在評估量化策略時，多數人只關注最終的報酬數字，卻忽略了這個數字背後的組成結構，究竟有多少來自於策略真正的預測能力，又有多少只是市場隨機波動的結果。如果無法區分這兩者，我們就無法判斷一個策略的績效是否值得信賴。本文想談談如何用訊號雜訊比來分離策略報酬中的隨機性與確定性成分，幫助你更客觀地評估策略的真實預測力。
什麼是訊號雜訊比
訊號雜訊比的概念源自於通訊工程與訊號處理，用來衡量一個訊號中有用的資訊與背景雜訊之間的比例。在量化交易的語境中，這個概念被借用來描述策略報酬的組成結構。
更具體地說，我們可以將策略的每一期報酬 r_t 分解為兩個部分：
r_t = μ_t + ε_t
其中 μ_t 是訊號成分，代表策略在該期的期望報酬，也就是策略根據其預測模型所預期的、可被解釋的部分；ε_t 是雜訊成分，代表無法被預測的隨機波動，也就是市場的隨機性對該期報酬的貢獻。
訊號雜訊比就是衡量 μ_t 的變異數與 ε_t 的變異數之間的比例：
SNR = Var(μ_t) / Var(ε_t)
這個比率愈高，代表策略的報酬中愈大的比例來自於可預測的訊號，而非隨機的雜訊。反之，比率愈低，代表策略的績效愈多是由隨機波動所驅動。
如何在實務中估計訊號雜訊比
在實務中，μ_t 與 ε_t 都是不可直接觀測的潛在變數。我們需要透過統計方法來估計它們。
最常見的方法是透過策略報酬率的時間序列模型來進行分解。如果我們假設策略的期望報酬在短期內是穩定的（即 μ_t ≈ μ），則可以將報酬率的變異數分解為：
Var(r_t) = Var(μ) + Var(ε_t) + 2 × Cov(μ, ε_t)
在簡化的情況下，若假設訊號與雜訊不相關，則：
Var(r_t) = Var(μ) + Var(ε_t)
但這個假設在實務中往往不成立，因為策略的期望報酬可能會隨著市場環境而變化，且訊號與雜訊之間可能存在交互作用。
一個更穩健的估計方法是使用滾動窗口的移動平均作為訊號的代理變數。具體做法是：對於每一期 t，使用過去一段時間的平均報酬率作為 μ_t 的估計值，然後將實際報酬率減去這個移動平均，作為 ε_t 的估計值。接著計算這兩個序列的變異數，再計算它們的比例。
另一種更嚴謹的方法是使用狀態空間模型。這類模型將策略的報酬率視為由兩個部分組成：一個是遵循某種隨機過程演變的潛在訊號，另一個是白雜訊。透過卡爾曼濾波器等工具，我們可以在每一期估計出訊號與雜訊的條件期望值與變異數，進而計算出動態的訊號雜訊比。
訊號雜訊比如何影響策略的信心
訊號雜訊比與策略的統計顯著性之間存在直接的關係。一個策略的訊號雜訊比愈高，我們對其未來表現的信心就愈高。
夏普比率可以被視為訊號雜訊比的一種粗略近似。夏普比率衡量的是平均超額報酬除以報酬率的標準差，而報酬率的標準差包含了訊號與雜訊兩者的波動。因此，夏普比率同時受到訊號強度與雜訊強度的影響，一個高夏普比率可能來自於高訊號，也可能來自於低雜訊。
訊號雜訊比則更直接地聚焦於預測力本身。一個策略可以有很高的夏普比率，但如果它的訊號雜訊比很低，代表它的高夏普比率主要來自於報酬率的低波動性，而非來自於強大的預測能力。這樣的策略在市場結構發生變化時，其穩定性可能比訊號雜訊比高的策略更容易受到衝擊。
實務應用：用訊號雜訊比設定部位規模
訊號雜訊比不僅是診斷工具，也可以直接用於部位規模的設定。基本概念是：訊號雜訊比愈高，代表我們對策略的預測愈有信心，因此可以配置較大的部位；訊號雜訊比愈低，代表策略的預測中雜訊成分較高，因此應該配置較小的部位。
實務上的操作建議
- 計算的穩定性。 訊號雜訊比的估計對估計方法與參數選擇相當敏感。建議使用多種估計方法，比較結果的穩定性，避免因單一方法的缺陷而做出錯誤的判斷。
- 動態監控。 訊號雜訊比不是靜態的。建議定期重新計算策略的訊號雜訊比，觀察其隨時間的變化趨勢。如果訊號雜訊比持續下降，代表策略的預測力可能正在衰退，需要進一步檢視。
- 與其他指標的交叉驗證。 將訊號雜訊比與其他評估指標放在一起觀察。一個訊號雜訊比高但夏普比率低的策略，可能隱含了未被充分捕捉的風險；一個訊號雜訊比低但夏普比率高的策略，則可能存在過度擬合的風險。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文