从分析到预测：AI 如何生成可交易信号？

一条信号是否有价值，不只看它能不能预测方向，还要看它能不能在成本、滑点、风险约束下形成稳定收益。

一、预测问题与交易问题并不等价

在机器学习语境中，任务通常被定义为：预测未来 n 个周期的涨跌、收益率或波动率。

但在交易语境中，问题结构更复杂，至少包含四个决策层：

• 是否交易；
• 交易方向与仓位大小；
• 持仓时长与退出条件；
• 何时降低频率或暂停策略。

这意味着，即便预测准确率较高，也可能无法形成稳定收益。

典型场景是：模型在多数小波动里判断正确，但在少数大波动阶段连续失误，最终由尾部亏损吞噬累计收益。

因此，第三课的第一结论是：信号价值来自“可执行性”，而不是单一预测指标。

二、三类主流信号生成路径

规则模型（Rule-based）

规则模型基于明确逻辑构建，例如“突破 + 成交量确认 + 风险过滤”。

特点是可解释性强、上线速度快、排错成本低。

局限在于对复杂非线性关系的捕捉能力有限，且在市场结构变化时需要手动重构规则。

机器学习模型（ML-based）

机器学习路径通过多因子学习非线性关系，常见于树模型、时序模型与概率打分模型。

优势在于可处理更高维输入，并挖掘人工规则难以覆盖的组合关系。

风险在于过拟合、可解释性下降、策略维护门槛上升。

混合框架（Hybrid）

混合框架通常采用“规则约束 + 模型排序”或“模型选时 + 规则执行”。

该路径在实务中更常见，原因是其平衡了灵活性与稳健性：

• 规则负责边界与底线；
• 模型负责概率判断与优先级排序。

在多数中级交易系统中，混合框架通常比纯规则或纯模型更易长期运行。

三、信号目标设计：方向之外，还要包含风险与状态

将标签仅定义为“未来涨跌”往往过于粗糙。更实务化的设计通常包含三层目标：

1. 方向层：未来 n 周期上涨或下跌概率；
2. 幅度层：预期收益区间或潜在回撤区间；
3. 状态层：市场处于趋势、震荡、挤仓或流动性收缩阶段。

这三层目标可形成分工：

• 状态层决定策略是否启动；
• 方向层决定头寸偏向；
• 幅度与风险层决定仓位权重与止损强度。

由此，单一预测任务可以升级为分层决策系统，显著降低“方向正确但交易亏损”的概率。

四、从模型分数到交易动作：阈值与置信度管理

模型输出常是概率或分值，而非直接买卖指令。

信号落地的关键在于阈值管理与分级执行：

• 低置信度：不交易或仅做观察；
• 中置信度：小仓位试探；
• 高置信度：提高权重，但仍受风险上限约束。

该机制的核心思想是“信号分层”，而非“信号等权”。

若将所有信号同权执行，通常会导致高噪声交易、手续费侵蚀与无效换手上升。

成熟系统更强调净信号质量，即减少低质量交易次数，提高单位交易的有效性。

五、信号评估不能只看准确率

可交易信号的评估应覆盖五个维度：

1. 预测维度：准确率、召回率、误差分布、概率校准；
2. 交易维度：胜率、盈亏比、换手率、持仓时长结构；
3. 收益维度：累计收益、最大回撤、收益回撤比；
4. 执行维度：手续费敏感性、滑点敏感性、容量上限；
5. 稳定维度：不同市场状态下的表现一致性。

若某信号仅在预测指标上优秀，但交易维度与执行维度不达标，则不具备实盘价值。

大量“回测优秀、实盘失效”的策略，根因并非模型本身，而是信号到交易的映射链路缺失。

六、常见失效机制：模型失效往往是市场结构迁移

实盘失效通常来自以下三类迁移：

• 状态迁移：趋势市场切换为震荡市场，原动量信号频繁失真；
• 拥挤迁移：同类策略参与者增多，边际收益被快速压缩；
• 成本迁移：波动下降后，原交易频率下的成本占比显著抬升。

因此，信号系统必须具备失效监控机制，例如：

• 命中率与盈亏比是否同步下行；
• 信号分布是否异常聚集；
• 成交质量与滑点是否持续恶化。

触发阈值后，应执行降频、降杠杆或暂停，避免策略在失效区间持续放大损失。

七、加密市场中的特色信号：价格、仓位、链上三维联动

相较传统市场，加密市场的优势在于可同时观察价格行为、衍生品仓位与链上资金路径。

例如，常见的复合信号结构包括：

• 价格突破关键区间；
• 未平仓合约上升与资金费率升温；
• 稳定币净流入增强。

该结构既可能表示趋势强化，也可能意味着高杠杆拥挤后的脆弱上冲。

因此，方向信号必须配合风险过滤项：

• 资金费率是否进入过热区；
• 清算密集区与现价距离是否过近；
• 盘口深度能否承接冲击。

只有在风险过滤通过后，信号才具备更高执行价值。

八、从单模型到信号工厂：可执行的迭代路径

课程建议采用“小系统先跑通”的迭代方式，而非一步到位追求复杂架构。可执行路径如下：

1. 选定单一任务（如 4 小时方向概率）；
2. 建立可解释基线（规则或轻量模型）；
3. 完成阈值分级与交易映射；
4. 进行样本外与滚动验证；
5. 小仓位实盘观察“信号-执行-结果”链路；
6. 逐步扩展为多信号融合（方向 + 风险 + 状态）。

该路径的核心优势是可诊断、可复盘、可迭代，能够持续减少黑箱决策带来的不确定性。

九、本课小结

本课围绕“AI 如何生成可交易信号”展开，核心结论包括：

• 信号生成不是单纯预测任务，而是决策系统工程；
• 规则、机器学习、混合框架各有边界，混合路径更适合实务落地；
• 可交易信号必须同时满足预测、交易、执行与稳定性要求；
• 在加密市场中，信号应基于价格、仓位、链上三维联动，并配套风险过滤机制。

关键结论：可预测不等于可交易，信号价值由执行质量与风险控制共同决定。

下一课将进入完整闭环的下一步：策略自动化——从回测到实盘执行，重点讨论如何将信号系统工程化并持续运行。