博客

配对交易教科书告诉你「两资产 Pearson r 高就能配」。但这只是平均意义下的联动——极端行情下它们会分道扬镳（Gaussian），也会一起崩得更狠（t/Clayton）。本文用受控仿真证明：同样 ρ=0.72 的两资产，Gaussian copula 世界里经验尾部相关 λ̂(0.05)=0.407（独立基准=1.0 → 无尾部聚集），Clayton θ=3 里 λ̂(0.05)=0.527，理论极限 λ_L=0.794。在 t-copula 世界跑标准 z-score 策略，最差单笔亏损是 Gaussian 世界的 2.04 倍（-6.97 vs -14.20）；加入尾部感知过滤后最大回撤从 -432% 压缩到 -232%，最差单笔从 -6.97 改善到 -4.07。安慰剂检验显示：Gaussian 世界的有限样本偏差（λ̂=0.407）是 Pearson 聚集效应而非真实尾部相关，打乱时序后 λ̂→0.047；t-copula 自由度 ν 从 3 扫到 60，理论 λ_L 从 0.465 塌向 0.003（ν→∞ 即 Gaussian），与蒙特卡洛标准误曲线完全吻合。要把 λ̂_L 估计到 ±0.05 精度，N=3000 时 Gaussian SE=0.049，N=200 时 SE=0.171——样本量不够时你的「尾部相关」大概率是噪声（中/高阶）。

深度拆解金融工程师的技能栈：金工这个岗位到底在做什么，需要哪些硬技能和软技能，从量化 C++ 到 GPU 异构计算，从随机微积分到生产级系统设计。

受控模拟里每个参与者的真实身份已知：撤单比在「做市商 vs 填塞者」这个真正的判别任务上 AUC 只有 0.341——比随机猜测还差。零填塞者安慰剂下阈值照抓 12 人，且 Jaccard=1.000 是一模一样的那批做市商。

隐马尔可夫模型（HMM）号称能「让数据自己说话」、自动识别市场状态——但这个「自动」里藏着两个致命陷阱：look-ahead 污染的 Viterbi 全样本解码让准确率看起来很漂亮（80%+），一旦剥掉未来信息、换成因果 Filtering，准确率直接跌回随机水平（≈11%）；而即便模型「猜对了」，状态切换的平均识别滞后高达 99.5 天，熊市开始时中位数滞后 217.5 天——等模型翻多，熊市已经走了大半年。本文用 5000 天受控仿真（真实状态序列已知）+ 纯 numpy 从零实现 Baum-Welch / Viterbi / Forward Filtering，实证揭露：HMM 在高信噪比仿真中仍无法可靠检测状态（准确率 11%），但基于估计状态的顺势配置仍跑出 Sharpe 1.04 vs B&H 0.74 的超额收益——这部分 alpha 来自状态持续性本身，而非状态预测；零状态安慰剂（HMM 喂给 i.i.d. 收益）跑出 Sharpe 119 的「虚假繁荣」，是所有 regime 研究最需要警惕的自欺；K=3 在本数据上最优，但 K=6 的 OOS Sharpe 更高，说明状态数选择本身就是一个过拟合维度（中阶→高阶）。

T+2 改 T+1 的官方理由是「减少风险敞口」，而这句话只在信用桶里成立。6 万笔配售的受控模拟给出与监管叙事错位的账本：信用敞口精确腰斩（0.842→0.421 bp），但操作成本从 0.653 涨到 1.664 bp，节省被吃掉 240.1%，净额 +0.590 bp——风险没消失，只是从「对手方违约」这个几乎不发生的桶，搬进「自己后台来不及」这个天天发生的桶。零摩擦安慰剂是决定性的：STP 设为 100% 后失败率与操作成本精确归零，T+1 立刻变成无争议的净省 0.421 bp——T+1 本身没错，错的是把它装在一个 98.8% 的后台上。分水岭是 STP 盈亏平衡点 99.59%，而跨境只有 94.5%：纯境内净额 +0.223 bp、纯跨境 +1.818 bp，同一条规则给出相反判决。反直觉的是境内失败率放大 6.09 倍、跨境只放大 1.97 倍。买入冲击只占 T+1 成本的 2.4%，失败期价格敞口占 76.8%。单笔 SD 21.73 bp 对均值差 0.65 bp，需 4430 笔才够 |t|=2（高阶）

「必须先打最优报价」听起来天经地义，但受控模拟（12 个场所、4000 笔母单、真实成本成因全部已知）给出的读数是：相对无约束前沿，R611 顺序合规路由多花 1.207bp，其中 0.958bp 来自被迫顺序执行、只有 0.250bp 来自规则本身的排序约束——真正的税不是「打了哪个价」，而是「必须一个一个打」。ISO 扫单豁免把成本压到 −0.145bp，比合规顺序路由省 1.395bp，规则给会用豁免的人开了免费通道。三个安慰剂锁死机制：零泄漏世界里 R611 成本塌到 −0.158bp（成本 100% 来自足迹泄漏而非价格排序）、零延迟世界仍有 +1.143bp（不是闪烁的锅）、零优势世界只剩 +0.207bp。结构性错配最刺眼：小场所设定 71.2% 的 NBBO 却只握有 20.7% 的深度（2809 股），受保护的小额报价里 25.7% 费后反而更贵——而这 25.7% 里显示价严格更优者精确为 0.0%，全部来自 tick 网格把费差压成「同价」。tick 从 5 分细到 0.5 厘，多场打平率从 100% 塌到 6.3%，倒挂率从 49.7% 降到 1.8%。规模效应单调：100 股时规则只花 0.473bp、5 万股时 2.031bp（$508/笔）。诚实边界：退避强度不可观测、单资产单时点、未建模暗池与散户订单流内化（高阶）。

「买便宜的波动」是可转债套利最常见的说法，受控模拟给出的读数却是：付 30% 隐波、股票实现 34%（整整 4 个波动点的边际），两年下来纯波动交易只赚 19.93 美元/张，占买入价 1.93%。同一笔交易的信用利差贡献 +46.61、违约损失 −17.05，净信用 +29.57——真正的钱有 60% 来自那条根本没对冲的腿。全文最硬的是会计口径：加上资金成本后，零边际安慰剂（实现=隐波=30%）的纯波动净额精确归零 +0.23 美元（+0.022%），而分解式与独立精确 P&L 在 4000 条路径上最大偏差 2.42e-13——桶是对的，不是凑出来的。不加资金成本时同一个安慰剂会报 +8.17%，那全是在收无风险利率。波动扫描给出连续图景：纯波动净额恰好在 29.95% 穿零（正是你付的隐波），而总收益平衡点在 25.33%——低于隐波，因为信用利差在补贴你。反直觉的是对冲频率：每日再对冲 Sharpe 0.278 反而最差，21 日 0.287 最优，交易成本从 3.81 降到 1.24 美元的收益压过了 Delta 过期风险。用哪个波动率算 Delta 更反直觉：均值只动 0.23%，标准差却动 2.54%，Sharpe 摆 0.086。样本量红线：单笔标准差 10.28%、6.5% 亏钱，需要 26 个独立头寸才够 t=2

如何训练大模型成为股市预测专家：方法、挑战与实践 - halo的技术博客