弱信号聚合与信号工厂：用数学和工程构建量化交易的护城河

一道选择题

假设你是基金经理，面前有两个方案：

• 方案 A：一个夏普比率 2.0 的策略，历史表现优异，但只有这一个。
• 方案 B：30 个互相独立的信号，每个夏普比率只有 0.4。单独拎出来任何一个，都弱到不好意思展示。

选哪个？

多数人会选 A。2.0 对 0.4，差着五倍，直觉上不值得犹豫。但答案恰恰相反：理想条件下，方案 B 的组合夏普接近 2.2，比 A 还高，而且由 30 个不同来源的收益拼成，任何一个信号失效都只是损失三十分之一的贡献，伤不到筋骨。

数学解释一堆弱信号凭什么打赢一个强信号；工程解释为什么做起来极难。顶级量化机构真正的护城河不是某个秘密配方，而是一条持续生产、筛选、淘汰弱信号的流水线——他们叫它"工厂"。

三个背景概念

收益率与风险。一个策略每天赚钱或亏钱，把每天的收益率连成一条序列。我们关心两件事：这条序列的平均值（赚多少）和波动（稳不稳）。

夏普比率与信息比率。夏普比率 = 平均超额收益 ÷ 收益的波动率，衡量"每承担一单位风险，换来多少收益"。信息比率（IR）结构一样，参照基准从无风险利率换成了某个基准组合。信号研究语境里两者经常混用，本文统一用 IR。一个 IR 0.4 的信号，意味着每年能赚到大约 0.4 倍自身波动率的超额收益——方向对，但噪音大，单独用很容易被回撤吓跑。

Alpha 与 Beta。Beta 是"躺着就能赚到"的钱：市场涨了持仓跟着涨，这部分收益来自承担市场风险，不稀缺，谁都能用指数基金低成本获得。Alpha 是剔除所有这类系统性暴露之后，真正来自你判断力的那部分收益。这个区分到后面的"因子剥离"一节会派上用场。

平方根定律：分散化的免费午餐

30 个 IR 0.4 的弱信号是怎么变成 2.2 的？

假设每个信号的收益是独立的随机变量，波动率都是 σ，IR 都是 0.4。把它们等权组合，每个信号占 1/N：

• 组合的预期收益是 N 个信号收益的平均值；若各信号超额收益同为 μ，组合仍为 μ，分子不缩水；
• 组合收益的方差降到 σ²/N：N 个独立变量的方差相加得 Nσ²，再乘上每个信号权重 (1/N)²。标准差随之从 σ 缩小为 σ/√N。

收益不缩水、波动缩小到原来的 1/√N，于是：

组合 IR ≈ √N × 单个信号 IR

这就是平方根定律：

• 30 个 IR 0.4 的独立信号：√30 × 0.4 ≈ 5.48 × 0.4 ≈ 2.19
• 100 个 IR 0.4 的独立信号：√100 × 0.4 = 4.0

曲线向右上方延伸但逐渐平缓——√N 的形状。前 10 个信号贡献最大，从 0.4 涨到 1.26；从 30 个加到 100 个，只从 2.19 涨到 4.0。边际收益递减，但永不为零。

每个信号本身就是一个带噪音的测量。独立测量多次取平均，噪音互相抵消，真信号留下来——和科学实验里重复测量取平均是同一个原理。

但这一切有一个大前提：独立。平方根定律里的 √N 只在持有 N 个彼此正交的收益来源时成立。现实世界里，独立性是最稀缺的东西。

独立性为什么值钱：有效 N 的坍缩

还是 30 个 IR 0.4 的信号，两两之间有不同程度的正相关 ρ：

ρ = 0.5 时，30 个信号实际只相当于 2 个独立的。28 个信号的研究工作量，在组合层面几乎归零。

如果两个信号涨跌方向总是一致，它们测量的其实是同一件事，只是换了两件衣服。第二个信号不提供新信息，自然也不提供新的分散化。数学上，组合方差里除了 N 个方差项，还有 N(N-1) 个协方差项；相关性一旦为正且普遍，协方差项的数量是 N² 量级，很快淹没方差项的 N，√N 的红利被吃掉。

一个 IR 0.3 但与现有组合零相关的信号，对组合的贡献可能大于一个 IR 0.8 但与现有信号相关 0.6 的信号。 评价候选信号时，“它有多强"不是第一位的问题，“它和我们已经有的东西有多不一样"才是。

这也是为什么大型量化机构愿意养几百个研究员去挖看起来很弱的信号——他们追求的不是单点强度，而是方向的数量。

第一道关卡：因子剥离

怎么知道一个候选信号是不是"新的”？

最常见的陷阱：研究员挖到一个信号，回测曲线漂亮，IR 有 0.9。兴冲冲拿进组合，发现表现几乎没变。一查才明白——这个信号本质上是在做多小市值股票，而组合里早就有市值因子了。它不是新 alpha，是旧 beta 换了个名字。

现代金融已经识别出一批公开的、人人皆知的系统性收益来源：市场 beta（大盘涨跌）、动量（强者恒强）、市值（小公司长期溢价）、价值（便宜股溢价）、波动率等。这些统称为因子（factor）。暴露在因子上的收益是廉价的，任何人用低成本工具都能拿到。

候选信号进门前要过第一道关卡：因子剥离（factor stripping）。拿信号的收益序列对已知的因子收益做回归，把能被因子解释的部分全部减掉，剩下的残差才有资格叫 alpha。

用公式说，信号收益 r 被分解为：

r = β₁·市场 + β₂·动量 + β₃·市值 + ... + 残差
                 ↑ 这部分全部剥掉      ↑ 这才是候选 alpha

不剥离的回测几乎总是更好看。因子暴露在回测期往往碰巧是顺风——比如过去十年动量整体走强，任何偷偷暴露了动量的信号回测都很美。但这个收益不是你发现的，是市场白给的，风一停就回吐。

剥离必须发生在进模型之前。如果把没剥离的信号直接丢给机器学习模型做组合优化，模型会第一时间找到这些因子暴露，然后给它们加满杠杆——因为回测里它们夏普最高、最"划算”。你得到的不是一个 alpha 组合，而是一个伪装成 alpha 组合的因子杠杆组合。风控眼里它是定时炸弹。剥离这一步挪到模型之后做，等于没做。

第二道关卡：与存量信号正交

因子剥离回答的是"你是不是旧 beta 换名字"，没回答"你是不是组合里已有 alpha 的翻版"。两个候选信号可以都剥干净了因子，彼此之间却高度相关——它们从同一批数据里挖出了同一个模式，剥掉公开因子之后，剩下的还是同一块残渣。前面那张有效 N 的表，说的就是这种坍缩的代价。

所以入库之前还有一问：把候选信号对组合已有的每个信号、以及对组合整体的收益序列做正交化，看剔完之后还剩多少。剩下的部分，才是这个信号给组合带来的边际贡献——前文那个对比在这里生效：一个 IR 0.3 但与现有组合零相关的信号，贡献可能大过一个 IR 0.8 却和现有信号相关 0.6 的信号。

这道关卡不涉及高深技术，难的是执行纪律：方向重复的信号必须在进门时挡掉，而不是入库之后靠事后归因去发现——那时研究经费已经花掉了，账面上的"30 个信号"也早已虚增。

第三道关卡：尾部相关性

过了前两关，候选信号在全样本上算出的相关性已经很低。但这时候收工还太早。

全样本层面的低相关，常常是假象。

两个信号可以在 95% 的交易日里几乎正交，各赚各的钱，相关系数算出来 0.05，漂亮。但在最差的 5% 交易日——市场恐慌、流动性枯竭的那些天——它们突然高度抱团，一起暴跌。

因为危机日的市场结构变了：平时各玩各的策略，在极端行情里都被迫做同一件事——平仓、去杠杆、抢流动性。管道各不相同，出口只有一扇门。

画两张散点图，横轴是信号 A 的日收益，纵轴是信号 B 的日收益。第一张用全部数据，点云呈圆形，看不出方向，相关性接近零。第二张只用组合最差的 20 个交易日，点云突然被拉成一条向右下方倾斜的直线——在那些日子里，A 亏的时候 B 几乎必亏。同一个信号对，两个截然不同的相关性。

真正的试金石是条件在组合最差日子上的尾部相关性（tail correlation）：把历史回测里组合表现最差的日子单独挑出来，只在这些天重新计算候选信号与组合的相关性。平时正交不算数，危机时仍正交才算数。

分散化的全部意义，就是危机时有人替你扛。如果你的 30 个信号在最差的 5% 日子里相关性飙升到 0.8，那么正好在你最需要分散化的时刻，分散化消失了。尾部检验就是把这种"关键时刻掉链子"的信号挡在门外。

统一视角：三道关卡其实是同一个操作

三关其实是同一个几何操作：

1. 因子剥离：把候选信号对已知的公共因子做正交化——问的是"剔除人人都有的东西后，你还有新信息吗？"
2. 存量正交：把候选信号对组合已有的信号做正交化——问的是"相对我们已经持有的方向，你贡献新方向吗？"
3. 尾部检验：追问正交性在压力条件下是否守恒——问的是"市场结构切换时，你的新方向还在吗？"

你从向量里减掉它在别人方向上的投影，留下的就是垂直的、真正属于自己的分量。

“多元化"这个词有了更精确的含义。真正的多元化不是持有很多资产，也不是跑很多策略，而是持有很多正交的收益方向。30 个名字不同的策略可能是 2 个方向，10 个精心正交化的信号可能是 10 个方向。数数量没有意义，数方向才有意义。

后文工厂一节还会出现另一张清单：因子剥离、样本外检验、净成本、尾部相关性。两张清单不矛盾——三道关卡回答"新信号提供了多少新方向”，样本外与净成本回答"这个方向本身能不能赚到钱、能不能落袋"。一个候选两问都有答案，才有资格入库。

几何直觉

把每个信号的历史收益序列看成高维空间里的一个向量。两个信号的夹角就是它们的相关性：夹角 90 度即零相关。√N 定律在这个视角下就是勾股定理——N 个两两垂直、长度相等的向量加在一起，合向量长度是单根长度的 √N 倍。平方根定律从此不再需要背，它就是几何。

真实信号不是静态向量，相关结构随时间缓慢漂移，偶尔突变。组合器要学的，就是这张不断变形的相关性地图。

尾部相关性的存在，恰恰说明相关性不是信号的固有属性，而是测量条件的产物：同样的两个信号，平时测和危机时测，夹角不一样。而组合最需要分散化的，正是那些危机日。

执行层还要再打一次折扣。当你拿真金白银去执行信号时，交易本身会移动价格，反过来改变你正在测量的东西。纸面上的正交性，到了执行层并不保证还在。这也是为什么完整的工厂必须包含执行环节——它是研究链条的最后一环，不是外包出去的事后细节。

工厂模型：把研究变成流水线

那这样的信号从哪里来？

答案不是靠天才灵光一闪。弱信号聚合对数量的需求是持续的——旧信号会衰减失效，必须不断有新信号补位。能持续做到的组织，靠的是**工厂（factory）**模式：研究是一条可重复的流水线，而不是手工作坊。

流水线大致是这样：

数据表面 → 系统性枚举候选信号 → 统一验证流程 → 绝大多数淘汰 → 少数入库

候选信号不靠灵感，而是从数据表面系统性枚举：换频率、换窗口、换截面定义、换过滤条件，批量生成成千上万个候选。每个候选走完全相同的验证流程——因子剥离、存量正交、样本外检验、扣除交易成本后的净收益、尾部相关性。走完这五关，绝大多数被淘汰，极少数入库成为组合的新成员。

流水线有四条设计原则值得单独拎出来，因为它们和直觉正好相反。

淘汰和生产同样重要。一条从不拒绝候选的生产线等于没有免疫系统。枚举一万个候选、通过五十个，这是健康的；通过五千个，说明验证环节形同虚设，你只是在给自己的过拟合发许可证。被否决的候选也不是废品——“哪个方向已经被验证过没有 alpha"这种负知识是有产权的资产，它让整个组织不在同一个坑里摔两次，本身就在复利。

验证必须对抗人性。研究员看回测时总有无穷的动力去调参数，调到好看为止——这不是道德问题，是人性。工厂的解法是预注册（pre-registration）：在看数据之前冻结验证规则——用什么样本、什么成本假设、什么通过阈值，全部事先写死。规则先于数据，结论才作数。

模型是组合器，不是神谕。机器学习在这条流水线里的职责很具体：给定一批已经通过验证的、低相关的信号，学习如何随时间调整它们的权重。它不负责凭空发现 alpha。数据的边界决定模型的上限——喂给它的信号只有 3 个独立方向，再强的模型也组合不出第 4 个。

执行层也有自己的学习问题。信号说"买”，怎么买、分几笔、用什么算法、什么时候宁可不买，这是一个独立的优化问题，强化学习在这里有它的位置。执行损耗常年被低估，而它是纸面 IR 和实盘 IR 之间差距的主要来源之一。

为什么工厂必须垂直整合

五道验证环节，依赖四样重型基础设施：

• 因子剥离需要一套维护良好的因子库和收益归因引擎——你得知道当前公认的因子有哪些、各自的历史收益序列是什么；
• 样本外检验需要 point-in-time 数据库——它记录的是"历史上每个时刻你当时能看到什么数据"，而不是事后修订过的数据。用修订后的财报回测等于偷看答案，point-in-time 就是防止偷看的档案系统；
• 净成本检验需要用实盘数据校准过的成本模型——手续费只是零头，冲击成本、滑点、借券成本才是大头，而这些只有用自己的真实成交记录才能校准准；
• 尾部检验与存量正交需要组合层面的完整历史——没有自己组合逐日的收益和持仓历史，“最差的日子"无从定义，候选与存量方向的夹角也无从算起。

四样基础设施，缺任何一样，流水线就退化回配方作坊：靠几个聪明人、几条祖传的策略，外加祈祷。这就是垂直整合的含义——研究和基础设施必须长在同一家公司里，因为验证信号所需的一切数据都是私有财产，外包无门。护城河的"城"是信号，“河"其实是这套别人复制不走的基础设施。

AI 时代的拐点

工厂模式过去最大的成本是人力：枚举候选、跑验证、写报告、维护负知识库，样样都要研究员。但前面讲的整套验证流程，在被冻结成纪律之后，是高度程序化的：规则明确、输入明确、通过标准明确、产出格式明确。

规则明确且不需要创造力的重复劳动，正是 AI agent 最擅长接管的工作。候选生成可以 7×24 小时不间断，验证流程可以严格执行预注册纪律而毫无人性弱点——AI 没有"再调一次参数试试"的冲动。研究员的角色从流水线上的工人，上移为流水线的设计者和质检员。

工厂之间的竞争格局在变：过去瓶颈是"招到多少聪明研究员”，未来瓶颈是"基础设施的质量 + 验证纪律的严格程度”。门槛没有消失，只是换了位置。

从哪里开始

把这套东西落地，先别急着招研究员枚举信号——验证基础设施要先立起来。理由在前面每一关里都出现过：没有因子库，因子剥离无从谈起；没有 point-in-time 数据，样本外检验是在自欺；没有实盘校准的成本模型，纸面 IR 到实盘的折扣算不出来；没有组合逐日历史，尾部检验连"最差的日子"都定义不出来。基础设施先于信号生产——验证流程本身就是工厂的地基。

已经有研究团队在跑的组织，值得先做的动作是把预注册纪律固定下来。它是四样基础设施之外唯一不需要重资产的投入，却决定其余投入产出的是信号还是噪音。个人投资者应该把结论反过来读：这套模式吃重的是基础设施和纪律，聪明的想法反而不稀缺；缺了这两样，弱信号聚合的数学红利只存在于回测里。

总结

回到开头的选择题：

1. 平方根定律：N 个独立弱信号等权组合的 IR 是 √N × 单信号 IR——30 个 0.4 能拼出 2.2；
2. 但独立性是硬通货，两两相关 0.5 会让 30 个信号坍缩成 2 个有效方向；
3. 保住独立性靠三道关卡：因子剥离、存量正交、尾部检验，三者统一于正交化这一个几何操作；
4. 持续产出合格的新信号，靠的是工厂而非天才：系统性枚举、统一验证、大规模淘汰、预注册纪律；
5. 工厂的前提是垂直整合——因子库、point-in-time 数据、实盘成本校准、组合历史，缺一不可；
6. AI 正在接管流水线中纪律化的部分，竞争的重心向基础设施和验证纪律迁移。

配方会被猜中、会衰减、会被拥挤的交易磨平。而一条能持续生产、验证、淘汰弱信号的流水线，连同它积累的基础设施和负知识，才是真正难以复制的东西。

来源与延伸阅读

本文基于 Dnalyaw《弱信号聚合：下一代量化的护城河不是配方，是工厂》整理改写，原文发布于微信公众号，作者博客：waylandz.com。数学细节以原文为准，本文的类比和背景补充为教学目的所加。

想沿两条主线往深处走，有两本公认的经典：

• Grinold & Kahn, Active Portfolio Management：主动管理的标准教材。书中的"基本定律"把信息比率写成信号质量与信号广度的乘积（IR ≈ IC·√BR），正是平方根定律在学术框架下的版本——大量弱信号的聚合价值，在那里有严格的推导。
• Marcos López de Prado, Advances in Financial Machine Learning：回测过拟合、样本外验证与成本建模的工程细节。工厂流水线里"验证必须对抗人性"的那部分，这本书给出了可操作的机制设计。