出名的坑#

$\gamma$ 大时似然面是平的。 $\gamma=20$ 和 $\gamma=100$ 的过渡函数几乎不可区分，除非恰好有大量样本落在极窄的过渡带内。后果： $\hat\gamma$ 的置信区间可以宽到没有意义。本实验就是活例——全样本估出 2.5（准确），但训练集单独估出 6，同一过程、不同窗口， $\hat\gamma$ 翻倍。永远不要对 $\hat\gamma$ 的点估计做精确解读，它只回答”软还是硬”这个定性问题。

线性检验不能用标准 LR。 零假设”线性”下 $\gamma$ 和 $c$ 都不可识别（Davies 问题），正解是 Luukkonen-Saikkonen-Teräsvirta 的 LM 检验：把 $G$ 泰勒展开成 $y_{t-1}$ 的多项式，检验高次项系数联合为零。这一步同时能帮你在 LSTAR（逻辑，捕捉涨跌不对称）和 ESTAR（指数，捕捉大小偏离不对称）之间做选择。

过渡变量的选择比模型形式更重要。 本文用 $y_{t-1}$ 自激励，实际中用波动率、利差、成交量做过渡变量往往更符合”regime 由环境变量驱动”的直觉——这时 STAR 就变成了一个可估计的”条件择时”框架。

六、拆穿几个流行误读#

“STAR 更一般，所以一定优于 TAR”。 嵌套关系只保证样本内 RSS 不升，不保证样本外。多估一个 $\gamma$ 的代价是识别病态；若真实边界就是硬的，TAR 更少的参数反而更稳。

” $\hat\gamma$ 告诉我们市场切换的精确速度”。 见上—— $\gamma$ 的估计误差大到只能做定性判断。任何把 $\hat\gamma=6.3$ 解读成”市场用 6.3 个单位速度切换”的说法都是过度解读。

“软边界=模型模糊=没有用”。 恰恰相反，本实验显示软边界的价值集中在仓位端：连续的 $G$ 让仓位随状态置信度渐变，避免了硬门限在边界附近的信号抖动。“模糊”是特性，不是缺陷。

“拟合提升 0.015%，STAR 白做了”。 用拟合优度评价 STAR 是问错了问题。STAR vs TAR 的增量在过渡带的仓位分辨率，反映在 Sharpe 4.95 vs 4.19 上，而不是 RSS 第四位小数上。

七、总结#

STAR 把 TAR 的硬开关换成了可估计软硬的 S 形过渡，用一个参数族统一了”线性—软切换—硬切换”三种世界。它在拟合上相对 TAR 的增益微弱，但过渡函数输出的连续状态权重是天然的仓位信号——这才是它进交易系统的理由。使用时记住三条纪律： $\gamma$ 只做定性解读、线性检验用 LM 不用 LR、软仓位必须补算换手成本。