15、高频滤波技术：卡尔曼滤波、小波去噪、低通滤波

做高频交易的朋友都知道，原始行情数据里全是噪声。你想想看，每秒几千笔的逐笔成交，里面有多少是散户的冲动单、做市商的刷单、程序化套利的对倒？

我刚开始做高频策略那会儿，直接把原始tick数据喂进模型，结果回测曲线漂亮得像假的一样——实盘一跑，直接亏到怀疑人生。后来才明白，信号提取的第一步，不是找信号，而是去噪声。

今天咱们就聊聊三种最实用的高频滤波技术：卡尔曼滤波、小波去噪、低通滤波。这三种方法各有各的脾气，用对了地方就是神器，用错了就是灾难。

15.1 低通滤波：最朴素但最有效

低通滤波的原理很简单——让低频信号通过，衰减高频噪声。说白了，就是给价格序列做个平滑。

我个人习惯用指数加权移动平均（EWMA）作为低通滤波器。为什么不用简单移动平均？因为SMA的延迟太大了，高频交易里每多1毫秒延迟，可能就是几万块的盈亏。

import numpy as np
import pandas as pd

def ewma_filter(prices, alpha=0.1):
    """
    指数加权移动平均低通滤波
    alpha: 平滑系数，越小越平滑，延迟越大
    """
    filtered = np.zeros_like(prices)
    filtered[0] = prices[0]
    for i in range(1, len(prices)):
        filtered[i] = alpha * prices[i] + (1 - alpha) * filtered[i-1]
    return filtered

# 示例：对1秒快照数据做滤波
prices = pd.Series([100.0, 100.1, 100.05, 100.2, 100.15, 100.3])
smoothed = ewma_filter(prices.values, alpha=0.3)
print(f"原始价格: {prices.values}")
print(f"滤波后:   {smoothed}")

低通滤波最大的坑是什么？相位延迟。你想想看，滤波后的价格总是比真实价格慢半拍。做趋势跟踪还好，做均值回归策略的话，这个延迟会让你买在最高点、卖在最低点。

15.2 卡尔曼滤波：状态估计的王者

卡尔曼滤波，说白了就是用数学模型来猜真实价格。它不像低通滤波那样傻傻地平滑，而是根据你对市场运动的假设，动态调整滤波参数。

我刚开始学卡尔曼滤波时，被那一堆矩阵运算搞得头大。后来发现，其实核心就两个步骤：预测 + 更新。

import numpy as np

class KalmanFilter:
    def __init__(self, process_variance=1e-5, measurement_variance=1e-3):
        # 状态：价格和速度
        self.x = np.array([0.0, 0.0])  # [价格, 速度]
        self.P = np.eye(2) * 1000      # 协方差矩阵
        self.F = np.array([[1, 1],     # 状态转移矩阵
                           [0, 1]])
        self.H = np.array([[1, 0]])    # 观测矩阵
        self.Q = np.eye(2) * process_variance   # 过程噪声
        self.R = measurement_variance            # 观测噪声
        
    def update(self, measurement):
        # 预测
        self.x = self.F @ self.x
        self.P = self.F @ self.P @ self.F.T + self.Q
        
        # 更新
        y = measurement - self.H @ self.x
        S = self.H @ self.P @ self.H.T + self.R
        K = self.P @ self.H.T / S
        self.x = self.x + K * y
        self.P = (np.eye(2) - K @ self.H) @ self.P
        
        return self.x[0]  # 返回滤波后的价格

# 使用示例
kf = KalmanFilter(process_variance=1e-5, measurement_variance=1e-3)
prices = [100.0, 100.1, 100.05, 100.2, 100.15, 100.3]
filtered = [kf.update(p) for p in prices]
print(f"滤波后价格: {filtered}")

卡尔曼滤波最牛的地方是自适应。市场波动大的时候，它自动增加对观测数据的权重；市场平稳的时候，它更依赖模型预测。这一点，低通滤波做不到。

15.3 小波去噪：多分辨率的利器

小波去噪，说白了就是把价格信号拆成不同频率的成分，然后扔掉那些高频噪声成分，再把剩下的拼回去。

为什么用小波？因为价格信号不是平稳的——趋势、波动、噪声混在一起。小波能同时看到时间和频率两个维度的信息，这是傅里叶变换做不到的。

import pywt
import numpy as np

def wavelet_denoise(prices, wavelet='db4', level=3):
    """
    小波去噪
    wavelet: 小波基函数，db4是Daubechies小波
    level: 分解层数
    """
    # 小波分解
    coeffs = pywt.wavedec(prices, wavelet, level=level)
    
    # 阈值处理（软阈值）
    sigma = np.median(np.abs(coeffs[-1])) / 0.6745
    threshold = sigma * np.sqrt(2 * np.log(len(prices)))
    
    # 对细节系数做阈值处理
    coeffs_thresh = list(coeffs)
    for i in range(1, len(coeffs_thresh)):
        coeffs_thresh[i] = pywt.threshold(coeffs_thresh[i], threshold, mode='soft')
    
    # 重构信号
    denoised = pywt.waverec(coeffs_thresh, wavelet)
    return denoised[:len(prices)]

# 示例
prices = np.random.randn(1000) * 0.1 + np.sin(np.linspace(0, 10, 1000))
denoised = wavelet_denoise(prices, wavelet='db4', level=3)
print(f"原始信号标准差: {np.std(prices):.4f}")
print(f"去噪后标准差:   {np.std(denoised):.4f}")

小波去噪有三个关键选择：

• 小波基函数：db系列（Daubechies）最常用，高频数据推荐db4或db6
• 分解层数：层数越多，去噪越彻底，但信号失真也越大。我一般设3-5层
• 阈值策略：软阈值比硬阈值更平滑，但会损失一些幅度信息

15.4 三种滤波器的对比与选择

说了这么多，到底该用哪个？我整理了一个对比表，方便你快速决策：

滤波器	延迟	计算速度	自适应能力	适用场景
低通滤波（EWMA）	中等	极快	无	特征工程、趋势跟踪
卡尔曼滤波	低	快	强	实时交易信号、波动率估计
小波去噪	高（需要窗口数据）	中等	中等	离线分析、回测数据清洗

最后说一句：滤波器不是万能的。我见过太多人把滤波后的曲线当圣杯，结果实盘一塌糊涂。记住，滤波只是工具，不是策略。真正赚钱的，是你对市场微观结构的理解，而不是你用了多复杂的滤波器。