分数阶微分在金融时序中的落地：今日复盘其记忆与平稳性的平衡

原因明确。原始价格序列往往非平稳，但保留了完整的历史水平信息。一阶差分或收益率序列更接近平稳，却会丢失价格路径中的长期记忆。两端都不理想。

分数阶微分提供了连续的中间状态。差分阶数不再只有 \(d=0\) 或 \(d=1\)，而是在区间 \(d\in[0,1]\) 内搜索满足平稳性要求的最小值。目标不是让序列看起来更复杂。目标是减少非平稳性，同时尽可能保留可用于预测的历史信息。

核心计算可以写成：

\[

\tilde{X}t=\sum{k=0}^{\infty}w_kX_{t-k}

\]

其中：

\[

w_0=1,\qquad w_k=-w_{k-1}\frac{d-k+1}{k}

\]

\(d\) 是分数阶差分阶数。\(w_k\) 是由二项式展开产生的幂律衰减权重。与一阶差分相比，历史样本不会被一次性切断，而是按照权重逐步衰减。

这不是收益率的替代品。也不是盈利保证。它只是一个特征变换。

价格序列的两种极端状态

金融时间序列中的差分问题，本质上是信息保留和统计平稳性的冲突。

设原始价格序列为 \(X_t\)。

当 \(d=0\) 时：

\[

X_t^{(0)}=X_t

\]

没有执行差分。价格水平被完整保留。长期记忆也被保留。但序列通常非平稳。均值、方差和协方差结构可能随时间变化。

当 \(d=1\) 时：

\[

X_t^{(1)}=X_t-X_{t-1}

\]

得到一阶差分。实际交易中常见的简单收益率、对数收益率，均属于这一类思想。序列的平稳性通常改善，但历史价格水平不再直接存在。

这里的“记忆”不是主观概念。它指的是序列中由历史价格水平、滞后关系和长期依赖结构携带的信息。价格本身包含路径信息。收益率只保留局部变化。

机器学习模型需要稳定的统计分布。若训练集中的均值与方差和测试集差异过大，模型学习到的可能是时间段差异，不是可重复的关系。

但过度差分也会产生问题。模型输入变得更平稳，却失去与价格水平相关的结构。结果不是更稳，而是信息密度下降。

分数阶差分的价值就在中间区域。不是因为中间一定更优，而是因为它允许使用数据搜索，而不是预先接受二元选择。

\(d=0\) 保留过多非平稳结构，\(d=1\) 删除过多历史信息。分数阶差分只是在两种损失之间寻找可测量的折中。

分数阶差分的数学机制

分数阶差分来自差分算子的推广。

整数阶差分使用有限项。例如，一阶差分只需要当前值和前一时刻值。二阶差分继续扩大有限窗口。分数阶差分不同。它通过二项式展开形成一组缓慢衰减的历史权重。

写成算子形式：

\[

(1-L)^d

\]

其中 \(L\) 是滞后算子，满足：

\[

LX_t=X_{t-1}

\]

当 \(d=1\) 时：

\[

(1-L)X_t=X_t-X_{t-1}

\]

当 \(d\) 为非整数时，展开式不再在有限项处结束：

\[

(1-L)^d=1-dL+\frac{d(d-1)}{2!}L^2-\frac{d(d-1)(d-2)}{3!}L^3+\cdots

\]

因此，当前观测值会与多个历史观测值发生线性组合。历史越远，权重通常越小。但权重衰减并不等于立即归零。

这一点决定了它与普通收益率的差异。

普通一阶差分只依赖两个相邻价格点。分数阶差分则保留了一段更长的历史窗口。窗口越长，所保留的记忆越多；同时，计算量和边界处理复杂度也会提高。

理论表达式包含无限历史。工程实现不能使用无限长度。必须截断。

常见截断方式有两种：

1. 当权重绝对值小于给定阈值时停止。

2. 直接设定固定窗口长度，只使用最近的若干个历史观测值。

设权重阈值为 \(\tau\)。当：

\[

|w_k|<\tau

\]

且后续权重已足够小，可以停止继续扩展窗口。

但阈值不是无关紧要的配置。阈值过大，历史记忆被过早截断。阈值过小，计算成本增加，边界样本减少，模型训练速度下降。不同资产、不同频率和不同模型架构下，阈值对泛化性能的影响不能直接外推。

事实需要分开处理。

• 差分阶数 \(d\) 决定权重衰减结构。
• 截断阈值决定历史窗口长度。
• 数据频率决定相邻观测的时间含义。
• 模型结构决定特征变换后的使用方式。
• 交易成本和执行延迟不属于分数阶差分本身。

如果把这些参数混在一起调节，结果无法解释。

用平稳性检验搜索最小阶数

工程目标通常不是寻找一个看起来合理的 \(d\)，而是搜索使序列达到平稳状态的最小阶数。

设候选集合为：

\[

D=\{0,d_1,d_2,\ldots,1\}

\]

按照从小到大的顺序计算分数阶差分序列。对每个序列执行增广迪基—福勒检验，也就是常说的自动单位根检验。

在显著性水平 \(p<0.05\) 的条件下，找到第一个满足平稳性要求的阶数：

\[

d^*=\min\{d:\text{ADF}(X_t^{(d)})<0.05\}

\]

这里的 \(d^*\) 只是统计意义上的候选结果。不能把它理解为市场的固定属性。

某个股票的日线价格可能在一段时期内对应较小的平稳阶数。换一段时期，结构变化、波动聚集或价格趋势变化都可能改变检验结果。期货连续合约、加密资产和高频数据也不应共用一个预设值。

实际搜索流程可以拆成几个模块。

第一步：明确输入序列

先确定到底对什么做分数阶差分。

可以使用：

• 收盘价；
• 复权价格；
• 对数价格；
• 连续合约价格；
• 经过数据清洗的其他价格序列。

不能直接忽略数据定义。

复权处理会改变历史价格路径。期货换月会产生跳变。不同交易所的交易时段不同。加密资产存在连续交易和高频缺失问题。输入序列不一致，\(d^*\) 没有可比性。

对数价格的使用也不是自动正确。它通常有利于处理乘法变化，但并不等于解决平稳性问题。仍然需要检验。

第二步：生成候选阶数

不要只测试 \(d=0.5\)。

\(d=0.5\) 只是常见示例，不是通用最优值。搜索范围可以覆盖 \(0\) 到 \(1\) 的连续区间或离散网格。网格步长影响计算成本和最终精度。

如果候选阶数过稀，可能错过满足条件的更小阶数。候选阶数过密，统计检验的重复次数增加，计算收益下降。

更重要的是，网格不是越细越好。ADF 检验本身受样本长度、滞后阶数和结构变化影响。将 \(d\) 从小数点后两位调整到三位，不会自动带来更可靠的结论。

第三步：计算权重

根据递推关系生成：

\[

w_0,w_1,w_2,\ldots,w_k

\]

不建议每个时间点重复从头展开。权重只由 \(d\) 决定，可以预先计算。

数据量较大时，应将权重计算和卷积计算分离。先生成权重向量，再执行滑动加权。这样便于缓存，也便于比较不同窗口长度。

数值精度需要控制。权重长尾较长时，浮点累加误差会逐步积累。高频数据中，样本量可能很大。若使用分布式计算，需要确保不同分片在边界处能够取得完整历史窗口。

第四步：形成差分序列

固定窗口形式可以写成：

\[

\tilde{X}t=\sum{k=0}^{K}w_kX_{t-k}

\]

其中 \(K\) 由权重阈值或固定窗口长度决定。

前 \(K\) 个样本无法获得完整历史。处理方式通常有三种：

• 直接丢弃；
• 使用不完整窗口；
• 使用填充方法。

三者不能混用后再假设样本同分布。

对于金融特征，直接丢弃边界样本通常更容易解释。使用不完整窗口会让不同时间点的权重结构发生变化。填充会引入额外假设。若模型对早期样本敏感，边界处理可能改变训练结果。

第五步：执行平稳性检验

ADF 检验返回统计量和 \(p\) 值。低于设定显著性水平时，可以拒绝单位根存在的原假设。

但这不代表序列满足所有模型条件。

ADF 主要针对单位根问题。它不能完整说明：

• 方差是否恒定；
• 是否存在结构突变；
• 是否存在异方差；
• 是否存在季节性；
• 是否存在异常值影响；
• 不同时间段的相关结构是否稳定。

因此，不能把 ADF 结果直接等价于“数据已经可用”。

平稳性是输入条件的一部分。不是模型质量的证明。

扩展窗口法与固定窗口法

分数阶差分的实现通常分为扩展窗口法和固定窗口法。

扩展窗口法尽可能保留历史。随着时间向前推进，计算窗口不断扩大。理论上，它更接近无限历史定义。历史信息保留更完整。

代价也明确：

• 计算量随时间增加；
• 每个样本依赖的历史长度不同；
• 大型数据集不易并行；
• 边界和内存管理更加复杂。

固定窗口法，也称固定宽度分数阶差分，使用固定长度的历史窗口。超过窗口的权重直接截断。

它不是精确的无限历史实现。它是工程近似。

固定窗口法的优势：

• 计算复杂度更稳定；
• 适合滚动计算；
• 便于并行；
• 更容易控制内存；
• 可以降低某些前向偏差风险。

但它也会引入截断误差。窗口越短，历史保留越少。窗口越长，计算成本越高。不能只因为固定窗口更快，就假设结果更优。

“降低前向偏差”需要准确理解。

如果特征工程使用了未来数据，模型评估会失真。分数阶差分本身不是自动防止前向偏差的工具。问题取决于权重生成、窗口计算、标准化和数据切分的顺序。

生产环境应当保证：

• 当前时点只使用当前及之前的数据；
• 差分窗口不能跨越未来边界；
• ADF 搜索不能使用测试集；
• 权重和阈值的选择不能通过测试集结果反向确定；
• 标准化参数只能由训练区间估计；
• 滚动预测时每个时间点独立生成可用特征。

如果先用全样本选择 \(d\)，再切分训练集和测试集，测试区间已经参与参数决策。即使差分公式没有显式使用未来价格，也存在数据泄漏。

这类错误不会在代码运行时报警。只能通过数据流程审计发现。

数据清洗先于分数阶差分

分数阶差分不会修复脏数据。

它只执行线性加权。

输入中的错误会被传入输出。由于权重覆盖历史，单个异常值可能影响多个后续观测。

处理金融数据时，先建立清洗层。至少需要明确以下问题。

• 时间戳是否严格递增；
• 是否存在重复时间点；
• 缺失值如何处理；
• 停牌、无成交和零成交量如何区分；
• 价格是否经过复权；
• 合约换月是否造成不连续跳变；
• 不同来源的时区是否统一；
• 开高低收之间是否满足基本价格关系；
• 极端值是市场观测还是数据错误。

不要在分数阶差分之后再回头修复原始数据。那样会让错误权重已经进入多个样本。

缺失值的处理

缺失值不能简单地全部前向填充。

价格序列中的短时缺失、交易中断、停牌和数据源丢包不是同一个问题。前向填充会人为制造零变化。对于一阶差分，它会直接产生一段人为收益率；对于分数阶差分，它会改变多个滞后项的加权结果。

如果必须填充，应记录填充标记。模型可以将其作为质量特征，或者直接排除相关窗口。

复权与合约连续化

股票价格的拆分、分红和复权会改变历史价格水平。分数阶差分对价格水平敏感，因此复权口径必须固定。

期货连续合约更复杂。换月跳点可能被模型当成真实价格变化。若先做分数阶差分，跳点会沿着权重窗口传播。连续化方法和换月规则必须在特征工程前确定。

这里没有统一答案。关键是让输入价格的统计含义稳定。

异常值

异常价格会被加权传播。权重虽会衰减，但不会瞬间消失。

处理异常值时，需要区分：

• 数据录入错误；
• 交易所真实极端行情；
• 流动性不足导致的异常报价；
• 复权或换月造成的结构跳变。

不能因为某个点破坏平稳性，就直接删除。删除本身可能改变价格路径。应保留清洗记录，并在模型评估中进行敏感性分析。

在机器学习特征工程中的位置

分数阶差分属于特征变换层。它不是预测模型。

一个完整的数据流程可以拆成：

1. 原始行情接入。

2. 时间对齐与数据清洗。

3. 价格口径统一。

4. 候选阶数搜索。

5. 权重生成与窗口截断。

6. 分数阶差分计算。

7. 其他特征计算。

8. 训练集拟合。

9. 滚动验证。

10. 样本外评估。

顺序不能随意调整。

如果先用全样本计算均值、标准差、相关系数或 \(d^*\)，再进行训练测试切分，结果就不再是严格的样本外评估。

训练集与测试集

推荐使用时间顺序切分。不能随机打乱金融时序。

原因不复杂。随机切分会把相邻时间段分散到训练集和测试集。分数阶差分又保留了历史窗口，测试样本可能与训练样本共享大量原始价格信息。模型结果会被人为抬高。

更稳妥的方式是：

• 使用早期区间进行参数搜索；
• 使用后续区间进行验证；
• 最后保留独立样本外区间；
• 按时间滚动更新；
• 记录每次更新时可获得的数据边界。

若研究任务是预测未来收益，标签构造也必须向后移动。差分特征不能读取标签形成之后的数据。

特征与标签的时间关系

假设在 \(t\) 时刻计算特征。特征只能包含 \(X_t\) 及之前的价格。若使用收盘价预测下一根或未来多根数据，必须明确信号生成时间和成交执行时间。

这是回测中最常见的边界错误之一。

分数阶差分不会自动解决这一问题。它只是改变输入变量。

如果使用当日收盘价计算特征，却按照当日开盘价成交，时间顺序已经错误。若使用未来完整窗口计算当前样本，也属于泄漏。

与其他特征的组合

分数阶差分后的价格可以与以下特征组合：

• 成交量变化；
• 波动率估计；
• 价差；
• 技术指标；
• 宏观变量；
• 新闻文本向量；
• 订单簿统计量。

但不同特征需要分别处理。

成交量通常具有偏态和厚尾。价格差分后的序列不一定服从正态分布。宏观变量发布存在时间延迟。文本数据存在发布时间和可见性边界。不能因为所有字段最终进入同一个模型，就对它们执行同一种变换。

特征之间的时间戳必须一致。不同市场的交易日历也需要对齐。

平稳性不是正态性

这是一个容易混淆的概念。

平稳性描述统计性质是否随时间变化。正态分布描述变量的分布形状。二者不是同一件事。

经过分数阶差分后，序列可能更接近平稳，但仍然具有：

• 厚尾；
• 偏度；
• 波动聚集；
• 极端值；
• 非线性依赖；
• 结构突变。

因此，不能因为 ADF 检验通过，就直接使用假设正态分布的模型或风险指标。

也不能因为直方图不像正态分布，就否定分数阶差分。金融数据本来就很少严格服从正态分布。分数阶差分的目标是处理差分阶数和历史记忆，不是把所有数据转换成高斯噪声。

在模型输入前，可以继续检查：

• 滚动均值；
• 滚动方差；
• 自相关函数；
• 偏自相关函数；
• 不同分位数下的分布变化；
• 极端值比例；
• 不同阶段的残差结构。

这些检查的作用是识别剩余问题。不是制造更多指标。

ADF 搜索中的统计限制

ADF 检验有效，但不能神化。

它对样本长度、滞后阶数和结构变化敏感。样本太短时，检验能力不足。样本太长时，多个市场阶段混在一起，单一统计结论可能失去解释力。

结构突变尤其需要注意。

一段序列可能在早期呈现某种趋势，在后期发生价格制度变化。对整段序列执行一次 ADF 检验，得到的是平均结果。这个结果未必适用于当前窗口。

更合理的方式是采用滚动或扩展窗口重复检验：

• 扩展窗口观察长期稳定性；
• 固定窗口观察当前状态；
• 对不同阶段分别计算候选 \(d\)；
• 记录 \(d^*\) 是否频繁跳变；
• 将检验结论与模型样本外结果分开保存。

如果 \(d^*\) 在相邻窗口间大幅变化，不应直接认为算法失效。也不应直接取平均值。先检查样本长度、数据清洗、时间区间和结构变化。

统计显著性也不是经济显著性。

即使某个序列通过 ADF，分数阶差分后的特征也可能对目标变量没有预测价值。特征平稳化只是降低输入分布问题。模型是否能从中提取有效关系，需要独立验证。

ADF 通过只说明单位根证据发生变化。它不说明特征具有预测力，也不说明回测能够盈利。

截断阈值与记忆长度

固定窗口实现中，阈值是核心参数之一。

权重一般呈慢速衰减。不同 \(d\) 会产生不同的衰减速度。\(d\) 较小时，历史影响可能衰减得更慢，所需窗口更长。\(d\) 接近一阶差分时，权重结构更集中于近期。

因此，不能把固定窗口长度从一个品种直接搬到另一个品种。

阈值影响三个结果：

1. 历史记忆保留长度。

2. 有效样本起始位置。

3. 特征的数值稳定性和计算成本。

阈值过大，截断过早。长周期结构被删除。阈值过小，窗口过长。早期样本大量缺失，计算成本增加，也可能使模型更多接触非常久远、已经失去相关性的历史。

这里需要通过滚动验证选择，而不是只看训练集拟合误差。

可以记录以下诊断结果：

• 每个 \(d\) 对应的有效窗口长度；
• 被截断的最后一个权重；
• 输出序列的有效样本数量；
• 差分后序列的均值和方差；
• 不同时间段的相关结构；
• 模型在不同阈值下的样本外稳定性。

不要只保留最终的 \(d\)。没有窗口长度和阈值，最终特征无法复现。

扩展窗口的边界问题

扩展窗口法看似更接近理论定义，但仍然存在工程问题。

首先，早期样本的历史不完整。若使用截断前的部分窗口，样本之间的计算规则不同。若直接丢弃，则训练样本减少。

其次，计算过程中需要持续访问更早数据。分布式计算时，单个分片不能独立完成计算。每个分片都需要获取足够的前置历史。

再次，如果使用滚动训练，扩展窗口可能在每次更新时重复计算大量相同内容。可以缓存中间结果，但缓存管理本身会增加系统复杂度。

固定窗口法通常更适合生产环境，因为窗口上限明确。它的结果更易复现，内存和延迟更容易估计。

但低延迟不代表统计质量更高。低延迟只是系统属性。是否保留了足够的历史，需要通过参数敏感性分析确认。

计算实现中的几个细节

权重递推优于重复展开

权重可以使用递推方式生成。这样可以避免在每个阶数、每个时间点重复计算组合项。

递推过程需要注意数值精度。权重出现正负交替时，累加可能产生抵消误差。权重很小但数量很多时，误差会积累。

卷积方向必须固定

时间序列的滞后方向不能写反。

当前样本应与当前及过去价格加权。若数组切片方向错误，可能把未来观测引入当前特征。程序不会因为结果看起来正常而报错。

测试时应使用手工构造的小序列，逐项验证：

• 第一个有效样本；
• 第二个有效样本；
• 权重正负号；
• 窗口边界；
• 缺失值传播；
• 时间戳对齐。

缺失值传播

只要窗口内存在缺失值，输出是否为空必须有明确定义。

可以选择：

• 只在完整窗口上计算；
• 对缺失项进行单独填充；
• 将缺失状态编码为附加变量；
• 直接删除相关时间点。

不能让底层库默认处理。默认行为未必符合金融数据逻辑。

缓存与版本控制

分数阶差分结果依赖以下参数：

• 原始数据版本；
• 价格口径；
• 差分阶数；
• 权重阈值；
• 窗口长度；
• 时间频率；
• 缺失值处理规则；
• 截止时间；
• 数值精度。

这些参数需要和模型版本一起保存。否则，回测结果无法重建。

这属于数据工程，不属于算法装饰。

如何评估分数阶差分是否有用

不能只比较序列图形。

至少需要建立三个基线：

1. 原始价格特征。

2. 一阶差分或收益率特征。

3. 分数阶差分特征。

模型、标签、训练区间、验证区间、交易成本和执行规则保持一致。只改变特征变换。

然后比较：

• 样本外预测误差；
• 滚动窗口稳定性；
• 不同阶段的误差分布；
• 特征重要性是否稳定；
• 模型对异常值的敏感度；
• 训练和推理延迟；
• 有效样本损失；
• 参数变化后的结果波动。

如果分数阶差分只在某个时间段有效，不能把它描述为普遍有效。需要记录适用区间。

如果训练集结果改善，测试集没有改善，通常说明：

• 特征变换增加了拟合自由度；
• \(d\) 或阈值被过度调参；
• ADF 目标与预测目标不一致；
• 数据存在时间泄漏；
• 模型利用了特定阶段的结构。

如果分数阶差分后模型效果下降，也不能直接认定变换错误。它可能删除了该模型真正需要的价格水平信息。特征工程不是越平稳越好。

不要用 ADF 代替样本外验证

ADF 的目标是统计平稳性。回测的目标是检验未来区间表现。两者属于不同层次。

一个序列可以通过 ADF，但模型没有预测力。另一个序列没有完全通过 ADF，但在某个模型和样本外区间中仍然有用。

因此，推荐采用双层标准：

• 统计层：检查平稳性、滞后结构和分布变化；
• 预测层：检查样本外误差和滚动稳定性。

两层结论不一致时，不能强行合并成单一结论。

常见错误

直接固定使用 \(d=0.5\)

这是最常见的捷径。

\(d=0.5\) 可以作为测试点，但不能作为默认真理。不同资产、周期和样本区间的最小平稳阶数可能不同。即便同一资产，数据频率变化后，统计性质也会变化。

对收益率再次做分数阶差分

如果输入已经是一阶差分序列，再执行分数阶差分，需要明确数学目的。否则会造成重复变换，进一步降低信息量。

先确定输入是价格、对数价格还是收益率。不要把不同定义混在一起。

在全样本上搜索 \(d\)

全样本搜索包括未来数据。随后再进行回测，会产生参数泄漏。

正确做法是让搜索过程也遵守时间边界。每个训练窗口只使用该窗口内可见的数据。测试区间不能参与 \(d\)、阈值和窗口长度的选择。

用平稳性通过证明策略有效

这属于概念错误。

分数阶差分只解决特征表示的一部分问题。它不解决标签噪声、交易成本、滑点、容量、执行延迟、制度变化和模型过拟合。

忽略有效样本减少

窗口越长，前置无效样本越多。不同 \(d\) 和不同阈值会产生不同的有效样本数量。

如果比较模型时没有处理样本区间差异，结果可能来自样本不同，而不是特征优劣。

忽略交易时间

日线、分钟线和逐笔数据的“一个滞后”含义不同。分数阶差分保留的是离散观测的历史依赖，不是抽象的自然时间。

时间频率改变，参数需要重新评估。

一套可复现的落地流程

可以将实现固定为以下步骤。

1. 冻结数据口径。

记录资产、交易所、时间频率、复权方式、连续合约规则和时区。

2. 执行数据清洗。

处理重复值、缺失值、异常值和不连续价格。保留清洗日志。

3. 确定原始输入。

明确使用价格、对数价格还是其他序列。不在代码中隐式转换。

4. 设置候选阶数。

在 \(0\) 到 \(1\) 的区间内构建候选集合。不要预设固定的 \(d=0.5\)。

5. 递推生成权重。

对每个候选 \(d\) 计算权重序列。保存阈值和窗口长度。

6. 执行固定窗口或扩展窗口计算。

当前样本只使用当前及之前的观测。严格检查数组方向。

7. 在训练区间执行 ADF 检验。

使用设定的显著性水平，搜索达到平稳性的最小阶数。

8. 保存特征工程参数。

同时保存 \(d^*\)、阈值、窗口长度、数据版本和时间边界。

9. 进行滚动样本外验证。

与原始价格和一阶差分建立基线。保持模型和交易规则一致。

10. 执行敏感性分析。

改变候选网格、截断阈值、窗口长度和训练区间，观察结果是否稳定。

11. 评估系统成本。

统计计算耗时、内存占用、有效样本损失和推理延迟。

12. 记录限制条件。

不把统计平稳性描述为收益能力。不把历史样本外结果描述为未来预测。

这套流程的重点不是增加代码量。是把每个假设显式化。

进一步的参数优化方向

参数优化不应围绕单一回测分数展开。

更合理的目标是寻找一组在多个时间区间、多个市场阶段和多个参数扰动下仍然可解释的配置。

可以重点观察以下问题：

• \(d^*\) 是否在滚动窗口中稳定；
• 小幅改变 \(d\) 后，模型性能是否剧烈变化；
• 截断阈值变化是否导致结果反转；
• 固定窗口长度是否足以覆盖主要权重；
• 分数阶差分是否只改善某一个模型；
• 特征是否被其他技术指标完全替代；
• 输出序列是否仍存在明显的阶段性方差变化；
• 计算成本是否超过模型性能收益。

如果模型对 \(d\) 的微小变化极度敏感，通常意味着模型在利用脆弱结构。此时应减少参数自由度，扩大样本外验证区间，并重新检查数据泄漏。

如果模型对 \(d\) 不敏感，但分数阶差分相较基线没有改善，就没有必要为此增加系统复杂度。

算法不是越复杂越好。可复现、可解释、可维护更重要。

方法的边界

分数阶差分无法解决以下问题：

• 数据源错误；
• 价格复权错误；
• 合约换月跳变；
• 未来数据泄漏；
• 标签错位；
• 交易成本遗漏；
• 模型过拟合；
• 市场结构变化；
• 低流动性导致的执行偏差；
• 样本外分布发生变化。

它也不能保证模型在样本外盈利。

它保留部分长期记忆的能力，来自加权历史结构。这个结构是否与目标变量相关，需要由数据验证。统计上的记忆保留，不等于交易上的可利用信号。

同时，分数阶差分不应被理解为一种自动预测工具。它不产生新的信息。它重新组织已有信息。

如果原始数据中没有稳定关系，变换不会凭空制造关系。

结论

金融时序特征工程存在一个基本矛盾：

• 不差分，价格水平保留完整，但非平稳性影响模型；
• 一阶差分，平稳性改善，但长期记忆被削弱；
• 分数阶差分，在两者之间提供连续调节。

落地时需要关注四个对象：

1. 差分阶数 \(d\)；

2. 权重截断阈值；

3. 历史窗口长度；

4. 时间边界与样本外流程。

ADF 检验可以用于搜索最小平稳阶数。它不能替代预测验证。固定窗口法适合工程部署。它不是理论上的无限历史等价物。扩展窗口法保留更多历史。它的计算和边界管理成本更高。

最终配置应通过滚动样本外验证和参数敏感性分析确定。不要固定使用 \(d=0.5\)。不要把平稳性通过写成盈利证明。不要忽略数据清洗、标签对齐和前向偏差。

分数阶差分的合理定位很简单：

它是一个控制信息损失的数学工具。

不是策略。不是信号。不是预测承诺。

Related reading: 金融时间序列建模：保留原始记忆还是追求绝对平稳？ and 强化学习在量化交易中为什么屡屡失效？从模拟盘到实盘的四大鸿沟.