5、策略信号生成：阈值信号法、移动平均线交叉法、布林带法、Z-score法、机器学习信号法

信号生成，说白了就是给策略装上一双「眼睛」。基差数据摆在那里，怎么判断什么时候该进场、什么时候该离场？我做了这么多年交易，见过太多人拿着漂亮的数据却赚不到钱，问题往往就出在信号生成这个环节上。

今天咱们一口气聊五种信号生成方法。从最简单的阈值法，到最复杂的机器学习法，我会把每种方法的优缺点、适用场景、以及我踩过的坑都讲清楚。

5.1 阈值信号法：最朴素，但最实用

阈值法，就是给基差设定一个上下限。比如基差超过某个值就做多，低于某个值就做空。听起来简单吧？但越简单的东西，往往越容易出问题。

核心逻辑：

• 设定上阈值（Upper Threshold）和下阈值（Lower Threshold）
• 基差 > 上阈值 → 做空（基差回归）
• 基差 < 下阈值 → 做多（基差回归）

# 阈值信号生成示例
import numpy as np

def threshold_signal(basis, upper=2.0, lower=-2.0):
    signal = np.zeros_like(basis)
    signal[basis > upper] = -1  # 做空
    signal[basis < lower] = 1   # 做多
    return signal

5.2 移动平均线交叉法：趋势跟踪的经典

移动平均线交叉，就是把基差的短期均线和长期均线做比较。短期均线上穿长期均线，说明基差在走强；下穿则说明在走弱。

为什么有效？基差本身有趋势性。比如在交割月临近时，基差往往会收敛。移动平均线能帮我们抓住这种趋势。

def ma_cross_signal(basis, short_window=5, long_window=20):
    short_ma = basis.rolling(short_window).mean()
    long_ma = basis.rolling(long_window).mean()
    
    signal = np.zeros_like(basis)
    signal[short_ma > long_ma] = 1   # 基差走强
    signal[short_ma < long_ma] = -1  # 基差走弱
    return signal

5.3 布林带法：捕捉极端行情

布林带法，本质上是在阈值法的基础上加入了波动率考量。它用移动平均线作为中轨，上下轨则是中轨加减两倍标准差。

当基差突破上轨或下轨时，意味着行情进入了极端区域，大概率会回归。

def bollinger_signal(basis, window=20, num_std=2):
    ma = basis.rolling(window).mean()
    std = basis.rolling(window).std()
    
    upper_band = ma + num_std * std
    lower_band = ma - num_std * std
    
    signal = np.zeros_like(basis)
    signal[basis > upper_band] = -1  # 做空
    signal[basis < lower_band] = 1   # 做多
    return signal

5.4 Z-score法：标准化后的阈值

Z-score法，就是把基差减去均值，再除以标准差。这样得到的数值就变成了一个标准化的分数，表示当前基差偏离均值多少个标准差。

Z-score的优点是跨品种可比。比如螺纹钢的基差和铜的基差，数值范围完全不同，但Z-score都在-3到3之间波动。

def zscore_signal(basis, window=20, threshold=2):
    ma = basis.rolling(window).mean()
    std = basis.rolling(window).std()
    
    zscore = (basis - ma) / std
    
    signal = np.zeros_like(basis)
    signal[zscore > threshold] = -1
    signal[zscore < -threshold] = 1
    return signal

5.5 机器学习信号法：从规则到预测

前面四种方法都是基于规则的。机器学习法则不同，它试图从历史数据中「学习」出信号生成的规律。

常用模型：

• 逻辑回归：简单可解释，适合做二分类（做多/做空）
• 随机森林：能处理非线性关系，不容易过拟合
• XGBoost/LightGBM：梯度提升树，目前在量化领域很流行
• LSTM：适合处理时间序列，但训练成本高

# 机器学习信号生成示例（使用随机森林）
from sklearn.ensemble import RandomForestClassifier

def ml_signal(features, labels):
    model = RandomForestClassifier(n_estimators=100)
    model.fit(features, labels)
    return model.predict_proba(features)[:, 1]  # 返回做多概率

5.6 五种方法对比

方法	优点	缺点	适用场景
阈值法	简单直观，计算快	阈值难确定，不适应市场变化	基差波动稳定的品种
移动平均线交叉	能捕捉趋势，参数少	滞后性强，震荡行情亏损	有明显趋势的基差序列
布林带法	考虑波动率，适应性强	单边行情容易反向操作	震荡回归行情
Z-score法	跨品种可比，标准化处理	假设正态分布，实际有偏	多品种统一策略
机器学习法	能捕捉复杂模式，潜力大	容易过拟合，可解释性差	数据量大、特征丰富的场景

5.7 信号生成的核心逻辑图

下面这张图展示了五种信号生成方法的关系和适用路径。你可以根据自己的品种特性和数据情况，选择最合适的方法。

5.8 我的选择建议

说了这么多，到底该用哪种方法？我的建议是：

1. 新手入门：从阈值法或Z-score法开始。简单、透明、容易调试。
2. 有一定经验：尝试布林带法或移动平均线交叉法。加入波动率和趋势判断。
3. 进阶玩家：可以研究机器学习法。但记住，机器学习不是万能药，它需要高质量的特征工程和严格的风险控制。