第三讲：噪声与滤波——从混乱中提取信号
各位同学，今天我们来聊聊交易信号处理中最让人头疼的问题——噪声。说实话，我刚开始做量化那会儿，最烦的就是这个。明明策略回测跑得好好的，一上实盘就变样。后来才明白，不是策略不行，是信号被噪声污染了。
噪声这东西，就像菜市场里的背景音。你想听清楚对面人说话，得先过滤掉周围的嘈杂。交易信号也一样，价格波动里藏着真信号，也混着大量随机扰动。今天我就带大家把这些噪声理清楚，再教你怎么把它们滤掉。
核心观点：交易信号处理，本质上就是一场信号与噪声的战争。谁掌握滤波技术，谁就能在市场中看得更清楚。
3.1 噪声的三种面孔
先说说噪声的分类。我习惯把噪声分成三种：白噪声、粉红噪声、有色噪声。名字听着玄乎，其实没那么复杂。
3.1.1 白噪声
白噪声是最纯粹的随机。它的功率谱密度是平的，也就是说，在所有频率上能量都一样。你想想看，就像收音机没信号时的沙沙声，每个频率都有，但都没规律。
在金融市场里，高频交易数据中的微小波动，很多就是白噪声。我做过一个统计，在1分钟级别的价格数据里，大约有30%-40%的波动属于白噪声。这些波动没有任何预测价值，纯粹是市场随机游走的产物。
我的经验：判断一个序列是不是白噪声，可以看它的自相关函数。如果滞后1阶之后自相关系数就掉到0附近，那基本就是白噪声了。我在2018年处理比特币数据时就发现，5秒级别的价格变化几乎就是白噪声，根本没法用。
3.1.2 粉红噪声
粉红噪声就有点意思了。它的功率谱密度与频率成反比，低频能量大，高频能量小。自然界里很多现象都是粉红噪声，比如心跳、脑电波，甚至股票市场的长期走势。
为什么会这样？因为市场有记忆效应。今天的价格会影响明天的价格，这种相关性让低频成分更突出。我研究过沪深300的日线数据，它的波动特征就很接近粉红噪声——长期趋势明显，短期波动随机。
3.1.3 有色噪声
有色噪声是个大杂烩，只要不是白噪声和粉红噪声，都可以归到这一类。它的功率谱密度有特定的形状，比如低频特别强，或者某个频段特别突出。
在交易中，有色噪声往往对应着某种市场微观结构。比如订单簿的更新频率，或者做市商的报价模式。我曾经在分析期货Tick数据时发现，某些品种的价差序列呈现出明显的蓝色噪声特征（高频能量大），这是因为做市商在频繁调整报价。
| 噪声类型 | 功率谱特征 | 交易中的例子 |
|---|---|---|
| 白噪声 | 平坦 | 高频Tick随机波动 |
| 粉红噪声 | 1/f | 日线价格趋势 |
| 有色噪声 | 特定形状 | 订单簿价差序列 |
3.2 滤波器家族
搞清楚噪声长什么样，接下来就是怎么对付它们。滤波器就是我们的武器。按功能分，主要有四种：低通、高通、带通、带阻。
3.2.1 低通滤波器
低通滤波器，顾名思义，让低频信号通过，衰减高频信号。这是交易中最常用的滤波器。为什么？因为真正的趋势往往是低频的，而噪声是高频的。
我举个例子。你观察一只股票的5分钟K线，价格上上下下，但如果你用低通滤波器把高频波动滤掉，剩下的就是平滑的趋势线。这就是我们常说的「趋势跟踪」的本质——低通滤波。
注意：低通滤波器有个副作用——滞后。滤得越干净，滞后越严重。我刚开始做策略时，为了追求平滑，把滤波器参数设得很低，结果信号滞后了20个周期，进场点位全偏了。后来我学乖了，在平滑度和响应速度之间找平衡。
3.2.2 高通滤波器
高通滤波器正好相反，它让高频通过，衰减低频。这东西在交易中有什么用？嗯，用来检测突变。
比如你想捕捉价格的突然跳变，或者识别趋势的转折点。高通滤波器可以帮你把长期趋势去掉，只留下短期波动。我曾在做均值回归策略时用过高通滤波，效果不错——它能快速识别价格偏离均值的程度。
3.2.3 带通滤波器
带通滤波器只让某个频段的信号通过。这就像你听音乐时只关注中频人声，忽略低频鼓点和高频镲片。
在交易中，带通滤波器可以用来捕捉特定周期的波动。比如你想做5分钟级别的波段交易，就可以设计一个带通滤波器，只保留周期在5-15分钟之间的波动成分。我有个朋友专门做这个，他的策略就是基于带通滤波的，收益很稳定。
3.2.4 带阻滤波器
带阻滤波器是带通的反面，它阻止某个频段的信号通过。这玩意儿在消除特定噪声时很有用。
比如某个品种在特定时间点（比如开盘、收盘）会出现规律性的噪声，你就可以用带阻滤波器把它去掉。我曾经处理过股指期货的数据，发现每天开盘前5分钟有大量的程序化交易噪声，用带阻滤波器滤掉后，信号质量明显提升。
3.3 移动平均与指数平滑
说完了理论，来点实战的。移动平均和指数平滑是交易中最常用的滤波方法，简单但有效。
3.3.1 移动平均
移动平均就是取最近N个数据的平均值。简单吧？但越简单的东西往往越实用。
移动平均本质上是一个低通滤波器。N越大，滤得越干净，但滞后也越大。我一般用5日均线做短线参考，20日均线做中线参考。当然，具体参数得根据品种和周期来调。
# 简单移动平均的Python实现
def sma(data, window):
return data.rolling(window=window).mean()
# 示例：计算5日均线
price = [100, 102, 101, 103, 105, 104, 106]
sma_5 = sma(pd.Series(price), 5)
print(sma_5)
避坑指南：我曾经犯过一个错误——用移动平均做交易信号时，没有考虑未来数据。回测时用了整个序列的移动平均，结果实盘时发现信号滞后了。记住，移动平均只能用历史数据，不能用未来数据。
3.3.2 指数平滑
指数平滑比移动平均更聪明。它给近期的数据更高的权重，远期的数据权重指数衰减。这样既能平滑噪声，又能保持一定的响应速度。
指数平滑的公式很简单：S_t = α * X_t + (1-α) * S_{t-1}。其中α是平滑系数，取值在0到1之间。α越大，对近期数据越敏感。
# 指数平滑的Python实现
def ema(data, alpha):
result = [data[0]]
for i in range(1, len(data)):
result.append(alpha * data[i] + (1-alpha) * result[-1])
return result
# 示例：计算α=0.2的指数平滑
price = [100, 102, 101, 103, 105, 104, 106]
ema_02 = ema(price, 0.2)
print(ema_02)
我个人习惯用指数平滑来做趋势跟踪。它的滞后比移动平均小，而且参数调整更灵活。我一般把α设在0.1到0.3之间，具体看品种的波动率。波动大的品种用大一点的α，波动小的用小一点的α。
3.4 知识体系总览
说了这么多，我们来画个图，把今天的内容串起来。
这张图把今天的内容都串起来了。左边是噪声类型，中间是滤波器，右边是实战方法。三者之间的关系很清楚：先识别噪声类型，再选择合适的滤波器，最后用实战方法落地。
总结一下：噪声识别是信号处理的第一步，滤波是第二步。移动平均和指数平滑是最实用的工具，但要注意参数选择和滞后问题。记住，没有万能的滤波器，只有最适合当前场景的方法。
好了，今天就讲到这里。下一章我们会深入讨论信号失真问题，看看除了噪声之外，还有哪些因素会破坏我们的交易信号。各位回去可以把今天讲的滤波器在历史数据上试试，感受一下不同参数的效果。