博客

马科维茨有效前沿的最优权重是「误差最大化器」——样本估计里一点噪声，权重就跳到极端。Michaud(1998) 的重抽样有效性换思路：自助抽样 B 次重估前沿，在同一目标下取权重再平均，把估计误差摊平去噪。本文用 5 资产真实风格参数从零实现，对照经典 MV，把目标组合波动从 12.0% 压到 7.9%、样本外累计更平滑，附完整 Python 与五类真实陷阱（中阶）。

你有 600 个因子、30 个经济含义分组，但只有 6 个组真有信号——普通 Lasso 会把整组零碎系数逐个挑出来，破坏分组结构、也难解释。稀疏组 Lasso(SGL) 用「先组级、再组内」的复合 L1 惩罚，把变量选择变成「整组进/整组出」+「组内精炼」两步。本文用高维(N<P)合成面板从零实现 SGL 的 FISTA 近端梯度求解，5 折交叉验证选 λ，对照 OLS/Lasso/GroupLasso：OLS 样本外 R² 崩到 −3.58（过度记忆），SGL 拉回 +0.18，并找回 86% 真信号组的系数，附完整 Python 与四类真实陷阱（高阶）。

Merton (1969) 用随机控制把「该投多少风险资产、该花多少」从拍脑袋变成闭式解。本文从财富 SDE 与 HJB 方程讲清最优股权敞口 w*=(μ−r)/(γσ²) 与最优消费率 κ* 的推导，用 3000 条蒙特卡洛路径对比最优/低配/过度杠杆三类投资者，并诚实点出 CRRA 不现实、参数恒定、忽略交易成本、以及「Merton 最大化的是效用而非财富中位数」四类致命局限(中阶)。

Swaption 是利率衍生品里最标准的「波动率期权」：买的是未来某天进入一个利率互换的权利。本文用 Hull-White 短期利率模型做全路径蒙特卡洛估值，给出平价互换利率 S(T_e)、远期年金 A、payer swaption 到期 payoff 与现值的完整闭式，再用二分法把 HW 扩散 σ_HW 校准到市场 20% 对数正态 vol(ATM 价精确对齐 0.0152)，并诚实点出「HW 常数 σ 压制波动率微笑 / 扁平曲线使 forward 确定性 / 利率模型 vs 波动率模型是两层不同校准 / 单因子无法拟合整条波动率曲面」四类真实局限(中阶)。

经典 GARCH 假设「好消息和坏消息对称地推高波动」，但股灾里「跌比涨更恐慌」是铁律：同样 3% 的跌幅带来的波动跳升，往往大于 3% 涨幅。本文用一套合成的真实波动数据，从零实现 TGARCH(1,1) 与 EGARCH 的 MLE 拟合，量化「同等 ±3% 冲击，跌幅比涨幅多推高 9% 条件方差」，并给出把杠杆效应写进波动率预测、风险预算与期权对冲的完整 Python（中阶）。

Black-Scholes 给所有行权价同一个常数波动率，于是隐含波动率该是平的；但真实市场弯成微笑，外汇期权尤其典型。Vanna-Volga（VV 法，又称半解析微笑插值）不拟合整个曲面，只抓三个支柱期权（25-delta put / ATM / 25-delta call），用蝴蝶（凸度）和 Vega（波动率敏感度）把微笑「加」回 BS 价格。本文用自洽合成数据从零跑通三支柱 Lagrange 校正，证明它在支柱处精确还原市场 IV（残差=0），并诚实点出支柱外无套利失控、远端外推爆炸等六类真实陷阱（中阶）。

波动率目标组合(VT)：不预测方向，只用过去已实现波动做 w_t=σ_target/σ̂_t 缩放敞口。合成市场(年化波动 30.6%)下把波动砍到 15.9%、回撤从 −86% 压到 −56%。附完整 Python 与六类真实陷阱（中阶）。

你算出两根序列相关 0.35、策略收益自相关 0.18——这是真有结构，还是随机数据碰巧撞出来的？Ljung-Box Q 检验把「直到滞后 h 的全部自相关」打包成一个卡方统计量，用 p 值回答「这批自相关能不能被白噪声解释」。本文用合成白噪声、AR(1) 与拟合残差三类序列，从零复现 ACF、Q 统计量与蒙特卡洛功效，并点明滞后阶选择、短期记忆误判、小样本、多序列族错误四类真实陷阱（中阶）。