信号合成与融合：多信号加权、信号打分、信号排序

做高频交易的人，手里通常不止一个信号。

你可能有均线突破信号，有波动率异常信号，有订单流失衡信号。每个信号单独看都还行，但合在一起就打架——这个说买，那个说卖，到底听谁的？

我早年踩过这个坑。那时候我搞了七八个信号，简单平均一下就当合成信号用了。结果回测曲线漂亮得不行，实盘直接崩了。后来才发现，有些信号天生就是「噪音放大器」，你把它跟好信号等权相加，反而把好信号给污染了。

所以今天咱们聊聊，怎么把多个信号揉成一个靠谱的决策依据。

信号融合的三种思路

我个人习惯把信号融合分成三个层次：

1. 加权合成：给每个信号一个权重，线性组合
2. 打分排序：对每个信号独立打分，然后汇总排名
3. 条件融合：不同市场环境下，用不同的信号组合

说白了，第一种最简单，第二种更稳健，第三种最灵活。咱们一个一个来。

多信号加权：别搞等权

等权加权是最常见的错误。为什么？因为信号的质量不一样。

我举个例子。你有一个趋势信号，夏普比率1.5；还有一个反转信号，夏普比率0.6。你给它们各50%权重，合成信号的夏普比率大概率在1.0左右——被差的拖累了。

正确的做法是：用历史表现来定权重。

import numpy as np
import pandas as pd

def calc_optimal_weights(signals: pd.DataFrame, returns: pd.Series):
    """
    基于信号与未来收益的相关性，计算最优权重
    signals: 每列是一个信号值，已归一化
    returns: 未来N期的收益率
    """
    # 计算每个信号的信息系数（IC）
    ic = signals.corrwith(returns)
    
    # 用IC作为权重，并归一化
    weights = ic / ic.sum()
    
    return weights

# 示例：三个信号
signals = pd.DataFrame({
    'trend': [0.8, 0.3, -0.2, -0.6],
    'momentum': [0.5, 0.1, -0.3, -0.4],
    'volatility': [-0.2, 0.4, 0.1, -0.1]
})
future_returns = pd.Series([0.02, 0.01, -0.01, -0.03])

weights = calc_optimal_weights(signals, future_returns)
print(weights)

信号打分：把不同量纲统一起来

你想想看，一个信号的值可能是0.8到-0.8，另一个信号可能是100到-100。直接加权？那第二个信号会完全主导结果。

所以我们需要打分——把每个信号映射到同一个尺度上。

我常用的打分方法有三种：

方法	适用场景	做法
分位数打分	信号分布稳定	按历史分位数给1-100分
Z-score打分	信号近似正态	(x - mean) / std
排名打分	信号有极端值	按大小排名，归一化到0-1

def rank_score(signal_series: pd.Series):
    """
    排名打分：把信号转为0-1之间的分数
    """
    ranks = signal_series.rank()
    return (ranks - 1) / (len(ranks) - 1)

def zscore_score(signal_series: pd.Series):
    """
    Z-score打分，然后压缩到[-3, 3]区间
    """
    z = (signal_series - signal_series.mean()) / signal_series.std()
    return np.clip(z, -3, 3) / 3  # 归一化到[-1, 1]

信号排序：从合成到决策

打分之后，我们有了每个信号的分数。接下来怎么合成最终决策？

我见过两种做法：

1. 加权求和：每个信号分数乘以权重，加起来得到总分
2. 排序投票：每个信号独立给出买卖建议，然后投票决定

我个人更推荐第一种。为什么？因为投票会丢失信息量。一个信号说「强烈看多」（分数0.9），另一个说「轻微看空」（分数-0.1），投票结果是平局。但加权求和会得到0.8，明显偏多——这才是真实的信息。

def signal_fusion(scores: pd.DataFrame, weights: np.array):
    """
    信号融合：加权求和 + 阈值过滤
    scores: 每列是一个信号的分数，范围[-1, 1]
    weights: 每个信号的权重，和为1
    """
    # 加权总分
    total_score = scores @ weights
    
    # 阈值过滤：只有超过阈值才交易
    threshold = 0.3
    decision = np.where(total_score > threshold, 1,
                        np.where(total_score < -threshold, -1, 0))
    
    return total_score, decision

# 示例
scores = pd.DataFrame({
    'signal_a': [0.8, -0.2, 0.1],
    'signal_b': [0.3, 0.5, -0.6],
    'signal_c': [-0.1, 0.2, 0.4]
})
weights = np.array([0.5, 0.3, 0.2])

total, decision = signal_fusion(scores, weights)
print("总分:", total)
print("决策:", decision)

实战中的信号融合框架

下面这张图是我在实际项目中用的信号融合流程。你可以参考一下。

这个框架的核心逻辑是：先对每个原始信号做预处理（去噪、归一化），然后根据信号特性选择不同的打分方法，最后加权融合并加阈值过滤。

关于阈值的一点补充

阈值怎么设？我见过有人用固定值，比如0.3。但市场波动大的时候，0.3可能太容易触发；波动小的时候，0.3又可能太严格。

我建议用动态阈值——根据近期信号的波动率来调整。比如：

def dynamic_threshold(total_score: pd.Series, window: int = 20):
    """
    动态阈值：基于滚动标准差
    """
    rolling_std = total_score.rolling(window).std()
    threshold = 1.5 * rolling_std  # 1.5倍标准差
    return threshold

嗯，这样阈值就能自适应市场环境了。牛市里信号普遍偏高，阈值自动上移；熊市里信号偏低，阈值自动下移。不会出现「牛市里频繁交易、熊市里一动不动」的尴尬局面。

---