做策略回测的人应该都有过这种经历模型给出一个上涨信号你心里觉得十拿九稳结果头寸刚建好一根阴线把预期收益全打没了。事后复盘问题往往不在方向判断而在你没有量化过“信心”本身。在《Machine Learning for Algorithmic Trading》这本书涉及的众多方法里Bayesian ML贝叶斯机器学习恰恰是解决“信心量化”这个环节的核心。它不直接告诉你“涨还是跌”而是给一个完整分布上涨概率多大、预测区间多宽、参数本身有多确定。这篇文章围绕书里Bayesian ML部分的原理、工具、代码、仓位映射和实战坑做一次完整复盘分享我实际复现和落地时的经验。如果你在做因子研究或策略开发经常面对“信号看似很多但不敢下重仓”的困境这篇文章应该能给你一条清晰的参考路径。1. 贝叶斯方法在交易场景里解决的真问题1.1 频率派和贝叶斯派在预测收益时的本质差异做因子回归的传统做法是普通最小二乘得到系数点估计和p值。p值回答的是“这个系数在统计上是否显著不为零”但没法回答“当前市场状态下这个系数到底落在哪个区间”。贝叶斯回归换了个视角它把系数当成随机变量先给出先验分布再经由似然更新为后验分布也就是我们常说的“后验 ∝ 似然 × 先验”。这个公式看起来简单但带来的变化非常实际频率派让你判断因子“是否有效”贝叶斯派让你回答“这个因子在当前样本里效果分布是怎样的”。举个例子。你用过去20日动量、滚动波动率和成交额变化三个特征去预测未来5日收益。普通回归告诉你动量系数是0.32p值0.02看起来很漂亮。贝叶斯回归则会告诉你动量系数的后验均值是0.31但后验标准差是0.2890%最高密度区间横跨负值。这个信息在交易上是决定性的——前一种输出让你觉得“动量因子有效可以放心采用”后一种输出则提醒你“当前市场状态下动量效应的方向都不够稳定信号权重应该调低”。我在实际复现里还有一个感受频率派的结果容易让你把注意力放在“因子是否入选”上而贝叶斯的结果会迫使你关注“参数估计的宽度”。一旦你开始关注宽度就会自然想到状态切换、样本分割、数据漂移这些问题。这种思维转变比任何算法细节都重要。1.2 不确定性比点估计更值钱假设两个模型对同一只股票未来5日收益的期望都是1%。模型甲的后验标准差是0.3%模型乙的后验标准差是2.5%。只看点估计两个模型仓位应该一样但如果你看完整分布模型乙的收益率很可能会落在-4%到6%之间这种不确定性应该直接转化为更低仓位。这就是贝叶斯框架里最高密度区间HDI的用处你得到的不再是一个孤零零的数字而是一个可供风险决策使用的区间。我自己的亏钱复盘里相当一部分亏损并不是方向预测错了而是信号发出时模型恰好处于高不确定区间但当时的仓位体系没有感知到这一点。点估计模型很难暴露这种问题因为点估计天然把所有预测都包装成“同样确定”。贝叶斯方法则把不确定性摆在你脸上逼你在下单前回答一个问题这个预测的分布是否宽到让你不敢下注这一点对量化交易特别重要。市场数据信噪比低、非平稳性高大多数预测本质上就是带着巨大噪声的弱信号。能感知噪声大小的模型比只输出点估计的模型更适合用来分配风险预算。2. 从教材到代码书里的Bayesian ML核心组件该怎么选2.1 贝叶斯线性回归是最容易被低估的起点很多人一看到贝叶斯机器学习就想到复杂的深度贝叶斯网络、变分自编码器。但《Machine Learning for Algorithmic Trading》里关于Bayesian ML这部分核心路径非常务实先从贝叶斯线性回归建立直觉再引入MCMC采样最后过渡到概率编程工具。我按这个路径走下来发现贝叶斯线性回归恰恰是被低估最严重的一环。它解决的是一个非常基础但关键的问题当你的因子维度不高比如几个到几十个样本量又有限时如何得到一个稳定的系数估计并量化学系数的不确定性。模型可以写成收益 ~ 正态分布(截距 特征向量 × 系数, 噪声标准差)系数 ~ 正态分布(0, 先验标准差)这里的先验是有实际含义的它表达你对因子效应大小的合理预期。比如动量因子你预期它的回归系数不会离谱到单期产生5%以上的收益率变化那么先验标准差设成0.5就比设成10更合理。先验收缩掉那些纯粹由噪声驱动的极端系数这在金融数据上几乎是刚需。另一个容易忽略的点是贝叶斯线性回归的代码实现极其简单但它包含了贝叶斯推断的全部要素——先验设计、似然设定、后验采样、预测分布。把这条链路跑通后面再上手分层模型、结构时间序列模型都会顺很多。2.2 MCMC采样与概率编程库理论和工具要分开看教科书里会花大量篇幅讲Metropolis-Hastings、Gibbs采样、Hamiltonian Monte CarloHMC以及HMC的改进版NUTS采样器。落到实践层面你真正需要知道的是现代概率编程库默认使用NUTS它能自动调节步长和轨迹长度大幅减少人工调参你只需要关注采样是否收敛、是否存在发散警告以及有效样本量够不够。工具选择上我对比过目前主流的几个概率编程库各有各的适用场景库推理后端上手难度典型采样器适合场景PyMC自动微分低NUTS原型验证、学习、快速迭代NumPyroJAX中NUTS、HMCGPU/JIT加速、批量滚动采样StanC中高HMC/NUTS复杂层次模型、跨语言复用TensorFlow ProbabilityTensorFlow中高HMC、变分推断与深度模型组件深度集成我的建议是入门阶段用PyMC因为它对先验设置、预测分布可视化、诊断指标的支持最友好官方文档里的例子可以直接改造成因子模型。等到真的要跑滚动窗口、每天对几十只股票做一次贝叶斯推断时再迁移到NumPyro它的JIT编译和GPU加速能给计算效率带来量级上的提升。我自己现在的主力是NumPyro但很多脚本依然先用PyMC快速验证逻辑对不对。2.3 书里的贝叶斯模型可以对应到哪些交易场景书里贝叶斯部分所覆盖的内容并不局限于线性回归还包括几个在量化里非常实用的变体。分层贝叶斯模型适合处理多标的截面数据比如你有10只股票每只股票的因子系数可以不同但共享一个全局均值通过部分池化机制让样本量小的股票借用整体信息。贝叶斯结构时间序列模型BSTS适合做趋势、季节性和事件影响分析比如估算某个事件对成交量或波动率的因果影响。隐马尔可夫模型的贝叶斯版本则可以用来识别市场状态把状态转移概率当成参数做推断。这些模型在书里看起来各有各的数学形式但在实战中可以统一对待它们都是把先验知识、数据结构、不确定性估计放进同一个推断框架里。一旦你掌握了贝叶斯线性回归的完整链路其他模型就是在似然函数和先验结构上做扩展。3. 亲手搭一个贝叶斯收益率预测模型3.1 场景设定为了把问题讲具体我搭一个“某多因子收益预测Demo”。假设你有10只股票的周频数据特征包括动量过去20日收益率、波动率过去20日滚动标准差、成交额对数变化。目标变量是未来5日收益率。这个场景很朴素但足够用来跑通贝叶斯推断的完整流程。数据准备阶段有一个直接决定采样效果的细节特征标准化。先用移动窗口对每个特征做z-score再进入模型。不要小看这步未标准化的特征会让NUTS采样器频繁报发散警告而标准化之后同样的模型和采样参数基本一次就能收敛。3.2 模型定义与先验设计我用NumPyro写一个简单的贝叶斯线性回归。代码结构是这样的import numpyro import numpyro.distributions as dist import jax.numpy as jnp from numpyro.infer import MCMC, NUTS, Predictive def bayesian_factor_model(ret, X, n_features): beta numpyro.sample( beta, dist.Normal(0.0, 0.5).expand([n_features]) ) intercept numpyro.sample(intercept, dist.Normal(0.0, 0.1)) sigma numpyro.sample(sigma, dist.HalfCauchy(0.5)) mu intercept X beta numpyro.sample(obs, dist.Normal(mu, sigma), obsret) nuts_kernel NUTS(bayesian_factor_model, target_accept_prob0.9) mcmc MCMC(nuts_kernel, num_warmup1000, num_samples2000, num_chains4) mcmc.run(numpyro.PRNGKey(42), retret_values, XX_matrix, n_featuresX_matrix.shape[1]) mcmc.print_summary()先验这里没有随便拍脑袋。beta先验标准差取0.5是因为特征已经标准化系数0.5对应的效应量级大约是用半个标准差的变化去解释收益率这在周频alpha上已经是比较强的信号。intercept取0.1是认为截距不应该偏离零太多稳定地把先验拉向“没有异常基准收益”。sigma用HalfCauchy(0.5)是因为收益率尾部较厚希望噪声项的估计对极端值更稳健一些。如果改成正态先验配合固定方差模型也能跑但对离群收益的适应性会差一些。3.3 采样与诊断R-hat、ESS和发散警告采样完之后不要急着看系数先做三件事看R-hat、检查有效样本量ESS、查发散警告。这是一个容易忽略但极其关键的步骤因为MCMC方法只有在链收敛之后后验样本才有意义。一个可接受的结果大致是这样参数R-hatESS均值收敛状态beta[0]动量1.0025213收敛beta[1]波动率1.0093421可接受beta[2]成交额变化1.0034987收敛sigma1.0016020收敛R-hat阈值新一点的建议是小于1.01保守场景可以要求小于1.001。ESS表示有效样本量数值低于1000后验尾部概率的估计就会很不可靠。如果NUTS采样过程弹出发散警告最常见的原因是特征量纲差异太大或者后验分布几何形状太尖锐。先把特征标准化再把target_accept_prob从默认0.8调到0.9就能解决大部分问题。3.4 样本外预测与滚动更新推断完成后预测也比较直接posterior_samples mcmc.get_samples() predictive Predictive(bayesian_factor_model, posterior_samplesposterior_samples) # X_new 是当前时刻的特征向量 pred predictive(numpyro.PRNGKey(0), retNone, XX_new, n_featuresX_new.shape[1]) pred_mean pred[obs].mean(axis0) pred_std pred[obs].std(axis0)这个predictive对象会从后验样本里抽取多组参数模拟未来收益的完整分布。pred_mean是期望收益pred_std是预测不确定性的直接度量这两个值后面可以直接用于仓位计算。滚动更新的方式我一般分两档如果采样成本可以接受每周重新跑一次MCMC如果样本量充足但算力紧张就把上一次的后验均值当成下一次的先验均值用递归贝叶斯的方式近似在线更新。前者更稳妥后者更高效。实盘中我倾向于折中——每两周全量重估一次中间用近似更新顶上。4. 贝叶斯输出如何变成仓位和信号4.1 从后验分布到目标仓位贝叶斯模型给出的后验均值可以当信号但更有价值的是把后验标准差引入仓位。一个实用的方法是目标仓位权重正比于“期望收益除以后验方差”也就是仓位权重 ∝ 后验均值 / (后验标准差²)这个公式的思路你可以理解成凯利公式的连续版本期望收益越高仓位越高预测不确定性越大仓位按平方关系下降。因为方差在分母上一个后验标准差翻倍的预测仓位会自动降到四分之一。这不是一个多么精妙的数学但它非常符合交易直觉高确定性信号值得下重注低确定性信号只配试仓。我们看一个简化的例子标的后验均值后验标准差原始权重未归一化归一化仓位A0.80%0.40%5.0039%B0.60%0.30%6.6752%C0.70%0.80%1.099%尽管C的期望收益不比A低太多但它的后验标准差大所以归一化后的仓位只有9%。这就是“用分布代替点估计”直接带来的仓位差异。如果只用期望收益排序C会被严重高估。实操中可以再加一层约束比如单标的仓位上限35%之类避免权重过度集中。4.2 后验预测检验防止模型自欺欺人模型输出漂亮不等于预测可靠必须做后验预测检验PPC。逻辑很简单从后验里抽取参数生成模拟数据再看真实观测值是否落在模拟分布的合理范围。如果真实收益频繁跳出90%预测区间说明你的似然设置太窄或者特征集遗漏了关键变量。我习惯更工程化一点把测试集按预测分位数分成10个桶统计每桶实际命中率。比如预测收益处于最高的10%分位桶实际正收益比例是否明显高于预测的90%这种校准检验能直接揭示模型是否过度自信。在金融数据上绝大多数模型都会表现出一定程度的过度自信——预测区间明显比真实波动窄。贝叶斯框架的优势是通过PPC你至少能把这种过度自信暴露出来而不是让它藏在黑箱里。4.3 贝叶斯优化调超参数书里还有个容易被忽略的应用是用贝叶斯优化做超参数搜索。这和贝叶斯推断是两回事——一个是在回测中找参数一个是在推断中求分布。但两者组合起来非常实用先用贝叶斯优化找到合理超参数再用贝叶斯回归评估因子权重。实操上我常用Optuna做这件事import optuna def objective(trial): hold_period trial.suggest_int(hold_period, 5, 30) vol_window trial.suggest_int(vol_window, 10, 60) stop_loss trial.suggest_float(stop_loss, 0.02, 0.10) return run_backtest(hold_period, vol_window, stop_loss) study optuna.create_study(directionmaximize) study.optimize(objective, n_trials100)贝叶斯优化的价值在于它通过代理模型加上采集函数用较少次回测就能找到比较优的超参数组合避免暴力网格搜索的低效率。但这里有一个容易踩的坑如果每次回测本身噪声很大贝叶斯优化会把你引向一个“运气好”的参数角落。我的做法是让目标函数返回多次样本外回测的中位数而不是单次回测结果。宁可多花几倍计算时间也要让评估目标稳定一点。5. 实盘级别的坑收敛、先验与计算成本5.1 NUTS发散警告最常见也最容易被忽略跑MCMC时最常见的警告就是“divergence”。表面看只是一条警告实际意味着NUTS在某些后验区域遇到了非常尖锐的曲率采样轨迹没能正确探索。如果无视它后验样本里就会掺杂大量偏差最终系数和预测分布都会失真。我复现这本书里的贝叶斯模型时第一次跑出几十条发散警告第一反应是怀疑模型写错了。排查后发现问题出在特征量纲没有标准化成交额和收益率的数值差了好几个量级导致后验几何形状变形。把特征标准化之后发散警告基本归零。如果标准化后仍然发散接下来按顺序检查三件事把target_accept_prob提高到0.95、增大warmup到2000以上、简化似然函数例如从学生t分布改成正态分布。大多数情况都能解决。5.2 先验敏感性分析结论稳不稳贝叶斯推断里先验是主观的这不是坏事但要确保结论不过度依赖先验。实际操作中我每个因子模型都会做一轮先验敏感性分析把关键先验的标准差从0.1改到0.5再改到2重新跑同一套数据观察后验均值和后验区间是否发生质性变化。如果后验均值从0.12跳到-0.03说明数据本身携带的信息太弱当前结论根本不能支撑实盘决策。反之如果后验均值的符号和幅度变化在可接受范围说明数据对参数起到了主导作用先验只是施加了一个合理约束。这本书里的贝叶斯部分虽然没有把敏感性分析当成专门章节来写但只要你想真正用起来这一步躲不掉。5.3 计算成本全量MCMC和实时交易的矛盾贝叶斯推断的计算成本比普通回归高一个量级。一次MCMC跑4条链、每条2000个后验样本耗时少则几十秒、多则几分钟。如果做滚动回测50个窗口就是一两小时起步。这在研究阶段还能忍到实盘阶段就麻烦了。应对方式有三条路。第一降低重估频率不追求每个交易日都跑MCMC每周或每两周全量重估一次中间用简化更新。第二用近似推断替代精确采样变分推断如ADVI速度能快一到两个量级牺牲一部分精度换取实时性适合盘中决策。第三把推断放到盘前离线完成盘中只做后验预测和仓位映射这一步计算量非常小。我自己倾向第三种把重活都放在盘前盘中保持轻量。5.4 贝叶斯与回测过拟合很容易误解的关系贝叶斯方法不会自动解决过拟合。它能把不确定性表达出来但如果先验本身来自反复试错或者特征选择用了全样本信息那过拟合还是过拟合只是被分布的外衣包装得更体面。书中这部分内容让我印象最深的其实是它的克制——它在讲贝叶斯方法的时候始终把预测分布和参数后验当作分析结果而不是最终策略。落到实盘中你必须用严格切分的样本外数据来验证后验参数只能在训练集上估计。我在复现过程中见过不少反例有人在回测里看了上千次结果不断调整先验的均值让历史表现更好看这本质上是先验泄漏。诚实的做法是先固定先验、跑完样本外验证再决定是否修改模型。我个人在实际操作中的体会是贝叶斯方法不会让你少踩坑但会让你踩坑之前看到那个坑在哪。它逼你面对参数的不确定性、预测的分布宽度、模型对先验的依赖程度——这些都是金融数据里最本真、最绕不开的东西。读完《Machine Learning for Algorithmic Trading》的Bayesian ML部分我最大的收获不是学会某个高超的模型而是养成了一种习惯看到任何预测值先问一句它的不确定性到底有多大。这一点足以改变很多交易决策。如果你也想试别一上来就堆复杂模型先拿一个小因子集跑通贝叶斯线性回归做一次收敛诊断再把后验输出映射成仓位。这个流程走通之后再回头扩展模型和工具就从容多了。 
长河君 · 2026/10/21 14:51:45 · 阅读 1.2k 贝叶斯机器学习如何量化交易信心：从后验分布到仓位管理
做策略回测的人应该都有过这种经历模型给出一个上涨信号你心里觉得十拿九稳结果头寸刚建好一根阴线把预期收益全打没了。事后复盘问题往往不在方向判断而在你没有量化过“信心”本身。在《Machine Learning for Algorithmic Trading》这本书涉及的众多方法里Bayesian ML贝叶斯机器学习恰恰是解决“信心量化”这个环节的核心。它不直接告诉你“涨还是跌”而是给一个完整分布上涨概率多大、预测区间多宽、参数本身有多确定。这篇文章围绕书里Bayesian ML部分的原理、工具、代码、仓位映射和实战坑做一次完整复盘分享我实际复现和落地时的经验。如果你在做因子研究或策略开发经常面对“信号看似很多但不敢下重仓”的困境这篇文章应该能给你一条清晰的参考路径。1. 贝叶斯方法在交易场景里解决的真问题1.1 频率派和贝叶斯派在预测收益时的本质差异做因子回归的传统做法是普通最小二乘得到系数点估计和p值。p值回答的是“这个系数在统计上是否显著不为零”但没法回答“当前市场状态下这个系数到底落在哪个区间”。贝叶斯回归换了个视角它把系数当成随机变量先给出先验分布再经由似然更新为后验分布也就是我们常说的“后验 ∝ 似然 × 先验”。这个公式看起来简单但带来的变化非常实际频率派让你判断因子“是否有效”贝叶斯派让你回答“这个因子在当前样本里效果分布是怎样的”。举个例子。你用过去20日动量、滚动波动率和成交额变化三个特征去预测未来5日收益。普通回归告诉你动量系数是0.32p值0.02看起来很漂亮。贝叶斯回归则会告诉你动量系数的后验均值是0.31但后验标准差是0.2890%最高密度区间横跨负值。这个信息在交易上是决定性的——前一种输出让你觉得“动量因子有效可以放心采用”后一种输出则提醒你“当前市场状态下动量效应的方向都不够稳定信号权重应该调低”。我在实际复现里还有一个感受频率派的结果容易让你把注意力放在“因子是否入选”上而贝叶斯的结果会迫使你关注“参数估计的宽度”。一旦你开始关注宽度就会自然想到状态切换、样本分割、数据漂移这些问题。这种思维转变比任何算法细节都重要。1.2 不确定性比点估计更值钱假设两个模型对同一只股票未来5日收益的期望都是1%。模型甲的后验标准差是0.3%模型乙的后验标准差是2.5%。只看点估计两个模型仓位应该一样但如果你看完整分布模型乙的收益率很可能会落在-4%到6%之间这种不确定性应该直接转化为更低仓位。这就是贝叶斯框架里最高密度区间HDI的用处你得到的不再是一个孤零零的数字而是一个可供风险决策使用的区间。我自己的亏钱复盘里相当一部分亏损并不是方向预测错了而是信号发出时模型恰好处于高不确定区间但当时的仓位体系没有感知到这一点。点估计模型很难暴露这种问题因为点估计天然把所有预测都包装成“同样确定”。贝叶斯方法则把不确定性摆在你脸上逼你在下单前回答一个问题这个预测的分布是否宽到让你不敢下注这一点对量化交易特别重要。市场数据信噪比低、非平稳性高大多数预测本质上就是带着巨大噪声的弱信号。能感知噪声大小的模型比只输出点估计的模型更适合用来分配风险预算。2. 从教材到代码书里的Bayesian ML核心组件该怎么选2.1 贝叶斯线性回归是最容易被低估的起点很多人一看到贝叶斯机器学习就想到复杂的深度贝叶斯网络、变分自编码器。但《Machine Learning for Algorithmic Trading》里关于Bayesian ML这部分核心路径非常务实先从贝叶斯线性回归建立直觉再引入MCMC采样最后过渡到概率编程工具。我按这个路径走下来发现贝叶斯线性回归恰恰是被低估最严重的一环。它解决的是一个非常基础但关键的问题当你的因子维度不高比如几个到几十个样本量又有限时如何得到一个稳定的系数估计并量化学系数的不确定性。模型可以写成收益 ~ 正态分布(截距 特征向量 × 系数, 噪声标准差)系数 ~ 正态分布(0, 先验标准差)这里的先验是有实际含义的它表达你对因子效应大小的合理预期。比如动量因子你预期它的回归系数不会离谱到单期产生5%以上的收益率变化那么先验标准差设成0.5就比设成10更合理。先验收缩掉那些纯粹由噪声驱动的极端系数这在金融数据上几乎是刚需。另一个容易忽略的点是贝叶斯线性回归的代码实现极其简单但它包含了贝叶斯推断的全部要素——先验设计、似然设定、后验采样、预测分布。把这条链路跑通后面再上手分层模型、结构时间序列模型都会顺很多。2.2 MCMC采样与概率编程库理论和工具要分开看教科书里会花大量篇幅讲Metropolis-Hastings、Gibbs采样、Hamiltonian Monte CarloHMC以及HMC的改进版NUTS采样器。落到实践层面你真正需要知道的是现代概率编程库默认使用NUTS它能自动调节步长和轨迹长度大幅减少人工调参你只需要关注采样是否收敛、是否存在发散警告以及有效样本量够不够。工具选择上我对比过目前主流的几个概率编程库各有各的适用场景库推理后端上手难度典型采样器适合场景PyMC自动微分低NUTS原型验证、学习、快速迭代NumPyroJAX中NUTS、HMCGPU/JIT加速、批量滚动采样StanC中高HMC/NUTS复杂层次模型、跨语言复用TensorFlow ProbabilityTensorFlow中高HMC、变分推断与深度模型组件深度集成我的建议是入门阶段用PyMC因为它对先验设置、预测分布可视化、诊断指标的支持最友好官方文档里的例子可以直接改造成因子模型。等到真的要跑滚动窗口、每天对几十只股票做一次贝叶斯推断时再迁移到NumPyro它的JIT编译和GPU加速能给计算效率带来量级上的提升。我自己现在的主力是NumPyro但很多脚本依然先用PyMC快速验证逻辑对不对。2.3 书里的贝叶斯模型可以对应到哪些交易场景书里贝叶斯部分所覆盖的内容并不局限于线性回归还包括几个在量化里非常实用的变体。分层贝叶斯模型适合处理多标的截面数据比如你有10只股票每只股票的因子系数可以不同但共享一个全局均值通过部分池化机制让样本量小的股票借用整体信息。贝叶斯结构时间序列模型BSTS适合做趋势、季节性和事件影响分析比如估算某个事件对成交量或波动率的因果影响。隐马尔可夫模型的贝叶斯版本则可以用来识别市场状态把状态转移概率当成参数做推断。这些模型在书里看起来各有各的数学形式但在实战中可以统一对待它们都是把先验知识、数据结构、不确定性估计放进同一个推断框架里。一旦你掌握了贝叶斯线性回归的完整链路其他模型就是在似然函数和先验结构上做扩展。3. 亲手搭一个贝叶斯收益率预测模型3.1 场景设定为了把问题讲具体我搭一个“某多因子收益预测Demo”。假设你有10只股票的周频数据特征包括动量过去20日收益率、波动率过去20日滚动标准差、成交额对数变化。目标变量是未来5日收益率。这个场景很朴素但足够用来跑通贝叶斯推断的完整流程。数据准备阶段有一个直接决定采样效果的细节特征标准化。先用移动窗口对每个特征做z-score再进入模型。不要小看这步未标准化的特征会让NUTS采样器频繁报发散警告而标准化之后同样的模型和采样参数基本一次就能收敛。3.2 模型定义与先验设计我用NumPyro写一个简单的贝叶斯线性回归。代码结构是这样的import numpyro import numpyro.distributions as dist import jax.numpy as jnp from numpyro.infer import MCMC, NUTS, Predictive def bayesian_factor_model(ret, X, n_features): beta numpyro.sample( beta, dist.Normal(0.0, 0.5).expand([n_features]) ) intercept numpyro.sample(intercept, dist.Normal(0.0, 0.1)) sigma numpyro.sample(sigma, dist.HalfCauchy(0.5)) mu intercept X beta numpyro.sample(obs, dist.Normal(mu, sigma), obsret) nuts_kernel NUTS(bayesian_factor_model, target_accept_prob0.9) mcmc MCMC(nuts_kernel, num_warmup1000, num_samples2000, num_chains4) mcmc.run(numpyro.PRNGKey(42), retret_values, XX_matrix, n_featuresX_matrix.shape[1]) mcmc.print_summary()先验这里没有随便拍脑袋。beta先验标准差取0.5是因为特征已经标准化系数0.5对应的效应量级大约是用半个标准差的变化去解释收益率这在周频alpha上已经是比较强的信号。intercept取0.1是认为截距不应该偏离零太多稳定地把先验拉向“没有异常基准收益”。sigma用HalfCauchy(0.5)是因为收益率尾部较厚希望噪声项的估计对极端值更稳健一些。如果改成正态先验配合固定方差模型也能跑但对离群收益的适应性会差一些。3.3 采样与诊断R-hat、ESS和发散警告采样完之后不要急着看系数先做三件事看R-hat、检查有效样本量ESS、查发散警告。这是一个容易忽略但极其关键的步骤因为MCMC方法只有在链收敛之后后验样本才有意义。一个可接受的结果大致是这样参数R-hatESS均值收敛状态beta[0]动量1.0025213收敛beta[1]波动率1.0093421可接受beta[2]成交额变化1.0034987收敛sigma1.0016020收敛R-hat阈值新一点的建议是小于1.01保守场景可以要求小于1.001。ESS表示有效样本量数值低于1000后验尾部概率的估计就会很不可靠。如果NUTS采样过程弹出发散警告最常见的原因是特征量纲差异太大或者后验分布几何形状太尖锐。先把特征标准化再把target_accept_prob从默认0.8调到0.9就能解决大部分问题。3.4 样本外预测与滚动更新推断完成后预测也比较直接posterior_samples mcmc.get_samples() predictive Predictive(bayesian_factor_model, posterior_samplesposterior_samples) # X_new 是当前时刻的特征向量 pred predictive(numpyro.PRNGKey(0), retNone, XX_new, n_featuresX_new.shape[1]) pred_mean pred[obs].mean(axis0) pred_std pred[obs].std(axis0)这个predictive对象会从后验样本里抽取多组参数模拟未来收益的完整分布。pred_mean是期望收益pred_std是预测不确定性的直接度量这两个值后面可以直接用于仓位计算。滚动更新的方式我一般分两档如果采样成本可以接受每周重新跑一次MCMC如果样本量充足但算力紧张就把上一次的后验均值当成下一次的先验均值用递归贝叶斯的方式近似在线更新。前者更稳妥后者更高效。实盘中我倾向于折中——每两周全量重估一次中间用近似更新顶上。4. 贝叶斯输出如何变成仓位和信号4.1 从后验分布到目标仓位贝叶斯模型给出的后验均值可以当信号但更有价值的是把后验标准差引入仓位。一个实用的方法是目标仓位权重正比于“期望收益除以后验方差”也就是仓位权重 ∝ 后验均值 / (后验标准差²)这个公式的思路你可以理解成凯利公式的连续版本期望收益越高仓位越高预测不确定性越大仓位按平方关系下降。因为方差在分母上一个后验标准差翻倍的预测仓位会自动降到四分之一。这不是一个多么精妙的数学但它非常符合交易直觉高确定性信号值得下重注低确定性信号只配试仓。我们看一个简化的例子标的后验均值后验标准差原始权重未归一化归一化仓位A0.80%0.40%5.0039%B0.60%0.30%6.6752%C0.70%0.80%1.099%尽管C的期望收益不比A低太多但它的后验标准差大所以归一化后的仓位只有9%。这就是“用分布代替点估计”直接带来的仓位差异。如果只用期望收益排序C会被严重高估。实操中可以再加一层约束比如单标的仓位上限35%之类避免权重过度集中。4.2 后验预测检验防止模型自欺欺人模型输出漂亮不等于预测可靠必须做后验预测检验PPC。逻辑很简单从后验里抽取参数生成模拟数据再看真实观测值是否落在模拟分布的合理范围。如果真实收益频繁跳出90%预测区间说明你的似然设置太窄或者特征集遗漏了关键变量。我习惯更工程化一点把测试集按预测分位数分成10个桶统计每桶实际命中率。比如预测收益处于最高的10%分位桶实际正收益比例是否明显高于预测的90%这种校准检验能直接揭示模型是否过度自信。在金融数据上绝大多数模型都会表现出一定程度的过度自信——预测区间明显比真实波动窄。贝叶斯框架的优势是通过PPC你至少能把这种过度自信暴露出来而不是让它藏在黑箱里。4.3 贝叶斯优化调超参数书里还有个容易被忽略的应用是用贝叶斯优化做超参数搜索。这和贝叶斯推断是两回事——一个是在回测中找参数一个是在推断中求分布。但两者组合起来非常实用先用贝叶斯优化找到合理超参数再用贝叶斯回归评估因子权重。实操上我常用Optuna做这件事import optuna def objective(trial): hold_period trial.suggest_int(hold_period, 5, 30) vol_window trial.suggest_int(vol_window, 10, 60) stop_loss trial.suggest_float(stop_loss, 0.02, 0.10) return run_backtest(hold_period, vol_window, stop_loss) study optuna.create_study(directionmaximize) study.optimize(objective, n_trials100)贝叶斯优化的价值在于它通过代理模型加上采集函数用较少次回测就能找到比较优的超参数组合避免暴力网格搜索的低效率。但这里有一个容易踩的坑如果每次回测本身噪声很大贝叶斯优化会把你引向一个“运气好”的参数角落。我的做法是让目标函数返回多次样本外回测的中位数而不是单次回测结果。宁可多花几倍计算时间也要让评估目标稳定一点。5. 实盘级别的坑收敛、先验与计算成本5.1 NUTS发散警告最常见也最容易被忽略跑MCMC时最常见的警告就是“divergence”。表面看只是一条警告实际意味着NUTS在某些后验区域遇到了非常尖锐的曲率采样轨迹没能正确探索。如果无视它后验样本里就会掺杂大量偏差最终系数和预测分布都会失真。我复现这本书里的贝叶斯模型时第一次跑出几十条发散警告第一反应是怀疑模型写错了。排查后发现问题出在特征量纲没有标准化成交额和收益率的数值差了好几个量级导致后验几何形状变形。把特征标准化之后发散警告基本归零。如果标准化后仍然发散接下来按顺序检查三件事把target_accept_prob提高到0.95、增大warmup到2000以上、简化似然函数例如从学生t分布改成正态分布。大多数情况都能解决。5.2 先验敏感性分析结论稳不稳贝叶斯推断里先验是主观的这不是坏事但要确保结论不过度依赖先验。实际操作中我每个因子模型都会做一轮先验敏感性分析把关键先验的标准差从0.1改到0.5再改到2重新跑同一套数据观察后验均值和后验区间是否发生质性变化。如果后验均值从0.12跳到-0.03说明数据本身携带的信息太弱当前结论根本不能支撑实盘决策。反之如果后验均值的符号和幅度变化在可接受范围说明数据对参数起到了主导作用先验只是施加了一个合理约束。这本书里的贝叶斯部分虽然没有把敏感性分析当成专门章节来写但只要你想真正用起来这一步躲不掉。5.3 计算成本全量MCMC和实时交易的矛盾贝叶斯推断的计算成本比普通回归高一个量级。一次MCMC跑4条链、每条2000个后验样本耗时少则几十秒、多则几分钟。如果做滚动回测50个窗口就是一两小时起步。这在研究阶段还能忍到实盘阶段就麻烦了。应对方式有三条路。第一降低重估频率不追求每个交易日都跑MCMC每周或每两周全量重估一次中间用简化更新。第二用近似推断替代精确采样变分推断如ADVI速度能快一到两个量级牺牲一部分精度换取实时性适合盘中决策。第三把推断放到盘前离线完成盘中只做后验预测和仓位映射这一步计算量非常小。我自己倾向第三种把重活都放在盘前盘中保持轻量。5.4 贝叶斯与回测过拟合很容易误解的关系贝叶斯方法不会自动解决过拟合。它能把不确定性表达出来但如果先验本身来自反复试错或者特征选择用了全样本信息那过拟合还是过拟合只是被分布的外衣包装得更体面。书中这部分内容让我印象最深的其实是它的克制——它在讲贝叶斯方法的时候始终把预测分布和参数后验当作分析结果而不是最终策略。落到实盘中你必须用严格切分的样本外数据来验证后验参数只能在训练集上估计。我在复现过程中见过不少反例有人在回测里看了上千次结果不断调整先验的均值让历史表现更好看这本质上是先验泄漏。诚实的做法是先固定先验、跑完样本外验证再决定是否修改模型。我个人在实际操作中的体会是贝叶斯方法不会让你少踩坑但会让你踩坑之前看到那个坑在哪。它逼你面对参数的不确定性、预测的分布宽度、模型对先验的依赖程度——这些都是金融数据里最本真、最绕不开的东西。读完《Machine Learning for Algorithmic Trading》的Bayesian ML部分我最大的收获不是学会某个高超的模型而是养成了一种习惯看到任何预测值先问一句它的不确定性到底有多大。这一点足以改变很多交易决策。如果你也想试别一上来就堆复杂模型先拿一个小因子集跑通贝叶斯线性回归做一次收敛诊断再把后验输出映射成仓位。这个流程走通之后再回头扩展模型和工具就从容多了。