量化交易：交易信号生成

可视化演示

从行情数据到交易信号的完整流程：指标计算、信号触发与回测验证。切换模式可查看信号生成与回测对比。

信号生成基础

大厨每天开工前先想清楚三件事：今天有什么食材？客人想吃清淡还是重口？灶台火力能撑多久？交易信号生成也一样，回答的是三个问题：现在市场处于什么状态？我的目标是什么？我敢承担多大风险？这三个问题的答案汇总，就是一个“调味指令”——买、卖、还是观望。

在量化交易里，信号并不是玄学，它必须被严格定义。一个信号通常是一个函数：输入历史价格、成交量、情绪指标等数据，输出一个可执行的决策。信号分两类：一类是趋势信号，告诉大厨“火上来了，快炒”；一类是均值回归信号，告诉大厨“盐放多了，加点水补救”。无论哪类，都需要有明确的评估标准：比如胜率、平均盈亏比、最大回撤，这些就像客人对菜的评价——回头客多不多、差评多不多。

最朴素的信号模型可以写成一个阈值判断：当市场动量超过某个“咸淡标准”时，就发出买入信号。

$$\displaystyle \text{signal}_t = \mathbb{I}(\text{momentum}_t > \theta)$$

1. 动量计算：momentum_t 表示 t 时刻的动量，也就是当前价格与 k 天前价格之差，代表近期涨跌的“冲劲”

$$\displaystyle \text{momentum}_t = P_t - P_{t-k}$$

2. 阈值设定：θ 是决策阈值，类似大厨心里的咸淡标准，低于它不动手，高于它才行动

$$\displaystyle \theta > 0$$

3. 信号函数：I(·) 是示性函数，括号里条件成立就输出 1（买入），不成立输出 0（观望）

$$\displaystyle \mathbb{I}(x) = \begin{cases} 1, & x > 0 \\ 0, & x \leq 0 \end{cases}$$

信号生成不是拍脑袋，而是把大厨的“第六感”翻译成机器可执行的规则。有了清晰的信号定义，后面的一切——技术指标、机器学习、回测、实盘——才有了地基。没有这把“调味尺子”，做出来的菜时咸时淡，长期下来客人（资金）一定会流失。

传统技术信号

老厨师不用仪器，炒菜靠看颜色、闻香气、听油声。技术指标就是交易世界的“老经验”，它们公式简单、解释直观，至今仍在量化系统里占据重要位置。最经典的是均线交叉：大厨看到锅边开始冒烟，就知道火候到了；交易员看到短期均线向上穿过长期均线，就知道趋势可能要启动。

均线的本质是“平均成本”的平滑线。短均线像灵敏的温度计，市场一有风吹草动就变化；长均线像沉稳的老汤锅底，反映长期趋势。当短均线从下方穿过长均线（金叉），说明短期买家力量压过长期持有者，是买入信号；反过来（死叉）则是卖出信号。

$$\displaystyle \text{MA}_n(t) = \frac{P_t + P_{t-1} + \cdots + P_{t-n+1}}{n}$$

1. 收盘价序列：P_t 是第 t 天的收盘价，像每天菜品出锅时的“最终形态”

$$\displaystyle P_t, P_{t-1}, \ldots, P_{t-n+1}$$

2. 求和平均：把最近 n 天的收盘价全部加起来，再除以 n，得到这段时间的平均成本

$$\displaystyle \sum_{i=0}^{n-1} P_{t-i}$$

3. 均线数值：MA_n(t) 就是 t 时刻的 n 日移动平均线，历史价格越滚越多，这条线就越顺滑

$$\displaystyle \text{MA}_n(t) = \frac{1}{n}\sum_{i=0}^{n-1} P_{t-i}$$

除了均线，动量指标 RSI 负责测“咸淡”：RSI 高于 70 说明短期涨太多，像菜放多了盐，容易回调；低于 30 说明跌过头，可以期待反弹。波动率信号则提醒大厨“今天客人少，少做几道菜”——市场波动大时降低仓位，波动小时加大仓位。量价配合更直接：放量上涨比缩量上涨更可信，就像客人排队越多，越说明这锅菜真香。

技术信号最大的优点是“可解释”：每一个信号都能讲出道理，出问题也好排查。缺点是滞后——等大厨闻到糊味，菜已经烧过头了。但老经验仍然是宝贵的基础，AI 模型也常常把它们当作输入特征，就像超级大厨也要从师父那里继承基本功。

机器学习信号

如果说技术指标是师传口诀，那机器学习就是“超级大厨的养成记”。超级大厨不会只靠一条经验，他会同时观察食材成色、灶台火力和客人表情，把上百个线索综合起来，并且从过去一万次成功和失败中学习规律。机器学习信号生成，做的就是这件事：从历史数据中自动学习“什么特征组合下，上涨概率更高”。

整个流程分四步：特征工程、模型选型、训练验证、概率输出。特征工程是大厨选食材，除了价格和成交量，还可以加入新闻情绪、波动率、资金流向等；模型选型是定菜系，逻辑回归像家常菜稳妥易解释，梯度提升树像创意菜上限高，深度学习像分子料理调参复杂；训练验证是试菜环节，用过去的数据训练，再用没见过的数据验证；概率输出则是最终出品——模型给出“明天上涨的概率”。

$$\displaystyle P(y=1 \mid x) = \frac{1}{1 + e^{-(w^{\top} x + b)}}$$

1. 特征加权：w 是权重向量，x 是特征向量，wᵀx 对每个特征打分并求和，相当于大厨把食材新鲜度、火候、客人表情按重要性加权记总分

$$\displaystyle z = w^{\top} x + b$$

2. 偏置项：b 是偏置，代表大厨的“基础手感”——即使所有特征都是中性，也有一个默认判断倾向

$$\displaystyle b$$

3. 压缩映射：sigmoid 函数把 z 从负无穷到正无穷压缩到 0 到 1 之间，z 越大输出越接近 1，买入概率越高

$$\displaystyle \sigma(z) = \frac{1}{1 + e^{-z}}$$

4. 概率输出：模型最终输出 P(y=1|x)，就是给定当前特征时上涨的概率，通常以 0.5 为阈值：大于 0.5 发买入信号，小于 0.5 发卖出信号

$$\displaystyle \text{signal} = \begin{cases} \text{Buy}, & P(y=1|x) > 0.5 \\ \text{Sell}, & P(y=1|x) < 0.5 \end{cases}$$

机器学习信号最大的魅力在于它捕捉的是“复杂互动”：单个特征看起来没用的组合，可能预测力极强——就像单独闻一种香料辨不出菜，但多种香料搭配时整道菜的味道就出来了。不过它也有代价：需要大量高质量数据，需要防过拟合，训练出来的模型有时像黑箱，厨师说不清为什么这道菜要这么调味。

信号评估优化

大厨研发新菜，绝不会只做一次就端上桌。他会反复试菜，记下每次的火候、调料和客人反馈，直到配方稳定。交易信号同样需要“试菜”——这就是回测。回测框架模拟历史行情，把信号一条条“回放”，观察如果当时照着交易，账户会变成什么样。

评估信号不能只看收益，还要看“性价比”。一个策略一年赚 50% 但过程中净值上蹿下跳，像坐过山车，大多数资金根本拿不住；另一个策略一年赚 25% 但曲线平稳，反而更受机构欢迎。衡量这种性价比最常用的指标是夏普比率，它描述的是“每承担一单位风险，能换来多少超额收益”。

$$\displaystyle \text{Sharpe} = \frac{E[R_p] - R_f}{\sigma_p}$$

1. 策略收益：E[R_p] 是策略在回测期间的平均收益率，相当于每次试菜的平均满意度

$$\displaystyle E[R_p] = \frac{1}{T}\sum_{t=1}^{T} R_{p,t}$$

2. 无风险利率：R_f 是无风险资产收益率（比如国债），这是“不做菜也有收益”的保底水平

$$\displaystyle R_f$$

3. 收益波动率：σ_p 是策略收益的标准差，衡量收益忽高忽低的风险程度，相当于菜品质量的稳定性

$$\displaystyle \sigma_p = \sqrt{\frac{1}{T-1}\sum_{t=1}^{T}(R_{p,t} - E[R_p])^2}$$

4. 夏普比率：超额收益除以波动率，得到单位风险下的超额回报，是横跨不同策略的“评分卡”

$$\displaystyle \text{Sharpe} = \frac{E[R_p] - R_f}{\sigma_p}$$

回测中最危险的陷阱是过拟合：大厨为了让“试菜记录”好看，把配方调得只适合那几天特定的食材，换个季节就翻车。防范方法包括样本外验证（用没参与调参的数据测试）、参数敏感性测试（微调参数看结果是否稳健）、加入交易成本（把真实手续费和滑点算进去）。只有经过这些考验的信号，才配得上“量产”。

实盘部署适配

菜谱上写着“大火快炒 30 秒”，但家里的灶台火力不够，30 秒出锅的菜还是生的。交易信号也一样：回测里信号出现的那一刻，价格是理想的；实盘里，从信号产生到委托成交，中间隔着网络延迟、排队撮合和市场滑点。等你的单子真正成交，价格可能已经不是信号触发时的价格了。

这就是实盘与回测最大的区别：信号会“凉”。信号刚生成时置信度最高，随着时间推移，它反映的市场信息越来越过时，决策价值不断衰减。量化系统用置信度衰减模型来处理这个问题：新鲜信号全力执行，陈旧信号降低仓位甚至直接放弃。

$$\displaystyle c(t) = c_0 \cdot e^{-\lambda \cdot \text{age}}$$

1. 初始置信度：c₀ 是信号刚生成时的置信度，设为 1 表示完全信任，相当于菜刚出锅时香味最浓

$$\displaystyle c_0$$

2. 信号年龄：age 是信号产生后经过的时间，以秒或毫秒计，时间是食物的“天敌”

$$\displaystyle \text{age} = t_{\text{now}} - t_{\text{signal}}$$

3. 衰减系数：λ 控制信号衰亡速度，高频行情里 λ 大（信号几秒就失效），低频策略里 λ 小（信号可以管一天）

$$\displaystyle \lambda > 0$$

4. 指数衰减：e 的负指数次方让置信度从 1 快速下降，越往后衰减越慢，模拟信息“先快速变旧，后缓慢遗忘”的规律

$$\displaystyle e^{-\lambda \cdot \text{age}} \in (0, 1]$$

实盘适配的另一项工作是信号一致性保障：回测中用了未来数据，实盘就会“失灵”，这是数据泄露；必须确保回测逻辑和实盘逻辑完全一致。系统还要做好容错降级——数据源断了就暂停发信号，模型异常就切换备用规则，就像大厨发现盐罐空了，立刻换成备用的调料方案，绝不手忙脚乱。

全流程案例

一盘好菜从选材、切配、烹饪到装盘，环环相扣。交易信号生成也是一条完整流水线：数据管道 → 信号生成 → 回测评估 → 实盘交易 → 监控复盘。少了任何一环，系统都会出问题——数据没洗干净，信号就是空中楼阁；没有监控，模型悄悄失效也无人知晓。

一个典型的量化团队是这样协作的：数据工程师维护数据管道，保证行情数据准确、及时、无未来函数；量化研究员开发信号策略，不断尝试新特征和新模型；回测工程师搭建回测环境，扣掉手续费和滑点，输出夏普比率和最大回撤；实盘工程师负责部署监控，处理信号延迟和系统异常。每个人都在为同一个目标服务：让“调味决策”更准、更快、更稳。

衡量整个流程最终效果的指标是净收益——不是你账面赚了多少，而是扣掉所有成本后真正落入口袋的钱。

$$\displaystyle R_{\text{net}} = \frac{P_{\text{sell}} - P_{\text{buy}}}{P_{\text{buy}}} - \text{cost} - \text{slippage}$$

1. 价差收益：分子是卖出价减去买入价，代表这轮交易赚到的毛差价，像一盘菜卖出的毛利

$$\displaystyle P_{\text{sell}} - P_{\text{buy}}$$

2. 收益百分比：除以买入价，把利润换算成收益率，方便不同资金量之间对比

$$\displaystyle \frac{P_{\text{sell}} - P_{\text{buy}}}{P_{\text{buy}}}$$

3. 手续费成本：cost 是佣金等固定交易费用，按成交金额比例收取，像餐厅的平台抽成

$$\displaystyle \text{cost}$$

4. 滑点损失：slippage 是实际成交价与信号价格的偏差，市场流动性越差，这个值越大

$$\displaystyle \text{slippage}$$

策略上线后还要持续迭代：监控告警系统实时盯住信号频率、成交延迟和收益曲线，一旦异常立刻通知。每周复盘时，团队像大厨品鉴会一样，把本周的每一笔交易回放一遍，分析做对的、做错的，提炼改进项。如此循环往复，量化系统才能像一家成熟餐厅一样，持续端出稳定可口的“菜”。

AI 应用场景

Python 演示

import numpy as np  def generate_signal(prices, short=5, long=20):    """Generate buy/sell signals by moving average crossover."""    ma_short = np.convolve(prices, np.ones(short) / short, mode='valid')    ma_long = np.convolve(prices, np.ones(long) / long, mode='valid')    offset = long - short    signals = np.zeros(len(prices))    for i in range(1, len(ma_long)):        s = i + offset        price_idx = i + long - 1        if ma_short[s - 1] <= ma_long[i - 1] and ma_short[s] > ma_long[i]:            signals[price_idx] = 1        elif ma_short[s - 1] >= ma_long[i - 1] and ma_short[s] < ma_long[i]:            signals[price_idx] = -1    return signals  def backtest(prices, signals, cost=0.001):    """Simple backtest: 1 means buy, -1 means sell."""    cash = 10000.0    shares = 0.0    for i in range(len(signals)):        if signals[i] == 1 and shares == 0:            shares = cash / prices[i] * (1 - cost)            cash = 0.0        elif signals[i] == -1 and shares > 0:            cash = shares * prices[i] * (1 - cost)            shares = 0.0    total = cash + shares * prices[-1]    return total  if __name__ == '__main__':    rng = np.random.default_rng(42)    price = 100 + np.cumsum(rng.normal(0, 1, 300))    sig = generate_signal(price)    final = backtest(price, sig)    print(f"Backtest final equity: {final:.2f}")

1. ma_short = np.convolve(prices, np.ones(short) / short, mode='valid')用滑窗平均实现短均线，等价于大厨的“快速测温”。
2. offset = long - short两套均线长度不同，先算好索引偏移量，保证对齐同一时间点。
3. signals = np.zeros(len(prices))预分配信号数组，默认值 0 表示观望。
4. if ma_short[s - 1] <= ma_long[i - 1] and ma_short[s] > ma_long[i]:判断前一刻短均线在下方、此刻穿到上方，即金叉。
5. signals[price_idx] = 1在金叉对应的价格位置记录买入信号。
6. elif ma_short[s - 1] >= ma_long[i - 1] and ma_short[s] < ma_long[i]:死叉条件，短均线从上往下穿过长均线。
7. shares = cash / prices[i] * (1 - cost)买入时先扣手续费再算可买入股数。
8. cash = shares * prices[i] * (1 - cost)卖出时同样扣掉成本，避免“纸上富贵”。
9. price = 100 + np.cumsum(rng.normal(0, 1, 300))用随机游走模拟 300 天的价格走势，方便快速验证信号逻辑。
10. final = backtest(price, sig)跑完整条信号序列，输出最终资产。

常见误区

面试题