当 Alpha 开始影响价格：SEER 如何用符号回归拆出非线性市场冲击
有一个问题，很多做回测的人平时不太愿意深想：
如果一个信号真的被拿去交易，它还只是一个“预测变量”吗？
在研究阶段，Alpha 看起来很干净。它读历史行情，输出信号，然后我们拿下一期收益去验证它。
但一旦进入执行层，信号就不再只是旁观者了。它会触发下单、成交、冲击价格，最后又反过来改变它原本要预测的收益。
这就是交易信号的反身性。
这篇文章里提到的 SEER（Self-Equation Extractor & Recognizer），重点不在 Alpha 挖掘，而在一个更底层的问题：
当信号本身开始影响价格时，我们能不能把这种反馈关系写成一条可解释的公式？
这个问题比“模型准不准”更靠近实盘。
因为策略规模、换手率、流动性、拥挤度一旦上来，信号和收益之间就不再是单向预测，而是一套反馈系统。你不能只问信号有没有预测力，还要问：这个信号被交易以后，会不会把自己要预测的东西改掉。
1. 为什么直接回归不靠谱
最直觉的做法是：
future_return = a * signal + error
看起来很简单，拿信号回归下一期收益，系数a就是反馈强度。
但这里有个硬伤。
信号本身是从市场状态里算出来的，比如价格、成交量、波动率、RSI、MACD、布林带位置等。下一期收益也受这些市场状态影响。
也就是说：
market_state -> signal market_state -> future_return signal -> future_return ?
我们真正想识别的是第三条箭头，但观测数据里前两条箭头混在一起。
所以直接回归，很容易把“共同市场状态”造成的相关性，误判成“信号自己的市场冲击”。
这就是原文说的因果识别难题。
传统 OLS、Lasso 还有另一个问题：它们偏线性。而真实交易反馈通常很难这么规整。
可能是平方项，可能是正弦结构，可能是两个信号的乘积项，也可能只在信号为正时才触发。
随机森林、深度学习能拟合一部分非线性，但会变成黑盒。策略研究里，黑盒分数不够用。你要做容量、冲击成本、风控、信号衰减，最好拿到的是一条能审查的公式。
这就是 SEER 选择符号回归的原因。
2. SEER 的核心思路：先造一个有答案的市场
SEER 没有直接在真实市场里硬找因果。
它先搭了一个可控实验：
真实 BTC 小时收益率 + 人为注入的反馈公式 = 带有已知非线性冲击的合成收益率
这样做有两个好处。
第一，市场噪声是真的。
第二，反馈公式是已知的。
也就是说，模型会在一个有“标准答案”的市场噪声环境里接受测试，而不是对着真实市场凭感觉讲故事。
为了防止事后调参，反馈公式的系数在拟合前用 SHA-256 哈希锁定。先把答案封起来，再让模型去找。
这个设计很朴素，但很关键。
量化研究真正麻烦的地方，是你很难确定自己解释的是规律还是噪声。SEER 先创造地面真值，再测试公式恢复能力，这一点比直接拿真实数据硬讲因果更稳。
3. SEER 管线：六步走
原文的技术路线可以压缩成下面这张结构图。
Binance 小时级行情 | v 滚动特征工程 RSI / MACD / 布林带位置 / 24h 实现波动率 / 成交量比率 | v MLP 信号发生器 两层隐藏层：64 -> 32 -> scalar signal | v 受控反馈注入 真实 BTC 小时收益 + f(signal) | v PySR 符号回归 + - * square cube sin cos exp | v 归因检查 + 信号衰减 消融 / 特征重要性 / 条件独立性
1）特征工程与输入准备
数据来自 Binance 小时级数据。
外生特征包括：
1. RSI
2. MACD
3. 布林带位置
4. 24 小时实现波动率
5. 成交量比率
所有特征都在滚动窗口上标准化，避免把未来信息泄漏进历史样本。
2）自身模型构建
用一个两层隐藏层的 MLP 生成标量信号：
features_t -> MLP(64, 32) -> signal_t
这里的关键是：MLP 在反馈注入前训练完成。
也就是说，信号只来自外生市场状态，不提前知道后面要注入的反馈公式。
3）受控反馈注入
把真实 BTC 小时对数收益作为噪声底座，再叠加人工设计的反馈项：
r_synthetic(t+1) = r_btc(t+1) + f(signal_t)
其中f(signal_t)可以是线性、二次、正弦、乘积或非对称结构。
4）PySR 符号回归
PySR 的任务是找公式，而不是只给一个预测分数。
候选算子包括：
+, -, *, square, cube, sin, cos, exp
训练时使用 70/30 时间序列切分，不随机打乱，最后选择测试集均方误差最小、复杂度可接受的表达式。
一个简化版伪代码大概是：
features = rolling_standardize(raw_features) signal = mlp.predict(features) r_synthetic = btc_hourly_return + injected_feedback(signal) equation = pysr( x=signal, y=r_synthetic, operators=["+", "-", "*", "square", "cube", "sin", "cos", "exp"], complexity_penalty=True, time_split=(0.7, 0.3) )
5）归因与混杂因子筛选
这一部分很重要。
很多模型的问题在于太容易找到“看似有用”的关系。高相关特征一多，模型很容易把“影子变量”当成因果。
SEER 用了三道防线：
1.消融测试：把信号打乱，看拟合优度下降多少。
2.特征重要性：看恢复公式到底依赖哪些变量。
3.条件独立性筛查：对高相关混杂变量做偏相关检验，防止伪归因。
6）自适应信号衰减
如果估计出的反馈项过强，算法会自动缩小信号：
if abs(feedback(signal)) > threshold: signal = signal * shrink_ratio
这一步的含义很实在：
如果信号强到开始明显冲击市场，就不要继续无脑放大。
有些 Alpha 本来存在，但规模一上来，就会被自己的交易行为吃掉。
4. 六个场景：它到底能不能找回公式
作者用 2022-2024 年历史数据，大约 17500 个小时样本，设计了六组实验，并和 OLS、Lasso、随机森林做对比。
这里建议按“设定 / 结果 / 启发”来看。
场景 1：线性反馈与负控制
设定：
信号和收益之间是简单线性关系。
结果：
SEER 成功恢复线性公式，相对误差约 0.13%，测试集表现约 0.998。
更关键的是负控制：不注入任何人工反馈，直接在真实 BTC 数据上跑 SEER，估计系数处于噪声水平。
启发：
这说明它不是在真实噪声里随便编公式。一个方法如果在负控制里也能挖出漂亮结果，反而要警惕。
场景 2：二次非线性反馈
设定：
信号平方项影响价格：
feedback = a * signal²
结果：
OLS 和 Lasso 测试集表现为负，甚至不如均值模型。随机森林可以拟合到 0.871，但不给解析式。SEER 恢复出二次结构，相对误差约 0.97%，测试集表现约 0.983。
启发：
对称的二次冲击会天然绕开线性模型。这个场景说明，识别市场反馈时，非线性建模是基本要求。
场景 3：周期性正弦反馈
设定：
反馈呈正弦波结构：
feedback = a * sin(signal)
结果：
OLS 和 Lasso 表现只有 0.012 和 0.011。SEER 在浮点误差范围内恢复正弦公式，测试集表现约 0.9998。
启发：
如果反馈本身是周期或波动结构，线性回归几乎没有解释力。符号回归的优势是能直接恢复函数形态。
场景 4：隐式乘积交互
设定：
两个信号的乘积项影响收益：
feedback = a * signal_1 * signal_2
结果：
OLS 表现约 0.007。SEER 恢复乘积关系，相对误差约 0.25%，测试集表现约 0.990。
启发：
这类结构很像真实策略里的 regime 条件：单独看一个因子不明显，但和另一个状态变量叠加后才有效。
场景 5：非对称反馈
设定：
只有信号大于零时产生影响，小于零时不产生反馈，类似 ReLU：
feedback = a * max(signal, 0)
结果：
SEER 恢复单侧结构，相对误差约 1.72%，测试集表现约 0.971。OLS 和 Lasso 只有约 0.04。
启发：
实盘冲击经常是非对称的。买入冲击、卖出冲击、流动性约束、做空限制，很多时候不是镜像关系。
场景 6：混杂因子处理
设定：
加入一个与真实信号高度相关、但本身不直接改变价格的干扰变量。
结果：
SEER 通过偏相关条件独立性检验，判断该变量在给定真实信号后与收益独立，没有把它误判为真正原因。
启发：
这比单纯提高拟合分数更重要。策略研究里真正危险的情况，是模型看起来能工作，但理由是错的。
5. 实验结果图
原文有一张汇总图，用来展示各场景下不同模型的测试集表现。
各模型在六类反馈场景下的测试集表现
这张图可以直接看出两个差异：
1. 线性模型在非线性反馈面前会快速失效。
2. 随机森林虽然能拟合部分场景，但缺少可审查的显式公式。
这也是 SEER 的定位：它不只是追求测试集分数，而是追求公式级恢复。
6. 信噪比探测边界：这部分最接近实盘
如果只看前面的六个场景，很容易觉得 SEER 很强。
但真实市场里更常见的情况是：反馈结构未必复杂，反馈强度却太弱。
弱到被市场噪声盖住。
作者固定小时级收益波动率，用 0.003 代表真实市场波动，然后逐步降低反馈强度，测试 SEER 的探测边界。
不同信噪比下的公式恢复能力
结果很现实。
在可探测边界附近，系数相对误差仍能维持在约 0.30%。但当反馈继续减弱，测试集表现会迅速掉到 0.03 以下，误差明显扩大。
这说明 SEER 不是魔法。
它能恢复足够强的非线性反馈，但当冲击信号低于市场噪声底线时，它也只能承认看不见。
这点反而让我更相信这个框架。
很多模型真正危险的地方，是不知道自己什么时候该闭嘴。
7. 这套东西能拿来做什么
不要把 SEER 理解成一个可以直接接到实盘里的自动调仓器。
真实市场没有预先封存的反馈公式，也没有干净的地面真值。候选算子空间也不可能覆盖所有真实市场结构。
它更适合做研究审查。
1）策略容量和市场冲击仿真
在真实噪声背景下，注入不同形态和强度的反馈，观察信号什么时候开始自我污染。
2）黑盒模型白盒化
如果一个黑盒模型说“这里有非线性关系”，SEER 可以进一步追问：这条关系能不能写成公式？公式看起来像不像一个合理的交易机制？
3）信号衰减机制
当反馈强度超过阈值时，自动缩小信号，避免 Alpha 被自己的交易行为吃掉。
这点对高换手、高拥挤、容量敏感的策略尤其重要。
很多策略有 Alpha，但规模一上来，交易行为就开始反噬信号。
8. 最后
SEER 这篇文章最有价值的地方，并不在于用了 MLP 或 PySR。
而是它把“交易信号反过来影响价格”这个很难直接测的问题，拆成了一个可验证实验：
生成信号 -> 注入已知反馈 -> 符号回归恢复公式 -> 消融与条件独立性检查归因 -> 测试信噪比边界
这套流程给量化研究一个很重要的提醒：
漂亮回测不难。
黑盒拟合也不难。
难的是你能不能解释清楚，信号进入市场以后，会不会改变自己要预测的东西。
如果能解释，就可以讨论容量、冲击、衰减和风控。
如果解释不了，最好别急着把它放大。
复现代码和更完整的实验细节，我会放在析境科技AI量化平台。
SeekGain 析境科技是国内首个个人AI量化平台，也是连接量化研究者、AI 开发者和投资实践者的高端社群。我们聚焦机器学习在量化投资中的前沿应用，持续分享论文复现、模型代码、核心 Alpha 因子、策略研究框架和 AI 量化工具链。
核心价值：
1. 顶级圈层：连接头部机构从业者、知名私募创始人、机构量化负责人、基金经理、券商金工分析师、GitHub 高星项目作者及前沿研究者。
2. 每日高价值内容：持续更新前沿论文、研报复现、模型代码、核心 Alpha 因子和可落地的量化研究案例。
3. AI量化工具链：围绕因子挖掘、策略复现、回测验证和量化 Agent，帮助个人研究者把想法更快落到可验证的策略研究里。
加入 SeekGain 析境科技，和真正做研究的人一起，把 AI 量化从概念推进到可复现、可验证、可迭代。