现代金融学习方法：把一项研究读到可以复核

A1. Kelly–Malamud–Zhou：复杂度的比较对象

我们读取 Kelly、Malamud、Zhou 发表在 Journal of Finance 79(1) 的 The Virtue of Complexity in Return Prediction，只采用 §V.A–C 的完整实证单元和有关脚注/图表。预测对象是 CRSP 价值加权市场组合的月度超额收益，原始信息来自15个预测量，包含一项市场收益滞后。不是本文 BusEq 小实验，也不是输入越多就越好的普遍定理。¹

论文把原始信息向量 \(G_t\in\mathbb R^{15}\) 转成随机 Fourier 特征。对独立抽取的 \(\omega_i\sim N(0,I)\)，构造一对

实证基准取 \(\gamma=2\)。每对特征来自同一个随机投影；增加特征数可以在保留原始信息的同时增大函数表示空间。它不是又取得了更多月份的信息。论文以 \(c=P/T\) 表示复杂度，其中 \(P\) 是特征数，\(T\) 是训练月数，研究 \(T=12,60,120\) 和最高 \(P=12000\)。这里的 \(P\) 不是概率测度。

例如同样 \(P=120\)，在12个月训练窗中 \(c=10\)，在120个月窗中 \(c=1\)。前者有更多参数相对于观测值，不等于拥有更丰富的经济历史。插值边界附近为什么会不稳定，要同时看训练样本、特征结构和正则化，而不能只看网络尺寸。

A2. 三层标准化不能合成一句话

论文使用三个不同的尺度步骤。第一，收益按过去12个月的未中心化二阶矩尺度标准化；脚注34说明这里用二阶矩而非先减样本均值的短窗波动，因为短窗均值很不稳定。第二，15个原始预测量按扩展历史窗口的标准差标准化，初始至少需要36个月。第三，在每次回归拟合前，训练 RFF 和当前待预测 RFF 又共同按这次训练样本中的标准差缩放，这是脚注39的步骤。²

因此，“所有变量只在当前训练窗口里标准化”不是这篇论文的方法。过去12个月收益尺度、原始预测量的扩展尺度、RFF 的当轮训练尺度，各自处于不同位置。原文脚注35还明确回归不含截距；不能把 QT20 中带截距、训练窗口中心化的小 ridge 实验换个标题就叫作复现。

脚注33提供另一类关键约定：月份 \(t\) 的通胀通常在 \(t+1\) 发布，但作者沿所用数据库的日期约定，把产生官方统计的价格信息视作月份 \(t\) 的信息。他们报告了剔除通胀后的附录对照。这里应分别记下“作者的时间约定”和“官方发布时间”，不能把论文的约定直接当作研究系统在月末已收到正式发布值的证据。本支没有重新取得或验证全部附录结果。

A3. 怎样生成一条样本外比较

对固定的随机特征集合、特征数 \(P\)、收缩参数 \(z\) 和训练窗 \(T\)，每个原点只用此前 \(T\) 对训练观测拟合，再用当期特征预测下一月。论文用 \(\log_{10}z=-3,\ldots,3\) 等设置比较收缩程度。较小的 \(P\) 取自同一组已生成特征的前缀，避免把“特征数量变化”和“换了一套完全不同的特征”混在一起。

原点 \(t\) 的预测记为 \(\widehat\beta_t^TS_t\)，相应择时收益记为 \(\widehat\beta_t^TS_tR_{t+1}\)。一个是预测量，一个是用该预测量形成的模型策略收益，两者不能使用同一个评价词而不说明分母。作者对随机特征的生成重复1000次，再平均表现统计量；这处理的是随机特征造成的变异，不是1000个独立市场历史。³

Figures 7–10 在这个设定下展示作者观察到的复杂度、收缩与样本外表现关系：插值附近的不稳定与高复杂度区间的恢复，以及相应择时表现。图中的结论属于该数据和研究设计；它不证明任意新增预测量有用，也不证明费用、容量和实时执行之后仍保留同样表现。

可选的 Nagel 2025 对照从高维预测的核权重和时间结构重新解释这类结果。读它时应问“作者改变了哪一种机制解释或比较”，而不是先决定谁赢。形如 \(k^TK^{-1}y\) 的线性权重未必非负，也未必加总为一，不能只因出现“权重”就当作概率加权平均。这个对照不是完成本支的硬先修。⁴

A4. 同名的样本外 R²，可能回答不同问题

论文脚注40将实证 \(R^2\) 定义为一减去“样本外预测误差的方差 / 样本外实际收益的方差”。采用相同中心化方差分母时，可以写成

它与相对于逐原点历史均值基线的 SSE 比值

不是同一量。我们用完全构造的三点例亲手区分。初始历史只有0，随后实际值依次为1、2、3，预测为0、1、2；每个原点的过去均值基线分别为0、\(1/2\)、1。

预测误差恒为1，所以 MSE 为1，但中心化误差方差为零，\(R^2_{\mathrm{var}}=1\)。相对于历史均值基线，误差平方和为 \(1+(3/2)^2+2^2=29/4\)，模型误差平方和为3，因此

两者并不矛盾。中心化方差消掉了常数误差，而平方误差仍保留它。这个例子不是在否定论文，而是在恢复它实际使用的指标。若要评价绝对预测水平，必须另外检查偏差或 MSE，不能从 \(R^2_{\mathrm{var}}=1\) 推出逐点预测无误。

A5. 迁移与解析

有人准备“复现”论文：使用 BusEq、带截距 ridge、随机打乱月份做交叉验证，并用 expanding-mean SSE \(R^2\) 得到一个数。他能否将结果写成“与 KMZ 的 Figure7 不一致，因此推翻原论文”？

不能。预测对象、回归截距、三层尺度、时序切分、随机特征和评价公式都已经改变。合理的第一步是列对照表，注明它是一个相关但不同的实验；若要复核论文的具体比较，则固定原目标、数据身份和可得时点、三层尺度、RFF 生成与前缀、训练窗、收缩参数、重复规则及评价公式。还要将作者附录声称与自己真正重跑的结果分开。

最终可以得到一条有边界的结论，例如“我验证了同名 R² 的两个定义不能互换”，而不是凭一项方法不同的实验跳到“复杂度理论普遍成立或普遍失败”。

B1. Horvath–Teichmann–Žurič：先认清要对冲什么

本支采用 Deep Hedging under Rough Volatility 的 arXiv:2102.01962v1，提交日期2021-02-03、封面日期2021-02-04，不与后续版本混用。阅读 Intro、§2、§3.1–3.5、§4.1–4.3 和 Conclusion；函数型 Itô 附录不是本支已经证明的工具。⁵

作者在离散交易时点 \(t_0<\cdots<t_n\) 观察信息 \(I_k\)，根据当时及过去的信息选对冲持仓 \(\delta_k\)。一般框架允许成本，但本文后续主要数值比较使用定价测度 \(Q\) 下、无成本的平方对冲误差：

\(Z\) 是到期负债，\(p_0\) 是该研究设置中的初始价格。这不是预测现实收益的目标函数；也不是有交易成本的实际盈利回测。向量 \(S\) 包含两种对冲工具，而非只有股票。

B2. 为什么当前价格未必是充分状态

论文使用 rough Bergomi 模型。以相互独立的 Brownian 运动 \(W,B\) 表示驱动，在所用无漂移价格模型中，

每个固定 \(t\) 的核积分在 \(H>0\) 时平方可积，因为核平方在端点附近的积分为 \(t^{2H}/(2H)\)。过去各时刻的贡献由核重新加权；只保留当前一个方差数字，一般不足以恢复未来各期限的条件方差。论文讨论的有限维状态限制由此出现。我们不在这里证明一般 Volterra 方程或所有粗糙模型的状态表示。

为认清第二种工具，固定未来期限 \(u>t\)，定义已知历史部分

把 \(V_u\) 的高斯积分在 \(t\) 处分开。未来部分独立于 \(\mathcal F_t\)，方差为 \(\nu^2(u-t)^{2H}\)；利用正态指数均值，得到点时 forward variance

这只是固定未来期限的条件高斯计算，并未使用一般函数型 Itô 定理。它说明不同未来期限会对应不同的历史加权对象，也帮助我们稍后检查原文的一个符号问题。⁶

实验对冲的是 \(S_0=K=100\)、\(T=30/365\) 的 call；股票之外还有期限 \(45/365\) 的 forward-variance 工具。取 \(V_0=0.235^2\)、\(\nu=1.9\)、\(\rho=-0.7\)，改变 \(H\)。作者报告 \(H=0.1\) 时的模型初价约为2.39。不能把它与 QT24 中常波动 GBM 的2.40958混为同一个模型价，更不能直接套上另一实验的100倍乘数。

B3. 网络改变的是历史信息的传递

原结构主要用当前市场信息和此前持仓；在状态足够的模型中，这是一种自然压缩。但“此前持仓”本身不保证包含历史上所有对未来有用的信息。作者引入专门的隐状态，并把它传向下一时点。为了把时钟写清，我们统一记作

这里 \(h_k\) 不是股票数量，而是网络内部记忆。各时点的 \(F_k\) 可以不同；论文所谓充分循环结构，不等于所有时点必须共享同一个网络参数。隐状态可能学习历史的有用压缩，却不自动等于 Bayes 模型中的统计充分状态 ↗。

近似能力和训练结果也要分开。某类网络随着规模增加能够逼近策略，不表示某次有限训练已经找到全局最优；无成本模型中更小的训练或测试损失，也不等于有费用、有限融资和真实执行约束下更优。

B4. 从一行表开始核算，而不是先概括全部结论

固定 \(H=0.1\)、75 epochs，Table3 给出的舍入平方损失为：模型对冲1.45，原网络1.16，fRNN为0.83。于是相对原网络的损失下降是

相对模型对冲为 \(1-0.83/1.45=42.7586\%\)。这是对作者报告数字的算术，不是我们重新训练网络得到的独立结果。Table2 的0.834与Table3的0.83可以由显示精度解释；但 \(H=0.4\) 时两表的0.244和0.22不能用同样理由解释，固定v1没有给出足够说明，我们不平均、不任选一个填补。⁷

作者还比较了不同再对冲频率：

最后一步反而增加 \(0.52/0.46-1=13.0435\%\)。这组结果支持“该实验的频率比较不是单调改善”，不支持“所有市场交易越频繁越差”。作者在讨论中推测成本会进一步影响频率取舍，但这一张表不是成本实验。75变200 epochs 时还涉及数据集规模等改变，也不能据此孤立估计“只增加epoch”的因果效应。

论文说离散观察的粗糙模型表现出 jump-like 变化，并不意味着其连续价格过程真的含跳跃。把一张离散图的视觉形态转成另一个连续模型类别，会改变所需的数学条件。

B5. 一次对象和量纲检查能发现什么

原文 Eq.(3.8) 左侧写成 \(E_Q[\int_0^uV_sds\mid\mathcal F_t]\)，右侧却是上一节点时 \(E_Q[V_u\mid\mathcal F_t]\) 的表达式。取 \(t=0\)，平坦初始 forward-variance 曲线给 \(E_Q[V_s]=V_0\)，因此

而所印右边等于 \(V_0=0.055225\)。前者积累了时间长度，后者是点时方差，对象和量纲不同。我们保留原文定位并明确区别，不把这一式直接抄成真实 variance-swap 的支付或价格定义。⁸

这项检查并没有验证作者全部 model hedge，也没有重建函数型 Itô 或数值 Gateaux 导数的收敛。它完成的是一个局部而确定的核对：后续若要复现该工具，必须先固定究竟采用哪个对象。

B6. 迁移与解析

考虑三个结论：“隐状态必定学到了所有充分信息”；“有成本时四次每日对冲一定最差”；“在本固定版的一项无成本模拟中，H=.1 的fRNN报告损失低于原网络”。哪些能由刚才读的单元直接支持？如果准备进一步检验费用，至少需要补什么？

只有第三句在保留版本、模型、损失和表格精度后能直接支持。前两句分别把架构能力变成训练保证、把无成本结果变成有成本的全称结论。进一步比较费用应固定同一工具、路径与信息时钟，加入明确成交成本、融资与终点支付，重新评价策略是否因成本而改变；同时报告不同重复训练与测试样本的不确定性。不能只从现有几个表格数减去一笔平均费就声称完成复现。

完成本支后，你应能留下四项记录：研究主张、实际方法、已报告或自己核算的证据、仍未检验的外推。原件中有局部错式，并不自动推翻全部实验；反过来，主结果看起来合理，也不能成为跳过对象检查的理由。