博客

Black-Scholes 假设波动率为常数，于是同标的、不同行权价的隐含波动率该是平的；但真实市场弯成微笑。Dupire（1994）把波动率写成「依赖于标的现价 S 和到期 T」的局部函数 σ_loc(S,T)，从整张期权价格曲面 C(K,T) 反推出它。本文用自洽合成数据从零跑通「正向 PDE 解出价格曲面 + Dupire 公式反演恢复」的闭环，并诚实点出 ATM 奇点、微笑套利、无模型风险三类真实陷阱（中阶）。

MACD 不是印钞机，而是一把「趋势尺」。本文从 EMA 差分讲清 DIF/DEA/红绿柱的数学含义，用无前瞻回测(信号次日开盘交易)证明：在合成趋势-横盘交替市场里，MACD 没有创造超额收益(年化 13.7% vs 买入持有 17.6%)，但它把最大回撤从 −35% 砍到 −18%——它的真价值是「风控开关」而非「alpha 源」。并诚实点出滞后性、横盘鞭锯、参数敏感、前瞻偏差四类致命陷阱(初阶)。

12 个资产的日收益协方差矩阵，前 3 个主成分就能解释 92.8% 的截面波动——这意味着资产收益的「联合运动」其实由少数几个宏观因子驱动。本文用 PCA 把高维协方差降维成「宏观因子定价」：先用合成的真实因子结构展示前 3 主成分恰好对应市场/价值成长/商品通胀三因子，再把 PCA 收缩应用于协方差估计，证明在短估计窗口下，最小方差组合因去噪而波动率更低、月度换手率直降 42%，附完整 Python 与五类真实陷阱（中阶）。

再平衡听起来只是「把漂移的权重拉回目标」。但朴素做法要先卖成现金、再买成目标，来回两道成本；真要做最小摩擦，应该让「谁该减仓的资产」直接换给「谁该加仓的资产」。本文用最优传输（Wasserstein / Earth Mover's Distance）把再平衡重写成一个最小成本运输问题，scipy 线性规划从零求解，量化它比现金中枢省 50% 摩擦，并利用折价配对（实物/篮子交易）再降一截，最后用 W1 距离作再平衡触发器，回测年化节省 41% 交易成本，附完整 Python 与五类真实陷阱（中阶）。

你只能观测到带噪声的市场报价,却想知道藏在背后的「真实隐含波动率」——这是个标准的状态估计问题。卡尔曼滤波要求状态方程和观测方程都是线性高斯的,可真实波动的噪声明明是异方差、非高斯的。本文用一套合成数据,从零实现 SIR 粒子滤波(序贯重要性重采样),从被噪声淹没的观测里还原隐含波动率路径,并对照线性高斯卡尔曼滤波,证明粒子滤波 RMSE 低 36%,把整套可复现 Python 给你(中阶)。

量化交易员的一天：策略研发到实盘的全流程揭秘 - halo的技术博客

你用正态假设算出 5% VaR = -3.8%，意思是「只有 5% 的日子会亏更多」。可一遇到市场紧张，亏损远超这条线的日子占到 16.6%——正态 VaR 在高压区彻底失灵。问题出在它假设波动恒定、分布对称。分位数回归（QR）用检查损失函数直接拟合「条件分位数」，让 VaR 随一个压力代理变量自适应移动，同时捕捉异方差和偏度。本文用合成异方差+左偏收益，从零实现 Pinball 损失与 QR-VaR，并点明压力变量选择、过拟合、尾部外推、回归vs模拟四类真实陷阱（中阶）。

你看到某天波动率从 1.2% 跳到 3%,这是真实跳跃还是采样噪声?已实现方差 RV(收益平方和)把『连续扩散波动』和『瞬时跳跃』一股脑混在一起,根本分不清。Barndorff-Nielsen-Shephard 的双幂变差 BV 用相邻收益绝对值的乘积,对跳跃免疫、只估连续积分方差;再用 RV−BV 把跳跃变差剥出来,并用 RV/BV 比值做跳跃检验。本文用高频 GBM+泊松跳跃合成数据,从零复现 BV 估计、RV/BV 检测与波动分解,并点明日内频率、微观结构噪声、有限样本、非交易时段四类真实陷阱(中阶)。