博客

基金季末要披露持仓，于是有动机在最后几天买入本季赢家、卖出输家——让报表看起来英明。12 年 48 个季度、300 只股票的模拟把这个效应量化：季末最后 3 天赢家减输家价差 53.16bp（t=6.02，81.3% 的季度为正），新季度前 3 天反转 -55.90bp（t=-7.17），反转覆盖比例 105.2%——涨出来的全吐回去了，这是「价格压力」而非「信息」的判定性证据。但真正决定这项研究成立与否的是三个对照：非季末月末同一套算法只有 5.92bp（t=0.95，不显著），排除了月度再平衡流的解释；随机日期安慰剂 14.29bp（t=1.94）刚好卡在临界值，说明短期动量本身贡献了约四分之一，必须扣除；无粉饰压力的纯净市场跑出 -7.22bp（t=-0.85），确认引擎不造假信号。横截面识别更硬：同为赢家，高机构持仓组 +5.21bp、低机构持仓组 -8.20bp。可交易性则很骨感——单边 15bp 成本下 Sharpe 从 1.74 掉到 0.76，盈亏平衡成本约 26bp；容量墙在 5 亿元（净收益 -1.45bp），30 亿元时成交完成率只剩 60.4%。附一个隐蔽 bug 复盘：分季度写入收益时，下一季的赋值会覆盖上一季注入的反转压力

Python量化回测入门：用Backtrader搭建你的第一个策略 - halo的技术博客

大模型在量化交易中的应用：从因子挖掘到策略生成 - halo的技术博客

从零训练大模型做股市预测：一条真实的工程路径 - halo的技术博客

量化研究员都在研究什么：六个主流方向的现状与前景 - halo的技术博客

Anticor（Borodin-El-Yaniv-Gogan 2004）是在线组合选择里的『统计套利派』：它不追求 Cover/ONS 那种最坏情况遗憾界，而是直接押注一个可证伪的经验假设——资产间存在滞后交叉相关，刚跑赢的资产的动能会传导给与它正相关滞后的资产。算法用相邻两个窗口的交叉相关矩阵决定资金搬运方向：后窗口里 i 跑赢 j 且 corr(i前,j后)>0，就把 i 的部分权重搬给 j。1500 日 60 日块轮动市场实测：w=90 时终值 10.62，把事后最优 CRP（1.42）按在地上摩擦——但窗口敏感性扫描揭示这是刀尖上的收益：w=8 时终值 0.03（亏掉 97%），从 0.03 到 10.62 横跨 300 倍，w 与轮动周期的匹配是生死线。趋势市对照：单边行情下 Anticor 终值 1.04 vs 买入持有强者 1.27——反复给落后者输血是均值回归策略在趋势世界的结构性税负。三盆冷水：无任何遗憾保证（错误市场里可以亏到接近归零）、窗口选择本质是对轮动周期的隐性预测、日均 4% 换手在成本下的生存空间。与 Cover/EG/ONS 的世界观分野：保证派 vs 押注派，Anticor 赢的时候赢得多，输的时候没有底。

模型输出的不只是方向，还有一个被大多数人扔掉的数字：预测概率。Bet Sizing 把它捡回来变成头寸大小——AFML 的映射 m=2Φ(z)−1（z 为概率对 0.5 的标准化偏离）在低置信区间比线性映射 2p−1 更保守、高置信区间加速抬升，天然抑制'刚过 0.5 就重仓'的赌徒行为。1500 日模拟实测同一个预测器三种下注方式：全押 p>0.5 的 Sharpe 1.83/最大回撤 -20.2%，高置信过滤 p>0.6 的 1.79/-7.8%，概率仓位 1.95/-1.8%——收益没变多，但资金暴露按确信度重新分配后回撤压缩一个数量级。两个工程细节决定实盘可行性：仓位离散化（step=0.2 把累计换手压缩 1.5 倍而信号形状不变，否则概率的小数点抖动全变成手续费）；并发信号平均法（同一标的多个存活信号取均值聚合，新信号进场老信号结算时仓位平滑过渡）。前提警告：整套体系建立在概率校准之上，未校准的原始分类器输出直接喂进映射函数比全押更危险（中高阶）

CORN（Correlation-driven Nonparametric learning，Li-Hoi-Gopalkrishnan 2011）把在线组合选择从『对全部历史平均』升级为『只对相似历史优化』：拿最近 w 天的市场窗口和每一段历史窗口算相关系数，超过阈值 ρ 的日子构成『相似市场样本集』，然后只在这些样本的次日收益上做对数最优组合。1250 日反相位周期市场实测：CORN 终值 5.50，事后最优 CRP 只有 1.72，50/50 再平衡 0.94——模式匹配吃到了常数组合结构上吃不到的条件信息，权重轨迹与真实相位逐日对齐，而匹配集同相位纯度只需 66% 就够了。关键对照实验：同波动无模式市场上 CORN 终值 0.71，反而跑输 50/50 的 0.92——模式匹配在没有模式的世界里不是无害的，它把噪声当模式做多余交易。ρ 敏感性扫描完整呈现『噪声混入 vs 样本饥荒』的倒 U 形。三盆冷水：O(T²) 相关计算、低维窗口假相似、以及超额收益本质是对『历史会押韵』假设的风险暴露。