2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含 350 篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

在量化交易中，如何从嘈杂的市场数据中提取出真正有价值的趋势信号，一直是交易者和研究人员关注的核心问题。传统的移动平均线（MA）虽然简单易用，但往往存在滞后性强、噪声过滤不够等问题。

本文将介绍一种基于拉普拉斯变换（Laplace Transform）思想的趋势滤波器，它借鉴了数字信号处理（DSP）中的低通滤波原理，能够在抑制短期噪声的同时保留价格的底层趋势。我们将以 PLTR（Palantir Technologies）股票为例，用 Python 完整实现这一策略，并通过回测和样本外测试评估其表现。

一、什么是拉普拉斯趋势滤波器？

拉普拉斯趋势滤波器的核心思想是：用指数衰减的方式对历史价格加权，越近的价格权重越大，越远的价格权重越小。这与指数加权移动平均（EWMA）在实践中非常相似，但它从连续时间的拉普拉斯变换出发进行离散化推导，具有更清晰的信号处理理论背景。

其关键参数是衰减率 s：

• • s 值越大：响应越快，平滑效果越弱，适合短周期交易
• • s 值越小：响应越慢，平滑效果越强，适合长周期投资

递推公式如下：

二、Python 实现：拉普拉斯价格滤波函数

以下是拉普拉斯趋势滤波器的核心实现代码：

import numpy as npdef laplace_price(price, s=0.05):    """    离散拉普拉斯变换近似滤波器    参数：        price: 价格序列（数组或 Series）        s: 衰减率，值越大记忆越短（响应越快）    返回：        L: 滤波后的平滑趋势序列    """    alpha = 1 - np.exp(-s)  # 将衰减率转换为离散权重    L = np.zeros(len(price))    L[0] = price[0]  # 初始值设为第一个价格    for t in range(1, len(price)):        # 递推更新：当前价格加权 + 上一步滤波值加权        L[t] = alpha * price[t] + (1 - alpha) * L[t - 1]    return L

三、构建交易策略

3.1 策略逻辑

该策略的核心思路分为三步：

1. 1. 计算拉普拉斯滤波值：对收盘价应用滤波器，得到平滑趋势线
2. 2. 计算趋势斜率：对滤波值取一阶差分，判断趋势方向
3. 3. 生成交易信号：当价格高于滤波值，且滤波斜率为正时，做多；否则平仓

3.2 完整策略代码示例

以下以短周期（2025-07-01 至 2026-01-23）为例：

import pandas as pdimport numpy as np# 假设 df 是包含 OHLC 数据的 DataFrame，索引为日期# df 的列包括：Open、High、Low、Close# 第一步：应用拉普拉斯滤波器（s=0.09 适合短周期）df["laplace"] = laplace_price(df["Close"].values, s=0.09)# 第二步：计算滤波值的一阶差分（即趋势斜率）df["laplace_slope"] = df["laplace"].diff()# 第三步：生成多头信号# 条件 1：收盘价高于滤波趋势线# 条件 2：滤波趋势线斜率为正（上升趋势）df["long_signal"] = (    (df["Close"] > df["laplace"]) &    (df["laplace_slope"] > 0))# 将布尔信号转为持仓标记（1 = 持仓，0 = 空仓）df["position"] = df["long_signal"].astype(int)# 第四步：标记入场和出场时机df["entry"] = (df["position"] == 1) & (df["position"].shift(1) == 0)  # 从空仓变为持仓df["exit"] = (df["position"] == 0) & (df["position"].shift(1) == 1)   # 从持仓变为空仓

要点说明：该策略只在价格处于上升趋势且位于趋势线上方时才入场，有效过滤了横盘震荡和虚假突破。

四、回测评估

4.1 回测代码

以下代码计算策略的每日收益和累计收益，并与买入持有（Buy & Hold）基准进行对比：

import numpy as np# 设定交易成本（每次交易 0.1%）transaction_cost = 0.001# 计算每日收益率df["daily_return"] = df["Close"].pct_change().fillna(0)# 策略每日收益（仅在持仓时获取收益）df["strategy_return"] = df["daily_return"] * df["position"]# 检测交易发生的时点（入场或出场）df["trade"] = df["position"].diff().abs()# 扣除交易成本df["strategy_return_tc"] = df["strategy_return"] - df["trade"] * transaction_cost# 计算累计收益df["cum_strategy_tc"] = (1 + df["strategy_return_tc"]).cumprod()  # 策略（含成本）df["cum_buy_hold"] = (1 + df["daily_return"]).cumprod()           # 买入持有基准# 输出总收益对比total_return_strategy = df["cum_strategy_tc"].iloc[-1] - 1total_return_bh = df["cum_buy_hold"].iloc[-1] - 1print(f"策略总收益（含交易成本）：{total_return_strategy:.2%}")print(f"买入持有总收益：{total_return_bh:.2%}")

4.2 绩效指标计算

import numpy as np# --- 年化收益率（CAGR） ---days = len(df)annual_factor = 252 / dayscagr_strategy = (1 + total_return_strategy) ** annual_factor - 1cagr_bh = (1 + total_return_bh) ** annual_factor - 1# --- 年化波动率 ---vol_strategy = df["strategy_return_tc"].std() * np.sqrt(252)vol_bh = df["daily_return"].std() * np.sqrt(252)# --- 夏普比率（假设无风险利率为 0） ---sharpe_strategy = cagr_strategy / vol_strategysharpe_bh = cagr_bh / vol_bh# --- 最大回撤 ---def max_drawdown(cum_returns):    """计算最大回撤"""    roll_max = cum_returns.cummax()          # 滚动最高点    drawdown = (cum_returns - roll_max) / roll_max  # 回撤比例    return drawdown.min()mdd_strategy = max_drawdown(df["cum_strategy_tc"])mdd_bh = max_drawdown(df["cum_buy_hold"])# 打印结果print("=== 策略绩效指标 ===")print(f"总收益：{total_return_strategy:.2%}")print(f"年化收益率：{cagr_strategy:.2%}")print(f"年化波动率：{vol_strategy:.2%}")print(f"夏普比率：{sharpe_strategy:.2f}")print(f"最大回撤：{mdd_strategy:.2%}")print("\n=== 买入持有绩效指标 ===")print(f"总收益：{total_return_bh:.2%}")print(f"年化收益率：{cagr_bh:.2%}")print(f"年化波动率：{vol_bh:.2%}")print(f"夏普比率：{sharpe_bh:.2f}")print(f"最大回撤：{mdd_bh:.2%}")

4.3 回测结果

原文中短周期（约 7 个月）的回测结果如下：

长周期（约 5 年）的回测结果如下：

从数据可以看出，拉普拉斯策略在收益、波动率和最大回撤三个维度上均优于买入持有。

五、样本外测试（OOS）

回测结果虽然亮眼，但可能存在过拟合风险。为了更客观地评估策略的泛化能力，原文还进行了样本外测试：将数据按时间分为训练集（In-Sample）和测试集（Out-of-Sample），策略参数仅在训练集上确定，然后在测试集上运行并评估。

# 按时间比例划分训练集和测试集split_ratio = 0.69split_index = int(len(df) * split_ratio)# 训练集（In-Sample）df_is = df.iloc[:split_index].copy()# 测试集（Out-of-Sample）df_oos = df.iloc[split_index:].copy()# 在测试集上应用滤波器（参数 s 在训练集上确定）s_opt = 0.99  # 可在训练集上优化得到df_oos["laplace"] = laplace_price(df_oos["Close"], s=s_opt)# 计算斜率df_oos["laplace_slope"] = df_oos["laplace"].diff()# 生成持仓信号df_oos["position"] = 0df_oos.loc[    (df_oos["Close"] > df_oos["laplace"]) &    (df_oos["laplace_slope"] > 0),    "position"] = 1# 延迟一天执行，避免前瞻偏差df_oos["position"] = df_oos["position"].shift(1).fillna(0)

短周期样本外测试结果：

结果表明，策略在未见过的数据上依然表现优异，收益更高、波动更低、回撤更小。

六、关键参数 s 的选择建议

衰减率 s 是策略中最核心的超参数，不同的 s 值适用于不同的交易周期：

注意：s 值并非固定不变，建议结合 Walk-Forward Optimization（WFO，步进前向优化）方法进行动态调整。

七、策略的优缺点

优点：

• • 基于信号处理理论，有扎实的数学基础
• • 有效过滤市场噪声，减少虚假信号
• • 交易频率低，交易成本可控
• • 在回测和样本外测试中均表现出色

需要注意的问题：

• • 策略胜率较低（短周期约 33%，长周期仅 8%），收益主要靠少数大赢单驱动
• • 对市场体制转换（Regime Shift）较为敏感
• • 样本量有限，统计置信度受约束
• • 在长期横盘震荡市中可能频繁止损

总结

本文介绍了一种基于拉普拉斯变换的趋势跟踪交易策略。该策略的核心是一个带衰减记忆的低通滤波器，通过递推公式将嘈杂的价格数据转化为平滑的趋势信号，再结合趋势斜率生成交易信号。

在 PLTR 股票上的实测结果表明，无论是短周期还是长周期，该策略在总收益、夏普比率和最大回撤等关键指标上均优于简单的买入持有策略，且样本外测试同样验证了策略的有效性。

不过，正如原文所强调的，任何回测结果都不能直接等同于未来表现。该策略的收益高度依赖于少数大趋势行情，实际部署前需要进行更全面的 Walk-Forward Optimization（步进前向优化）验证，并充分考虑不同市场环境下的适应性。

对于 Python 量化交易的学习者来说，这个案例是一个很好的起点——它涵盖了信号滤波、策略构建、回测框架和样本外验证等核心环节，代码结构清晰，易于扩展和改进。

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：350+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. 量化投研实战课程：赠送《AKQuant-入门及实战》《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、AKQuant和PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！