SAX 符号聚合近似：把连续价格序列离散成可检索的字符串 • halo 的技术博客

一句话版本#

SAX（Symbolic Aggregate approXimation）：把一段连续时间序列先 z-normalize，再用 PAA 压成 $w$ 段均值，最后按标准正态分布的等概率断点把每段映射成一个字母——128 个浮点数变成 ccaaddbb 这样一个 8 字符的词。从此形态检索变成了字符串匹配：哈希、倒排索引、后缀树，整个文本检索工具箱都能砸向价格序列。而且它带一个数学保证：词之间的 MINDIST 距离永远不超过原序列的真实欧氏距离（下界性质），用它做预筛选保证不漏检。

这是上一篇 Matrix Profile 的镜像篇：MP 走的是”精确计算所有距离”的路线，SAX 走的是”先离散再检索”的路线。两者在实盘管线里是上下游关系，不是竞争关系。

为什么要把数字变成字母#

价格序列的形态检索有一个根本矛盾：连续空间里没有”相等”，只有”距离”。你想找”历史上所有和这两周走势相似的时期”，在浮点世界里只能算距离然后排序——每次查询都是全库扫描。

文本世界完全不同：字符串相等是 $O(1)$ 的哈希判定，前缀匹配有 trie，模糊匹配有编辑距离和 n-gram 索引，几十年的信息检索技术随取随用。

SAX 的提议就是搭一座桥：用一个带失真保证的量化器把序列送进符号世界。三步流水线：

第一步：z-normalize。 窗口内减均值除标准差。这一步统一量纲——50 元的股票和 5000 元的股票、2015 年的高波动和 2017 年的低波动，全部拉到同一个尺度上比形状。

第二步：PAA（Piecewise Aggregate Approximation）。 把长度 $n$ 的序列切成 $w$ 等段，每段取均值。 $n=128, w=8$ 就是 16 倍压缩。PAA 本身就有下界性质（分段均值的距离 ≤ 原始距离，由 Cauchy-Schwarz 直接得），是整个框架的第一层保护。

第三步：等概率断点离散。 关键设计：断点不是均匀切分值域，而是按标准正态分布的等概率分位数切。字母表大小 $a=4$ 时断点是 $\Phi^{-1}(0.25), \Phi^{-1}(0.5), \Phi^{-1}(0.75) = -0.674, 0, 0.674$ 。z-norm 之后的序列近似服从标准正态，等概率断点保证每个字母出现频率近似相等——信息熵最大化，字母不浪费。20 万个标准正态样本实测四个字母的频率：24.9% / 25.1% / 25.0% / 25.0%，误差在千分之一量级。

SAX 流水线

图中 128 个点的含噪正弦序列，经过 8 段 PAA（红色横线）和 4 字母离散（灰色虚线是断点），变成词 “ccaaddbb”。整个形态——先高、落底、冲顶、回中——被 8 个字符无损地记住了骨架。

import numpy as np
from scipy.stats import norm

def paa(x, w):
    n = len(x)
    idx = (np.arange(n) * w) // n          # 每个点归属哪一段
    return np.array([x[idx == i].mean() for i in range(w)])

def sax_word(x, w, a):
    z = (x - x.mean()) / (x.std() + 1e-12) # z-normalize
    p = paa(z, w)                          # PAA 压缩
    bp = norm.ppf(np.arange(1, a) / a)     # 高斯等概率断点
    syms = np.digitize(p, bp)
    return "".join(chr(ord("a") + s) for s in syms)

python

核心实现 12 行。这是 SAX 流行 20 年的重要原因之一：没有任何需要调优的数值过程，离散化是确定性的查表。

MINDIST：不漏检的数学保证#

把连续值压成字母当然有信息损失。SAX 的精髓不在压缩本身，而在于对损失方向的控制：定义在词上的 MINDIST 距离

$MINDIST(\hat{Q}, \hat{C}) = \sqrt{\frac{n}{w}} \sqrt{\sum_{i=1}^{w} \text{dist}(\hat{q}_i, \hat{c}_i)^2}$

其中 $\text{dist}(r, c)$ 查一张 $a \times a$ 的表：相邻或相同的字母距离为 0，隔开的字母距离为两者断点之差。可以证明：

$MINDIST(\hat{Q}, \hat{C}) \leq D_{euclid}(Q, C)$

词距离是真实距离的下界，永远不高估相似性、只可能低估距离。 3000 对随机游走序列（n=64, w=8, a=6）实测：

MINDIST 下界验证

3000 个点全部落在对角线下方，违反率 0.00%，平均紧度（MINDIST/真实距离）约 0.50。

这个性质的工程价值叫 no false dismissal：你想找距离查询序列小于 $\epsilon$ 的所有历史窗口，先用 MINDIST 过滤——凡是 $MINDIST > \epsilon$ 的候选必然真实距离也超标，可以安全丢弃；剩下的候选再算真实距离精排。第一阶段是字符串运算（快几个数量级），第二阶段只处理漏斗尖上的少数候选，而且数学上保证没有真答案被第一阶段误杀。假阳性有（紧度 0.5 意味着过滤不算锐利），假阴性零。

这正是数据库索引的设计哲学——GiST 树的 bounding 保证、R 树的 MBR，全是同一个思路。SAX 把它带进了时间序列。

实验：SAX 词哈希检索价格模体#

合成一份 3000 日的价格序列，在 5 个位置（400/900/1500/2100/2700）植入同一个 40 日 V 形反转形态（急跌 12 日 + 反弹 20 日 + 横盘 8 日），每处叠加独立噪声。任务：只用 SAX 词的哈希匹配（不算任何距离）找回这 5 处植入。

做法简单到近乎作弊：对每个 40 日滑动窗口算 SAX 词，扔进 dict[word] -> [位置列表]；然后拿第一个植入窗口的词当查询键，直接查字典。

默认参数 (w=8, a=4) 的结果：查询词 caaabddd 命中 4 处（去重后），其中 3 处对上植入点、1 处误报、漏掉 2 处：

SAX 词检索模体

上图橙色带是植入位置，红色段是词命中窗口；下图把命中窗口 z-norm 后叠放——同一个 8 字符词背后的形态族肉眼可见地同构：先坠、后爬、再平。

3/5 的召回不算惊艳。但这恰恰是 SAX 最值得诚实展示的一面——性能对 (w, a) 参数敏感。全参数网格扫描的 F1 热力图：

参数敏感性热力图

F1 从 0.28（w=4, a=3）到 1.00（w=6, a=5） 剧烈波动。规律清晰：

词太粗（w 小、a 小）：符号空间只有 $a^w = 3^4 = 81$ 个词，背景窗口大量撞词，精确率崩塌；
词太细（w 大、a 大）：同一形态的 5 个含噪副本被噪声推过断点、散进不同的词，召回率崩塌；
甜蜜点在中间：(w=6, a=5) 时符号空间 $5^6 = 15625$ 个词，恰好大到背景不撞词、小到噪声不破坏形态签名，5 处植入一个不漏、零误报。

这就是量化领域用 SAX 的第一课：w 和 a 不是随便抄论文默认值的，它们隐式定义了你对”相似”的容忍度，需要按形态长度、噪声水平做小规模标注验证。经验起点： $w$ 取窗口长度的 1/5 到 1/8（每段 5-8 个交易日，对齐周级结构）， $a \in [4, 6]$ （Lin-Keogh 原文实证过 $a$ 超过 6 收益递减）。

SAX vs Matrix Profile：召回与精排#

上一篇的 Matrix Profile 与本篇的 SAX 是形态挖掘的两极：

	SAX 词哈希	Matrix Profile
范式	离散化 + 倒排索引	精确最近邻距离
查询成本	$O(1)$ 字典查找	$O(n \log n)$ （MASS）起步
结果性质	候选集（有假阳性，无假阴性*）	精确 top-k
参数	w, a（敏感）	只有窗口 m
扩展性	天然适配十亿级索引（iSAX 树）	单机 GPU 到千万点级

*在 MINDIST 过滤模式下无假阴性；纯词相等匹配模式会有（噪声跨断点）。

实盘管线的正确姿势不是二选一，而是级联：SAX/iSAX 索引在全市场 × 全历史的海量窗口上做粗召回（毫秒级），MINDIST 下界砍掉大头，最后对幸存候选用精确欧氏距离或 MP 精排。这是 Keogh 团队自己给出的架构（iSAX 2.0 索引了十亿级序列），也是”符号世界的检索速度 + 连续世界的度量精度”的标准组合拳。

SAX 的符号化还打开了另一扇门：词之后的一切 NLP 技术。词频统计（哪种形态在牛市高频出现）、n-gram 转移（词 A 后面接词 B 的条件概率）、TF-IDF（哪个形态是某只股票的”特色词汇”）、甚至把 SAX 词序列喂给序列模型。HOT SAX 异常检测（找出现次数最少的词附近的窗口）就是词频思路的直接产物，比 MP 的 Discord 提前了十年。

冷水三盆#

第一盆：等概率断点的高斯假设，被金融数据结构性违反。 断点来自标准正态分位数，而日收益率是肥尾的（超额峰度普遍 3 起步）。z-norm 后的价格窗口（注意：对价格窗口做 z-norm，不是对收益率）在趋势段还会呈双峰分布。后果是字母频率失衡——极端字母 a/d 被肥尾喂得过饱，中间字母信息量下降。修正方案存在（按经验分位数自适应断点，即 aSAX），但代价是丢掉跨序列的词可比性：两只股票的断点不同，同一个词不再意味着同一个形状。用标准 SAX 就要接受轻度频率失衡，用自适应断点就要放弃全局词典——没有两全。

第二盆：z-norm 抹掉幅度，盘整与崩盘可能同词。 这是和 MP 共享的原罪，在 SAX 里更隐蔽：一段 ±0.5% 的碎步阴跌和一段 −15% 的瀑布崩盘，z-norm 之后如果相对形状相同，SAX 词完全相同——字典查找会把它们放进同一个桶里，连 MP 里那种”距离偏大”的残留线索都没有。实操必须把窗口波动率作为独立特征带在词旁边（比如词后缀加一个波动率分桶字符），否则形态检索会在最关键的时刻给你最误导的答案。

第三盆：检索到 ≠ 可预测。 本文实验证明的是”植入的重复形态能被词哈希找回”，只字未提这些形态之后价格往哪走。把”历史上出现过 17 次同词形态”当成交易信号，需要独立回答：这 17 次之后的前向收益分布是否显著异于随机基线？17 个样本的检验功效够不够？形态频率本身是不是波动率 regime 的代理？上一篇 MP 文章的事件研究框架原封不动适用于此。SAX 是显微镜，不是水晶球。

A 股使用注记#

窗口跨停牌段直接丢弃，不要插值后再 z-norm——插值段的零方差会扭曲 PAA 均值；
一字涨跌停日的价格序列信息含量极低，建议含 ≥2 个一字板的窗口打上特殊标记（它们会聚成高频词，污染词频统计）；
词典跨市场共享要谨慎：A 股的 ±10% 涨跌幅约束截断了收益分布尾部，与美股窗口的断点语义并不对齐；
复权价是唯一正确输入，除权缺口会制造完全虚假的 a→d 跳变词。

结语#

SAX 的贡献不是压缩率，是范式搬运：把时间序列从只有距离度量的连续空间，搬进有相等判定、有哈希、有索引、有整套检索理论的符号空间，并且用 MINDIST 下界给这次搬运上了”不漏检”的保险。12 行代码的离散化 + 一张查表距离，换来的是把形态检索从 $O(n)$ 扫描降到 $O(1)$ 查找的自由。

实验数字复述一遍作为收尾：等概率断点频率偏差 <0.1%，3000 对序列 MINDIST 违反率 0.00%，最优参数下 5 处植入模体 F1=1.00——以及同样重要的另一半真相：参数不当时 F1=0.28，高斯假设在肥尾面前弯腰，z-norm 让盘整与崩盘同词。先用它加速你已经验证过的形态假设，而不是指望离散化本身产生 alpha。