一、量化信号基础

什么是量化信号

量化信号，说白了就是一组数字。这组数字告诉你：现在该买，还是该卖，或者该观望。

我刚开始做量化交易那会儿，总觉得信号这东西很玄乎。后来踩过几次坑才明白——信号就是数学模型对市场状态的判断结果。比如一个简单的均线金叉信号：

# 一个最简单的量化信号示例
def moving_average_signal(prices, short_window=5, long_window=20):
    short_ma = prices.rolling(short_window).mean()
    long_ma = prices.rolling(long_window).mean()
    
    # 生成信号：1表示买入，-1表示卖出，0表示持有
    signal = np.where(short_ma > long_ma, 1, -1)
    return signal

你看，这个函数输出的就是一组信号。每个时间点对应一个值，告诉你市场状态。

但要注意，信号不是预测。它只是告诉你当前的状态，而不是未来一定会怎样。嗯，这个区别很重要，我见过太多人把信号当预言用了。

信号在LLM量化中的作用

LLM（大语言模型）做量化，本质上是在做一件事：把文本信息转化成交易信号。

为什么会这样？因为市场里除了价格数据，还有海量的文本信息——新闻、公告、社交媒体、研报……这些信息里藏着交易机会，但传统量化模型处理不了。

LLM的作用，就是把这些非结构化的文本，变成结构化的信号。我个人习惯把这个过程分成三步：

1. 文本理解：LLM读懂文本在说什么
2. 情绪提取：判断文本是利好还是利空
3. 信号生成：把情绪量化为具体的交易指令

举个例子，我去年做过一个项目，用LLM分析美联储会议纪要。传统做法是等人翻译成数据，但LLM可以直接从原文里提取信号：

# LLM信号生成示例（伪代码）
def llm_signal_from_text(text):
    prompt = f"""
    分析以下文本的货币政策倾向：
    1. 鹰派（紧缩）还是鸽派（宽松）？
    2. 置信度评分（0-1）
    3. 关键信号词
    
    文本：{text}
    """
    
    response = llm_api(prompt)
    signal = parse_llm_response(response)
    return signal

信号与模型性能的关系

这个问题，说白了就是：信号质量决定了模型能赚多少钱。

我做过一个对比实验，用同样的交易策略，只换信号源：

信号类型	年化收益率	最大回撤	夏普比率
纯价格信号	12.3%	-18.5%	0.85
纯LLM文本信号	8.7%	-22.1%	0.62
混合信号（价格+文本）	16.8%	-12.3%	1.24

你看，混合信号的效果最好。为什么？因为不同信号之间可以互补。

这里有个避坑指南：信号不是越多越好。我曾经在一个策略里堆了十几个信号源，结果过拟合得一塌糊涂。回测曲线漂亮得像假的一样，实盘直接崩了。

信号质量有几个关键指标：

• 信噪比：信号里有用信息占多少。LLM生成的信号，噪声往往比传统信号大
• 延迟性：信号生成到交易执行的时间差。LLM推理慢，这是个硬伤
• 稳定性：同样的输入，是不是每次输出都一样。LLM有随机性，需要做一致性处理

最后说一句，信号和模型性能的关系，有点像发动机和汽车。信号再好的模型，如果执行层面出问题，照样白搭。我见过太多人把精力全花在优化信号上，结果忽略了交易成本、滑点这些实际问题。

这张图展示了我常用的LLM量化信号生成流程。注意看那个反馈回路——信号不是一次性生成的，需要不断用回测结果来优化LLM的prompt和参数。

好了，关于量化信号的基础就聊这么多。记住一句话：信号是量化交易的起点，但不是终点。后面我们会深入聊怎么用LLM生成高质量信号，以及怎么避免那些常见的坑。