签名刻画波动率如何演变而非有多高
路径签名通过迭代积分概括一条收益路径，因此是刻画路径形状的无模型特征。论文的核心主张是：这种形状信息不同于已实现波动率预测变量所携带的水平信息。主要差异在方差水平的状态，已实现波动率本身就能区分，因此在这种设定下的准确率几乎说明不了签名贡献了什么。当各状态共享同一个平稳方差律、但均值回复速度不同时，签名的作用更大，因为这种差异存在于路径的时间顺序中，而不在平均方差里。
作者在 50 天窗口上用三个通道构造路径：时间、累计收益和累计绝对收益。时间通道使该表示对窗口内波动发生的时间敏感。例如，二阶签名包含时间与累计绝对收益之间的 Lévy 面积，它记录较大的绝对收益出现在窗口早期还是晚期。这是关于路径几何的陈述，而不是关于整个窗口波动有多高。
预测美国与发达市场未来一个月的波动率三分位
主要证据是一项样本外预测研究。预测目标是未来 21 个交易日年化已实现波动率所处的三分位，分位切点仅用训练数据估计。预测每日基于当日可得信息发布，使用美国和除美国外发达市场的日度市值加权市场收益，样本期为 1990 年 7 月至 2025 年 12 月，样本外期为 2005 年至 2025 年，共 21 个年度测试年。
预测变量有两套常规集合。紧凑的 Statistics 集合含 11 个特征，包括全窗口与短窗口波动率、平均绝对收益、下行与上行半方差、偏度、超额峰度、收益、绝对收益和平方收益的一阶自相关，以及最大对数回撤。丰富的 B3 集合在此基础上增加 29 个特征，如收益分位数、滞后 2、5、10 阶自相关、方差比、谱熵、频带功率、已实现方差与四次幂、双幂变差、跳跃比例，以及符号变化率和转折点率。两套集合还都包含 1、5、22 日平方收益均值，与 HAR 模型一致，因此分别有 14 和 43 个常规特征。
每套预测变量与三种学习器组合：ℓ2 正则化逻辑回归、随机森林和直方图梯度提升，每种都有预先设定的三档超参数网格。此外还有三个无需学习器的基准：当前三分位的持续性、把持续性转化为概率预测的转移基准，以及把未来一个月对数已实现波动率对过去 1、5、22 日对数已实现波动率回归的 HAR 基准，其高斯预测分布被转换为三分位概率。模型每年在扩展窗口上重新拟合，每个测试年前留出 21 天间隔，任何选择都不使用测试观测。
机器学习分类器未能超越 HAR 基准
第一个发现是常规基准很难被超越。HAR 回归预测未来一个月三分位的准确率与任何分类器相当，无论是否加入签名，而当前三分位的持续性也相差不远。这一点重要，因为它设定了签名必须跨越的门槛：在常规特征之上加一个灵活学习器，本身并不能超过一个简单的已实现波动率回归。
签名确实改善了美国紧凑 Statistics 预测变量集上的分类器，在平衡准确率和排序概率得分两方面都是如此。但这一改善是相对于分类器自身的基准，而不是相对于 HAR。论文报告称，无论是否加入签名，分类器都没有超过 HAR 回归，因此分类器的增益是真实的，却没有改变最佳预测者的排序。
原始签名改善美国的 HAR 回归
更具决策相关性的结果是签名改善了 HAR 回归本身。在美国，向 HAR 回归加入原始签名使平衡准确率提高 2.7 个百分点并降低排序概率得分，两项差异在 Holm 校正后仍然成立。向同一回归加入常规 Statistics 特征则没有任何变化。在美国以外，没有任何增益能通过多重性校正。
增广的实现方式是向 HAR 回归加入标准化后的额外预测变量：14 个对数签名坐标、39 个原始签名坐标，或作为常规对照的 11 个 Statistics 特征。只有额外系数被岭惩罚，惩罚强度在验证年份上按排序概率得分从包含无穷惩罚（即返回普通 HAR 预测）的网格中选取，概率的形成方式与 HAR 基准相同。作者指出，这一比较是在已知基准结果之后设计的，但在任何增广预测被评分之前就已固定。
受控 Heston 设计区分尺度与速度
为解释这一模式，作者运行了两个受控 Heston 设计。在设计 A 中，各状态在方差尺度上不同：所有状态共享均值回复速度 κ 和尺度系数，而长期方差 θ 因状态而异。在设计 B 中，各状态共享同一个平稳方差律但均值回复速度不同：长期方差 θ 和方差比 q 相同，而 κ 因状态而异。每条路径都重新抽取参数，每条路径 5,000 个观测，最小停留期为 50 个观测。
模拟分类结果展示了这一机制。在设计 A 中，常规 Statistics 块的平衡准确率已经很高，约为 73%，签名只带来有限增益。在设计 B 中，常规 Statistics 块弱得多，逻辑回归约为 39.8%，签名的增益则大得多：原始签名使逻辑回归平衡准确率提高 4.53 个百分点，对数签名提高 1.88 个百分点。在十二组增广对比中，有十一组显示状态差异体现在速度时增益大于尺度，且当原始签名输入线性学习器时增益最大。
作者还审计了离散化。在设计 B 中，每个观测一个 Euler 步会使较快状态的平稳方差最多膨胀 3.2%，跨状态差距约 3.0 个百分点，因此设计 B 使用四个子步，把差距降到约 1.0 个百分点。设计 A 使用一步，因为所有状态共享 κ，仅尺度控制精确成立。
更好的状态识别未带来更早信号或组合收益
还有两项结果限制了实际适用范围。第一，更好地识别已确立的状态并不能产生更早的状态变化信号。在检测实验中，以每 1,000 个观测一次误报为目标，CUSUM 在设计 A 中检测到 22.8% 的变化，而隐马尔可夫滤波器为 18.0%，Statistics 加对数签名为 18.2%。在设计 B 中，最佳表示 Statistics 加原始签名检测到 12.4% 的变化，而 Statistics 为 12.2%，隐马尔可夫滤波器为 10.8%，CUSUM 为 8.8%。在所有设计、误报预算和增广中，32 组检测对比只有五组名义上成立，且没有一组通过 Holm 校正。一个距上次变化时间的诊断显示，切换后前 25 个观测内没有成立的增益，最明显的增益出现在设计 A 中 100 个观测以上的年龄，以及设计 B 中 50 至 99 个观测的年龄。
第二，没有任何准确率增益转化为波动率管理组合中已确认的夏普比率改善。预测被按照 Moreira 和 Muir 的方法转化为波动率管理组合，论文报告称这里发现的准确率增益未必改变组合结果。因此作者建议，任何准确率增益都应按它所要服务的决策来评判，并在明确的误报预算下、用考虑多重性的推断单独评估状态的起始。
把签名加入强基准而非替代基准
论文的实践建议来自其比较结构，而不是对更丰富特征的泛泛偏好。由于无论是否加入签名，分类器都没有超过 HAR，有用的做法是把签名坐标加入一个强的已实现波动率基准，而不是用分类器替代该基准。由于增益出现在原始签名上而不出现在常规 Statistics 对照上，签名坐标系的选择应与模型一起决定。由于增益在美国通过校正而在美国以外没有，结果应在手头的市场样本中检验，而不能假定可以迁移。
作者也标明了其结论的条件：模拟参数族、数值离散化、窗口长度、学习器、预测期限和市场样本都限定了结果所能支持的范围。签名增广的 HAR 比较是在已知基准结果之后设计的，其经济评估是在预测被评分之后加入的。因此最有用的解读是有条件的：当预测问题关乎波动率如何演变、当基准是已实现波动率回归、当所涉决策对状态动态而非仅对状态水平敏感时，签名值得检验。
本文引用的文献
Scale or speed? When do path signatures improve volatility-regime forecasts?
向已实现波动率的 HAR 回归加入原始路径签名，使美国未来一个月波动率三分位的平衡准确率提高 2.7 个百分点，并在 Holm 校正后降低排序概率得分，而常规波动率特征没有贡献，美国以外也没有增益能通过校正；受控 Heston 设计显示，当状态差异体现在均值回复速度而非方差水平时签名帮助更大，且没有任何准确率增益转化为波动率管理组合中已确认的夏普比率改善。