优化技术指标的使用方法：从数字信号到模拟信号的转化

模拟信号是指用连续变化的物理量所表达的信息，如温度、湿度、压力、长度、电流、电压等等，我们通常又把模拟信号称为连续信号，它在一定的时间范围内可以有无限多个不同的取值。而数字信号是指在取值上是离散的、不连续的信号。

在量化交易中，一种常见的趋势跟随策略通过比较快速移动平均线和慢速移动平均线的数值来进行预测。当快速移动平均线大于慢速移动平均线时，预测为1，表示资产价格趋势上涨，应采取正向多头仓位；否则为0，表示持平（无）仓位。然而，由于Alpha预测只有二进制的零或一，它只能表明趋势的存在，而不能表示趋势的程度通常我们希望能够以更细致的方式编码我们的预期价值（EV）。举个例子来说，如果你的Alpha预测本来就是连续的，那么你就不存在这个问题。但是，如果你的策略是购买“超卖”的股票，并使用相对强弱指数（RSI）来判断超卖状态，那么你的预测就是离散的。为了将其转化为连续的信号，你可以使用max（20 – RSI（14），0）来编码你的Alpha预测。这样，当RSI（14）大于20时，你不会认为处于超卖状态，持平仓位；否则，你会根据RSI与20的差值来增加头寸。这种思路可以让你从一个数字信号转化为一个模拟信号，使头寸大小更加细腻多样。

然而，在确定使用14天和20作为参数时，我们面临着第二个问题组 – 为什么选择14天？为什么选择20作为截止值？这个问题组通常被称为优化的圣杯，经常被量化研究者中讨论。他们会搜索”最佳移动平均线交叉策略”、”最佳RSI策略”等，并给出一些看似不错的参数。然而，这些参数的选择往往是主观的，并不能保证在实际交易中获得良好的效果。因此，在量化交易中，我们需要谨慎选择参数，并进行系统化的测试和验证，而不是盲目追求所谓的最佳参数。交易资本并不像回测那么看上去容易，需要深入研究和实践。

假设我们想选择移动平均线的参数，我们认为在5到200之间的任何移动平均窗口都是可以接受的。那就有196个数字可以选择。我们能从这些数字中找出多少对组合？答案是196选2等于19110。如果某个技术交易专家给出了一个建议，他说他的组合是最好的。但你认为这个建议真的是最好的吗？假设其他任何一对组合都可能同样好…那么他的建议成为最佳组合的概率只有0.00005。而且，这还假设存在一个真正的最佳组合。但是，历史上的数据是静态的，而我们实际上是在交易未来的市场。市场是在变动的，所以最佳组合也会随之变动。在一个不断变化的市场中，选择到达最佳移动平均线组合的机会是微乎其微的。

当然，这里也并不是说优化是不好的…在机器学习算法和其他复杂的应用中，微调和参数优化是实现收敛和最优解的关键。但是，对于基于技术指标规则的策略来说，情况可能并不是那么简单。我认为我们在大多数情况下不应过度优化，甚至不优化。因为事实上，没有人知道哪个参数才是最佳的，也没有一个固定的最佳组合。我们应该从不同的参数中获取信号，并将这些信号组合起来，就像我们在收集选票一样。这样做的一个好处是，我们解决了用有限的位数来编码头寸期望值的问题。我们不再只有0或1的预测结果。通过从多个子系统获取二进制投票，我们的信号预测变得更连续，而预测结果的相对大小则编码了我们的“想交易”的程度。

现在让我们来修改之前的趋势跟随策略，我们不再固定硬编码移动平均线的参数，而是让一个动量对象接收一个移动平均线参数的组合。假设我们有10个不同的移动平均线组合，每个组合对应一个不同的移动平均线交叉策略。每个策略根据不同的移动平均线组合来判断买入和卖出的时机。然后，我们创建了第11个组合，这个组合是通过对这10个不同的交叉策略进行投票收集而来的。我们将每个策略的表现和结果进行综合考虑，得出了这个综合移动平均线交叉策略。换句话说，我们将每个策略的意见纳入考虑，并综合它们的观点，以形成一个更全面的交易策略。这样做的目的是为了减少单一策略的主观性和局限性，通过考虑多个指标和观点，增加交易决策的可靠性和准确性。

这些交叉策略中的每一个都有它们自己的优点。在不同的时期，某个策略可能比其他策略表现更好。但是，在整个测试期间，综合策略的表现最为稳定可靠。我们只测试了一个很小的样本量（20个股票），但如果我们增加样本量，这种超额表现可能会更加显著。

通常情况下，当趋势更加明显时，我们会增加头寸。这样做的原因之一是我们可以更精细地评估头寸的预期收益（尽管并非完美）。另一方面，这些子预测之间存在一定的相关性，这带来了分散投资的好处。分散投资并不仅仅是基于常识，它是建立在投资组合管理的数学原理上的。分散投资可以增加风险调整后的回报。这种方法不仅有助于提高回报，而且在实际操作中可以降低交易成本。