标签： #分数差分

机器学习做量化最隐蔽的坑之一：直接用价格（非平稳）会引入伪相关，用收益率（一阶差分）又把记忆全丢掉。分数差分 fracdiff 用 0<d<1 的阶数，在「平稳」与「记忆」之间取折中。本文换一个应用视角——不是做特征，而是用 fracdiff 选 d 来服务「样本外预测」：在差分序列上拟合 AR(1) 外推，发现预测误差随 d 呈 U 形，最优 d≈0.65，并在多预测期上证明平稳化的优势随外推越远越明显。配 3 张真实图表与完整 Python（中阶）。

经典均值回复(布林带 z-score)隐式假设价格是随机游走(H=0.5),用普通收益率白化偏离。但真实价格有 Hurst 记忆: H<0.5 黏均值、H>0.5 顺趋势。本文用分数布朗运动 fBm 从零复现「先估 H、再按 D=H+0.5 做分数差分」的自适应均值回复框架: R/S 在增量上干净分离三类 regime(0.44/0.59/0.73)、D=0.8 分数差分把残留记忆从 -0.245 压到 -0.088、蒙特卡洛 400 路径证明分数差分把趋势 regime 的 lag-1 自相关从 0.96 降到 0.04——即正确白化后,你不再把趋势误当成均值回复。附完整 Python 与六类真实陷阱(中阶)。

标准 ARIMA 用整数差分 d=1 把序列强行去趋势, 可金融序列(平方收益、已实现波动)的 ACF 不是指数衰减, 而是按幂律 c·k^(2d-1) 慢慢衰减——这种『长记忆』被整数差分一差就过差分、把慢衰减也差没了。ARFIMA 用分数差分 (1-L)^d (0<d<0.5 长记忆, d<0 反持续) 把这段长尾记忆窗口保留进模型。本文用 2 万点合成长记忆序列演示: 分数积分滤波器权重呈长尾、双对数 ACF 斜率反推出 d̂≈0.243(真值 0.30)、长期累积方差按 H^{2d} 幂律增长, 而短记忆 AR(1) 误判为线性, 在 H=250 时把长期风险低估到真实值的约 5%。附完整 Python 与五类真实陷阱(高阶)。