Pablo Zavala · AI 安全评估 · 研究工程
时间可采性:按构造可审计的决策
一篇形式化的金融学书稿把时间变成一份契约,使得每一项决策只能读取在其之前发布的数据,前瞻性偏差因此按构造消失,每一项策略都成为一件确定性的、可审计的产物,并在概念上与可验证的AI决策相连接。
回测是一份关于过去的承诺。这份承诺只有在每一个历史决策都仅仅使用了该历史时刻可获得的信息时才能成立。一旦某个组件窥视了在它所影响的决策之后才发布的价格、文件或头条新闻,前瞻性偏差就会污染整个记录,任何被测得的业绩表现都变得可疑。我的书稿《*Temporally Admissible Belief-to-Policy Compilation*》(2026年2月)从根源上攻克这一失灵,做法是把时间变成一份形式化的契约,而不是一项编码惯例。
有一个提醒必须放在最前面。这份书稿是纯理论性的。全文二十九页,完整推导了每一个数学步骤,却报告了零实验、零数据集、零模拟。请把接下来的内容读作一套连同其证明的架构,与任何实证结果分开看待。
时间可采性把时间变成一份契约
时间可采性是这份书稿的核心不变量,它规定决策流水线中的每一个组件都只能读取发布时间戳早于或等于决策时刻的数据。这一构造从一个双时态数据模型出发,其中每条记录携带两个时间戳:*知识时间*,标记底层事件发生的时刻;以及*发布时间*,标记记录到达系统的时刻。决策以发布时间为准,因为一个已经发生、却尚未发布的事实,仍处于合法可及范围之外。
论文中写作AS_OF(t)的一个算子执行这条规则,方法是把任何数据查询限制在发布时间早于或等于时刻*t*的记录范围内。这些可采记录生成一个递增的信息集族,在测度论意义上是一个*滤子*,即随时间推移而不断扩大的一列嵌套σ代数。基于这一构造,论文证明了它的锚点结果:只要每一个数据访问函数都遵守AS_OF防护,且下游模块只消费经过防护的输出,发出的策略就相对于决策时刻的信息集是可测的。这一保证是确定性成立的,对每一个结果都成立,而不仅仅是以概率一(几乎必然)成立。
由此换来的是按构造实现的可审计性。每一项决策都成为系统作出该决策时所掌握信息的确定性产物,因此审阅者可以重放已归档的数据,重建出完全相同的决策。重放验证由此获得了逻辑上的意义,而White(2000年)与López de Prado(2018年)所警示的回测污染问题则失去了立足之地。
期权价格编码了一个市场先验
这条流水线构建了关于未来的两种信念,并研究二者之间的分歧。第一种信念,*市场隐含先验*,直接通过Breeden-Litzenberger恒等式,从被交易的期权价格中得出(Breeden与Litzenberger,1978年)。
考虑一份欧式看涨期权,这是一份在到期时支付资产价格超出固定行权价部分的合约。该恒等式指出,看涨期权价格对行权价的二阶导数,经一个复利因子(贴现因子的倒数)缩放后,等于未来资产价格上的风险中性概率密度,也就是市场为资产最终落点隐含定价的分布。用通俗的话说,价格相对行权价曲线的曲率,编码了市场所相信的内容。
现实市场只在有限多个行权价上报价,因此论文用一个不均匀网格上的有限差分来近似这个二阶导数,并直面一个真实存在的张力。粗网格能压制抽样噪声,却会模糊细节;细网格能锐化细节,却会放大微观结构噪声,于是估计量的方差按网格间距倒数的四次方增长。一个凸形状投影化解了这一冲突,它强制恢复出的价格服从无套利曲率,同时抑制高频噪声,从而使提取出的先验始终保持为一个合法的概率分布。
论点后验分布存在于一个单纯形上
第二种信念,*论点后验*,编码了主体自身的观点,由宏观经济指标、文本证据和知识图谱信号汇集而成。任何这样的观点都必须保持为一个合法的概率分布,因此论文将其置于概率*单纯形*之上,即在各结果分箱上、取值不小于零且总和为一的权重集合,并用一个针对下跌、持平和上涨三个结果分箱的具体三分箱版本来实现。
信念更新以*乘性倾斜算子*的形式到来,它用一个严格为正的因子对每个分箱重新加权,并重新归一化。论文证明了这类算子能使任意分布保持在单纯形上,并保持局部利普希茨连续,这是一种光滑性质,意味着有界的输入变化只会产生有界的输出变化,从而为训练过程中梯度的反推力度设定了上限。
校准通过*对数评分规则*获得了严谨的支点,该规则依据一个预测赋予实际实现结果的对数概率来给予奖励。论文证明该规则是严格正当的,因为如实报告能唯一地最大化期望得分,且如实报告与任何其他报告之间的差距,恰好等于Kullback-Leibler散度,即一个分布到另一个分布之间的信息论距离。诚实的概率报告与散度最小化由此成为同一个目标。
散度几何度量分歧
市场先验与论点后验之间的分歧驱动着每一项下游决策,因此论文用一个由三个互补部分构成的复合散度来度量这种分歧。
一个Kullback-Leibler项捕捉内部的校准失当,也就是各分箱之间似然比的不匹配。一个尾部分歧项比较两个分布各自赋予其极端结果的概率质量,揭示出内部分箱会掩盖的尾部分歧。一个依赖失配项,由相关矩阵之间的Frobenius距离构成,捕捉任何单资产比较都会忽略的、跨资产的分歧联动。将三者结合起来,可以防止某一种失效模式主导整个信号,且每一项都保持足够可微,以供给下游的训练机制。此外,论文还独立地基于最优传输理论(Villani,2009年),在有序结果分箱上构建了一个Wasserstein-1距离,它度量把概率质量从一个分布搬移到另一个分布的最低成本方案,并可化简为一个对累积分布之间差距求和的闭式表达。
一个凸编译器把信念转化为策略
一个编译器通过一次凸投影,把这一分歧信号转化为一个投资组合。该编译器寻求尽量接近原始目标的权重,同时为换手支付一项交易成本惩罚,并受制于一组线性约束:资本预算、持仓上下限、换手与杠杆上限、行业限额,以及治理规则。
由于目标函数保持严格凸,可行域构成一个多面体,论文证明只要约束条件允许任何可行点存在,唯一的全局最优解就存在。Karush-Kuhn-Tucker条件,即约束凸问题的标准最优性证书,由此提供的不仅仅是一个解。每一条约束都获得一个对偶变量,即一个*影子价格*,读作收紧该限制的边际成本。较大的影子价格标记出实质性影响配置结果的约束,因此分析师可以追问究竟是哪些限制,不论是资本、换手、行业上限还是治理规则,在约束着这项决策。编译器由此在产出一项策略的同时,附带了一份关于该策略为何呈现出这种形态的可读说明。
鲁棒性通过Wasserstein模糊性进入模型
期望收益的点估计始终存在不确定性,因此论文强化了编译器,使其能够抵御分布性误差。它不再信赖单一的估计值,而是针对*Wasserstein模糊集*内部最坏情形的分布进行优化,该模糊集是以经验数据为中心、在所选传输半径之内的一个分布球。
Kantorovich对偶性使最坏情形变得可处理,把一个在无穷多个分布上的优化问题,转化为一个一维问题外加每个数据点一项的附加项。应用于均值方差目标时,鲁棒版本可以化简为熟悉的量,再加上随模糊半径增大而增大的显式惩罚项,因此对分布的谨慎态度会以可解释的方差膨胀和收益收缩的形式呈现出来,而不是一个隐藏的参数调整。条件风险价值(Rockafellar与Uryasev,2000年),即最坏尾部结果占比中的期望损失,是一种广为人知、同样符合这一范式的凸风险度量,书稿将其列为一种兼容的风险度量,但并未展开这一推广。
另外两项扩展在保留原有保证的同时,使整个架构更加完整。一个双层的*以决策为中心的学习*层,依据信念模型所产生决策的质量来训练该模型,通过隐函数定理对优化器本身求导。一个强化学习自适应头,被分析为一个满足Robbins-Monro收敛条件的双时间尺度随机逼近过程,在线进行调整。无论这两层各自提出什么建议,凸投影都在最后一步运行,因此每一个发出的投资组合都按构造落在可行集之内。
按构造实现的可审计性可以迁移到金融之外
剥离掉金融外壳,留下的是一个可以迁移的思想:一条决策流水线可以把审计保证内建在自身结构之中,而不是事后再补上一层。时间可采性把来源可追溯性变成了一项前置条件,因为每一件产物都只依赖于审阅者能够枚举并重新访问的输入;凸编译则使最后一步变得可检查,因为每一条起作用的约束都会通过影子价格宣告自身。
这种姿态与我其他工作中反复出现的一个主题相呼应:高风险的自动化决策应当配有可检查的记录,而不是流畅自信的断言。我的Tribunal原型在AI决策上追求同样的纪律,把提案、异议、否决和异见记录在一本哈希链账本之中,使审阅者能够重放一个答案是如何在质疑中存活下来的。一个系统约束的是决策可以触及哪些信息,另一个系统约束的是决策如何被记录下来。两者都是用一件怀疑者能够重建的产物,去替换一个自信满满的黑箱。
这种关联仍停留在概念层面。我的书稿证明的是关于一种金融架构的性质,其安全性方面的相关性是以类比的方式传递的,即把可审计性设计进流水线之中,而不是作为一项关于AI监督的已证实结果。即便只是一个类比,其中的设计教训依然清晰有力:把审计内建进机制之中,每一个输出到达时便已经具备可审阅性。
局限
- **形式化书稿。** 这份文献是一篇二十九页的理论论文,由定义、命题、定理和完整推导构成,仅在涉及基础性存在定理时才需要借助外部文献。
- **完整推导,零实证。** 每一个数学步骤都出现在正文之中,但没有任何实验、数据集、模拟或报告结果与之相伴;每一项与性能相关的性质,都仍然只是关于该架构的一条定理,与任何被测得的结果分开对待。
- **金融领域。** 这些结果具体针对金融决策系统,涵盖期权隐含密度、投资组合约束和市场模糊集,因此向其他领域的迁移尚未经过检验。
- **关于实现的提及描述的是设计,与实验分开对待。** 文中对"已实现系统"的零星提及(例如下跌/持平/上涨三分箱后验)记录的是设计选择;书稿对任何此类系统均报告了零次运行、零项指标和零项评估。
- **与AI监督的相关性是一种概念上的迁移。** 通往可审计AI决策的桥梁,建立在共享的设计姿态之上,即按构造实现可审计性,而不是建立在某项安全性结果、某个基准测试,或关于已部署监督的某种主张之上。
参考来源
- 我的书稿(PDF):Temporally Admissible Belief-to-Policy Compilation,一套面向可审计金融决策系统、受滤子约束、由散度驱动、经凸投影的架构,研究书稿,2026年2月。
- Breeden与Litzenberger,《Prices of State-Contingent Claims Implicit in Option Prices》,*Journal of Business*,51(4):621-651,1978年。
- Villani,*Optimal Transport: Old and New*,Springer,2009年。
- Rockafellar与Uryasev,《Optimization of Conditional Value-at-Risk》,*Journal of Risk*,2(3):21-41,2000年。
- Mohajerin Esfahani与Kuhn,《Data-driven distributionally robust optimization using the Wasserstein metric》,*Mathematical Programming*,2018年;Blanchet、Chen与Zhou,《Distributionally Robust Mean-Variance Portfolio Selection with Wasserstein Distances》,*Management Science*,2022年。
- White,《A Reality Check for Data Snooping》,*Econometrica*,2000年;López de Prado,*Advances in Financial Machine Learning*,Wiley,2018年(关于回测污染)。
- 我的文章Tribunal:当AI决策需要一本账。