第19章信息衰减与记忆效应

第十九章信息衰减与记忆效应

各位做量化交易的朋友，咱们今天聊一个特别实在的话题——信息衰减。说白了，就是一条消息、一个信号，它对市场的影响力能持续多久？

我刚开始做高频策略那会儿，总觉得抓到信号就得赶紧用，生怕错过了。后来发现，有些信号进去就亏，有些信号进去反而能拿几天。嗯，这里面的门道，就是信息衰减和记忆效应。

信息衰减函数

什么叫信息衰减？我举个例子你就明白了。

假设今天某只股票出了个利好公告。开盘瞬间，价格跳涨2%。然后呢？接下来几分钟、几小时、几天，这个利好还在影响价格吗？

答案是：影响力在逐渐减弱。就像往水里扔块石头，波纹会慢慢消失。

数学上，我们用一个衰减函数来描述这个过程：

# 信息衰减函数示例
def info_decay(t, half_life=10):
    """
    t: 时间（分钟）
    half_life: 半衰期（分钟）
    """
    return 2 ** (-t / half_life)

# 看看衰减效果
for t in [0, 5, 10, 20, 30, 60]:
    print(f"t={t}min, 剩余信息量={info_decay(t):.3f}")

输出结果：

t=0min, 剩余信息量=1.000
t=5min, 剩余信息量=0.707
t=10min, 剩余信息量=0.500
t=20min, 剩余信息量=0.250
t=30min, 剩余信息量=0.125
t=60min, 剩余信息量=0.016

你看，10分钟后信息量只剩一半，60分钟后几乎没了。这就是指数衰减。

核心观点：不同市场、不同品种的信息衰减速度完全不同。美股大盘股的信息衰减很快，几分钟就消化完了；小盘股、加密货币可能慢一些，能持续几小时甚至几天。

半衰期估计

半衰期这个概念，我是从物理学里借来的。它指的是信息量衰减到一半所需的时间。

怎么估计半衰期？我个人习惯用两种方法：

自相关函数法：计算时间序列的自相关，看它降到0.5时对应的时间滞后
拟合衰减曲线：直接用指数函数拟合实际数据

给你看个实际代码：

import numpy as np
import pandas as pd

def estimate_half_life(returns, max_lag=100):
    """
    用自相关法估计半衰期
    """
    # 计算自相关
    autocorr = [returns.autocorr(lag=i) for i in range(1, max_lag+1)]
    
    # 找到自相关降到0.5以下的位置
    for i, ac in enumerate(autocorr):
        if ac < 0.5:
            return i + 1
    
    return max_lag

# 举个实际例子
# 假设这是某只股票的分钟收益率
np.random.seed(42)
returns = pd.Series(np.random.randn(1000) * 0.001)

half_life = estimate_half_life(returns)
print(f"估计半衰期: {half_life} 分钟")

实战经验：我在做股指期货策略时发现，IF合约的分钟级收益率半衰期大约在3-5分钟。也就是说，一个信号出现后，5分钟之内必须进场，否则信息价值就大打折扣了。

长记忆模型（ARFIMA）

说到记忆效应，就不得不提ARFIMA模型。你可能听过ARIMA，ARFIMA是它的升级版。

为什么需要ARFIMA？因为传统的ARIMA假设数据是短记忆的——过去的影响会快速消失。但实际金融市场中，很多序列表现出长记忆特征。

什么叫长记忆？就是过去的信息会持续影响很久很久。比如波动率，今天的波动率跟一个月前的波动率还有关系。

ARFIMA模型的核心参数是d（差分阶数）：

d = 0：短记忆（白噪声）
0 < d < 0.5：长记忆（平稳）
d = 0.5：单位根过程
d > 0.5：非平稳

代码实现：

from statsmodels.tsa.arima.model import ARIMA
import numpy as np

# 模拟一个长记忆序列
def generate_arfima(n, d=0.3):
    """生成ARFIMA(0,d,0)序列"""
    # 使用分数差分
    np.random.seed(42)
    eps = np.random.randn(n)
    x = np.zeros(n)
    
    # 简化版：用截断的MA(∞)表示
    for t in range(1, n):
        weight = 1.0
        for k in range(1, min(t, 100)):
            weight *= (k + d - 1) / k
            x[t] += weight * eps[t - k]
        x[t] += eps[t]
    
    return x

# 生成数据
data = generate_arfima(1000, d=0.35)

# 拟合ARFIMA（这里用ARIMA近似）
model = ARIMA(data, order=(1, 0, 1))
result = model.fit()
print(result.summary())

注意：ARFIMA的估计比ARIMA复杂得多。我曾经在实盘中使用时，因为参数估计不准，导致策略回测表现很好但实盘一塌糊涂。后来我改用半参数方法估计d值，效果才稳定下来。

信息持久性分析

信息持久性，说白了就是看一个信号能持续多久。我把它分成三类：

类型	持续时间	典型例子	交易策略
瞬时信息	秒级到分钟级	订单簿失衡	高频做市
短期信息	分钟级到小时级	新闻事件	日内动量
长期信息	天级到周级	财报发布	趋势跟踪

怎么分析信息持久性？我常用的方法是：

计算Hurst指数：H > 0.5表示有持久性，H < 0.5表示均值回归
方差比检验：看不同时间尺度下方差的变化规律
谱分析：在频域中观察信息的分布

def hurst_exponent(ts):
    """计算Hurst指数"""
    lags = range(2, 100)
    tau = [np.sqrt(np.std(np.subtract(ts[lag:], ts[:-lag]))) for lag in lags]
    
    # 拟合直线
    poly = np.polyfit(np.log(lags), np.log(tau), 1)
    
    return poly[0] / 2.0

# 测试
ts = np.random.randn(1000)
h = hurst_exponent(ts)
print(f"Hurst指数: {h:.3f}")
# 如果h接近0.5，说明是随机游走
# 如果h大于0.5，说明有趋势持久性

关键洞察：我个人经验是，大多数股票日收益率序列的Hurst指数在0.45-0.55之间，接近随机游走。但波动率序列的Hurst指数通常在0.7-0.9，表现出很强的长记忆特征。这就是为什么波动率预测比收益率预测更容易赚钱。

知识体系总览

下面这张图，是我自己整理的信息衰减与记忆效应的知识框架：

避坑指南：我曾经犯过一个错误——用日线数据估计半衰期，然后用在分钟级策略上。结果可想而知，信号早就衰减完了，我还傻乎乎地等。记住：时间尺度必须匹配。高频策略用高频数据，低频策略用低频数据。

最后说一句，信息衰减和记忆效应不是理论游戏。你想想看，如果你能准确知道一个信号能持续多久，你的进场时机、持仓时间、止损设置都会更精准。这就是信息含量分析的价值所在。

📚 课程目录

第十九章 信息衰减与记忆效应

信息衰减函数

半衰期估计

长记忆模型（ARFIMA）

信息持久性分析

知识体系总览

第十九章信息衰减与记忆效应