# 信号映射

这篇文章讨论的是量化交易里一个常被简化、但其实非常关键的问题：如何把“信号”映射成“仓位”。作者指出，很多策略在回测里只是在信号后面乘一个固定系数，或者按阈值切几档仓位，但这种做法默认了没有估计误差、没有冲击成本、没有信号相关性，也没有账户硬约束；而实盘里这些条件往往都不成立。文章的目标，就是把这些现实约束拆开来看，说明一个更合理的仓位映射应该考虑哪些层面。

第一层是交易成本。作者认为，直觉上“信号越强，仓位越大”看起来很合理，但交易的真实目标不是预测准确，而是扣除成本后的净收益。由于冲击成本是凸的，小单和大单的边际成本完全不同，因此会出现一个“不交易区间”：当信号太弱时，最优仓位其实应该是零。文章强调，很多回测里看起来能稳定赚钱的弱信号，实盘里可能只是在贡献滑点。

第二层是信号自身的不确定性。作者指出，单个信号往往带有估计误差，如果直接把点估计代入仓位公式，就会系统性放大仓位。更合理的方法是把信号看成随机变量，结合滚动估计、Newey-West 标准误或者贝叶斯收缩去动态缩放仓位。信号越不稳定、方差越大，最终应该分配到的仓位越小。

第三层是多个信号之间的相关性。文章认为，协方差矩阵在高维情况下很难估得准，直接做均值-方差优化常常会给出极不稳定的权重。作者更偏向于波动率倒数加权，或者在样本充足时使用 Ledoit-Wolf 收缩协方差矩阵，再与简单方案做样本外比较。文章的态度是：与其追求看似精密但不稳定的优化，不如接受一定次优性，换取稳健。

第四层是账户硬约束和路径依赖，比如杠杆上限、集中度限制和清盘线。作者指出，一旦仓位和净值路径相关，仓位决策就不再是静态映射，而会随着净值接近边界而变得更保守。文章把这类问题看作带吸收边界的动态规划，并建议在实盘中增加净值监控和压缩函数，在接近清盘风险时主动减仓。整体上，这篇文章的核心结论是：仓位不是信号的简单线性缩放，而是要同时经过交易成本、估计风险、相关性和硬约束四重过滤。