一、信号基础：什么是交易信号？信号在量化交易中的核心作用
1.1 交易信号到底是什么？
先问个问题：你打开交易软件，看到满屏的K线和指标，然后呢？
大多数人会盯着MACD金叉、RSI超买超卖，凭感觉下单。但量化交易不是这样玩的。
交易信号，说白了就是一个明确的、可执行的买卖指令。它告诉你：现在买，还是现在卖，或者什么都不做。
举个例子：
# 一个最简单的信号逻辑
if 收盘价 > 20日均线:
发出买入信号
else:
发出卖出信号嗯，就是这么直白。但别小看它——我见过太多人把信号搞复杂了，结果回测漂亮，实盘一塌糊涂。
核心定义：交易信号 = 市场数据 + 规则引擎 + 执行指令
它必须满足三个条件：
- 确定性：同样的输入，永远得到同样的输出
- 可重复性：任何人在任何时间运行，结果一致
- 可执行性：信号发出后，能直接转化为订单
1.2 信号在量化交易中的核心作用
我个人习惯把量化交易系统比作一辆自动驾驶汽车。信号就是方向盘——没有它，你只能原地打转。
具体来说，信号承担了四个关键角色：
| 角色 | 说明 | 我踩过的坑 |
|---|---|---|
| 决策引擎 | 把市场数据转化为买卖决策 | 曾经用了一个信号，回测年化50%，实盘直接亏了20%。后来发现是信号逻辑里有个隐藏的future bias |
| 风险过滤器 | 过滤掉噪音交易，只在高概率机会出手 | 有段时间信号太敏感，一天交易几十次，手续费吃掉了所有利润 |
| 策略载体 | 把你的交易理念变成可执行的代码 | 我刚开始写策略时，总想把所有想法塞进一个信号里，结果哪个都不灵 |
| 回测基石 | 没有信号，回测就是空谈 | —— |
你想想看，如果没有信号，你的交易靠什么？靠感觉？靠消息？那跟赌博有什么区别。
1.3 信号的分类：从简单到复杂
我在项目中遇到过各种各样的信号，大致可以分成三类：
1.3.1 基于价格的信号
最基础的一类。只看价格本身，不看其他数据。
- 突破信号：价格突破某个关键位
- 均线信号：短期均线上穿长期均线
- 动量信号：过去N天的涨幅超过阈值
1.3.2 基于指标的信号
把价格数据加工成指标，再用指标生成信号。
- RSI超买超卖：RSI > 70 卖出，RSI < 30 买入
- MACD金叉死叉：DIF上穿DEA买入，下穿卖出
- 布林带突破：价格突破上下轨
1.3.3 基于机器学习的信号
这个就高级一些了。用模型预测未来涨跌，然后生成信号。
- 分类模型：预测涨/跌/平
- 回归模型：预测具体价格
- 强化学习：动态调整信号阈值
我的建议：新手先从基于价格的信号开始。别一上来就搞机器学习——我见过太多人连均线都没搞明白，就跑去调LSTM参数了。结果呢？过拟合得一塌糊涂。
1.4 信号的生命周期
一个信号从想法到实盘，要经历五个阶段。我画了张图，你看一眼就明白了：
这张图我画了好几次才满意。你看，从想法到实盘，每一步都不能跳过。我曾经跳过优化阶段，直接把回测好的信号上线，结果市场风格一变，亏得我怀疑人生。
1.5 信号的质量评估标准
不是所有信号都值得上实盘的。我总结了一套评估标准，你写信号的时候可以对照着看：
- 胜率：信号发出后，盈利的次数占比。但别只看胜率——我见过胜率70%的策略，亏得比赚的多。为什么？因为亏一次就把前面赚的全吐回去了。
- 盈亏比：平均盈利 / 平均亏损。这个比胜率重要得多。
- 信号频率：一天出几次信号？太频繁了手续费高，太少了赚不到钱。
- 稳定性：在不同市场环境下表现是否一致？
- 延迟：从信号产生到执行，需要多少时间？
避坑指南：我曾经写过一个信号，回测胜率65%，盈亏比2:1，看起来完美。结果实盘第一天就亏了5%。后来发现，信号在回测时用了未来数据——它偷偷看了明天的收盘价。这种错误，新手最容易犯。
1.6 一个完整的信号示例
说了这么多，来点实际的。下面是一个完整的信号生成代码：
import pandas as pd
import numpy as np
def generate_signal(df, short_window=20, long_window=50):
"""
双均线交叉信号生成器
参数:
df: DataFrame，必须包含'close'列
short_window: 短期均线窗口
long_window: 长期均线窗口
返回:
df: 包含信号列的DataFrame
"""
# 计算均线
df['ma_short'] = df['close'].rolling(window=short_window).mean()
df['ma_long'] = df['close'].rolling(window=long_window).mean()
# 生成信号
# 1: 买入, -1: 卖出, 0: 持仓
df['signal'] = 0
# 金叉买入
buy_condition = (df['ma_short'] > df['ma_long']) & \
(df['ma_short'].shift(1) <= df['ma_long'].shift(1))
df.loc[buy_condition, 'signal'] = 1
# 死叉卖出
sell_condition = (df['ma_short'] < df['ma_long']) & \
(df['ma_short'].shift(1) >= df['ma_long'].shift(1))
df.loc[sell_condition, 'signal'] = -1
return df
# 使用示例
# df = pd.read_csv('data.csv')
# result = generate_signal(df)
# print(result[result['signal'] != 0][['close', 'signal']])这个代码看着简单吧？但就是这种简单的信号，在实盘里跑了好几年，收益稳稳的。为什么？因为它逻辑清晰，没有过度优化。
1.7 信号开发的常见误区
最后，我总结几个新手最容易踩的坑：
- 过度拟合：为了回测好看，加了十几个参数。结果换个时间段就废了。
- 忽略交易成本：信号频率太高，手续费吃掉所有利润。
- 未来函数：不小心用了未来的数据，回测结果全是假的。
- 幸存者偏差：只测试了上涨行情，没考虑下跌怎么办。
我的经验：写信号的时候，先问自己三个问题：
- 这个信号背后的逻辑是什么？能说清楚吗？
- 如果市场反转，这个信号会怎么表现？
- 我敢不敢拿真金白银去跑？
如果三个问题都能回答，那这个信号就值得继续往下做。
好了，关于信号的基础知识就讲到这里。记住一句话：好的信号，简单、稳定、可解释。别整那些花里胡哨的，先把基础打牢。