第3章噪声的数学定义

第3章：噪声的数学定义

聊到市场微观结构，绕不开一个核心问题——噪声到底是什么？

很多人一听到「噪声」就想到随机波动，觉得就是市场不理性的表现。嗯，这个理解太粗糙了。我做了这么多年高频数据，发现噪声其实有非常清晰的数学定义。今天我们就把它彻底讲透。

先想一个问题：你看到的成交价，真的是资产的「真实价值」吗？

当然不是。真实价格是理论上的概念，我们永远观测不到。我们能看到的，是带有各种摩擦的成交价。用数学语言说：

观测价格 = 有效价格 + 微观结构噪声

这个噪声来自哪里？买卖价差、订单不平衡、交易成本、信息延迟……说白了，市场不是完美的，每一笔交易都带着「摩擦成本」。

我个人习惯把噪声分成两类：

你想想看，如果噪声是纯随机的，那还好处理。但现实中的噪声往往有记忆性，这才是麻烦的地方。

怎么判断一个价格序列里有没有噪声？我最常用的工具就是方差比检验。

核心逻辑很简单：如果价格是随机游走（无噪声），那么收益率的方差应该和时间间隔成正比。比如：

但如果有噪声，这个比例就会偏离。我们定义方差比：

VR(q) = Var(r_t(q)) / (q * Var(r_t(1)))

其中 r_t(q) 是 q 期收益率。如果 VR(q) = 1，说明无噪声。如果 VR(q) < 1，说明存在负自相关（均值回复）。如果 VR(q) > 1，说明存在正自相关（趋势延续）。

关键结论：微观结构噪声通常导致短期方差比显著偏离1。我见过最夸张的案例是某只小盘股，1分钟VR只有0.3——说明噪声引起的均值回复极其强烈。

方差比检验是个整体指标，但如果你想看噪声的精细结构，就得用序列自相关。

对于收益率序列 r_t，自相关函数定义为：

ρ(k) = Cov(r_t, r_{t-k}) / Var(r_t)

如果市场是有效的，ρ(k) 应该接近0。但实际数据中，你会发现：

我记得有一次分析某期货合约的 tick 数据，ρ(1) 达到了 -0.4。这意味着什么？你看到一笔上涨，下一笔大概率会回调。这就是典型的微观结构噪声特征。

避坑指南：我曾经犯过一个错误——直接用日线数据算自相关，结果发现噪声特征不明显。后来才意识到，微观结构噪声主要存在于高频区间（秒级、tick级）。低频数据已经把噪声「平均」掉了。

用数学语言描述噪声，我们需要定义它的统计性质。假设噪声为 η_t，通常假设：

但现实中，第三条往往不成立。比如大单交易时，噪声和价格变化是相关的。这就是所谓的「内生噪声」。

我一般用以下模型来刻画噪声：

η_t = θ * ε_t + (1-θ) * ε_{t-1}

这是一个 MA(1) 过程，θ 控制噪声的序列相关性。当 θ=1 时，噪声是白噪声。当 θ<1 时，噪声有负自相关。

总结一下，我们描述噪声需要三个要素：

举个例子，如果某只股票的噪声参数是：σ²_η = 0.0001，ρ_η(1) = -0.3，Cov(η, p) ≈ 0。这说明噪声强度适中，有明显的负自相关（买卖价差主导），且与价格基本独立。这种情况下，用移动平均滤波就能有效去噪。

注意：千万不要把噪声和「信息」混为一谈。噪声是市场摩擦的产物，而信息是驱动价格长期变化的因素。两者的区别在于——噪声会随时间衰减或反转，而信息会持续影响价格。

下面这张图概括了本章的核心逻辑：

这张图把噪声的数学定义拆成了三个层次：来源、描述、检验。你从左边开始看，先理解噪声从哪里来，再用数学语言刻画它，最后用方差比和自相关去验证。我个人觉得，这个框架比单纯背公式有用得多。

好了，噪声的数学定义就讲到这里。下一章我们会深入具体的滤波方法——怎么把这些噪声从价格序列里「揪」出来。

公众号:蓝海数据掘金营，微信deep3321