博客

曲线交易的第一课不是「怎么选方向」，而是「你以为你在赌利差，其实你在赌利率水平」。六年模拟曲线实测：收益率日变动的第一主成分（水平）独占 95.3% 方差、斜率只剩 2.0%——等张数 1:1 的 2s10s 组合，盈亏有 74.8% 被水平因子解释、水平 beta 高达 454 元/bp，它根本不是曲线交易，是伪装成价差的裸多头。换成 DV01 中性（2.18 张两年对一张十年）后水平 R² 降到 0.0000、与利差变动相关性 0.999，这才叫「只赌斜率」。全文最反直觉的对照：等张数版本 Sharpe 0.42 反而高于 DV01 中性的 0.24——因为它偷偷加载了 beta，用『赌错了方向』换来的收益不该记在曲线交易账上。三个必须写进风控的坑：DV01 比例自己在漂移 16.3%（CTD 切换/久期衰减）、误设 20% 就把水平 R² 从 0.00 拉回 0.25、单边成本 0.53bp 就吃光全部 alpha（毛 Sharpe 1.01 → 0.24，成本占毛利 75.8%）。真正的收益来源是 carry+roll 而不是价差波动：陡峭化组合净 carry+roll 为 -5.8bp/季度，你在逆风持仓（中阶）

「这段行情有多可预测」不必是玄学：把收益二值化成涨跌符号串估计香农熵率——熵=1 bit/符号意味着彻底随机（任何模型命中率上限 50%），熵越低结构越多。受控实验三种机制对照：iid 块熵 0.9996、动量（延续概率 0.75）0.884、均值回复 0.880——熵对「有没有记忆」敏感、对方向色盲，一个特征覆盖两类可交易结构。延续概率 0.5→0.92 扫描给出单调曲线：熵与最优命中率一一对应，是模型无关的可预测性上界。300 符号滚动熵能把动量段与均值回复段从 iid 背景中挖出。两个深坑：块长过大+样本不足时纯随机也能测出 0.7 的假低熵，必须 2^w≪n；所有熵估计器绝对值均有偏差，只能同参数相对比较。AFML 定位：不做择时开关，做元标注二级模型的环境特征（高阶）

波动率告诉你市场动得多猛，熵告诉你市场动得多『乱』——同样 1% 的日波动，趋势机制块熵 0.956、随机游走 0.980，那 0.024 bit 的差距就是动量策略的全部生存空间。260 段随机 AR(1) 实测：样本内块熵与未来 120 天可预测性相关 -0.65，熵是少数能对『未来』说话的样本内统计量。落地成过滤器：趋势/随机游走交替市场上，35 分位熵阈值让动量 Sharpe 从 0.40 升到 0.50、最大回撤从 0.54 砍到 0.25、持仓时间只剩 35%——它赚的不是更多的钱，是躲掉的亏损。三盆冷水最值钱：符号编码丢掉幅度信息（跳空 8% 和阴跌 0.1% 同为一个 0）、窗口-块长组合的统计量噪声大到 60 天窗口只够分辨『很乱』和『不那么乱』、低熵只说明有结构不说明结构是什么——均值回复段的低熵会诱导动量满仓接刀。熵过滤器的正确定位是否决权而非指挥权：它有资格说『这段别交易』，没资格说『这段该做多』（中阶）。

把采样间隔从 30 分钟压到 5 秒，两个真实相关 ρ=0.7 的资产测出来的相关系数会跌到 0.08——不是市场变了，是估计器坏了。Epps 效应的主因是异步交易：清淡资产的最新价大部分时间是几秒前的旧价，previous-tick 对齐让高频收益大量配对到「新信息 vs 旧价格」，相关性被机械稀释。40 个模拟交易日的受控实验完整复现衰减曲线（5s: 0.08 → 60s: 0.49 → 600s: 0.69≈真值），机制分解实验证明同步观测对照组在所有频率下都测得 0.7——衰减 100% 是观测机制造成的伪影。组合风险端的传导：h=10s 估计的相关矩阵让等权组合年化波动被低估 3.6 个百分点，高频协方差矩阵制造系统性的分散化幻觉。Hayashi-Yoshida 估计量按「时间区间重叠」配对收益，无需网格对齐，但对微观结构噪声不设防——实测在带噪声数据上给出 0.29，比中频 previous-tick 更差。实操建议：统计套利配对用 5-15 分钟采样+HY 交叉验证；A 股注记：涨跌停与集合竞价的额外坑（高阶）

EG（Helmbold-Schapire-Singer-Warmuth 1998）是在线组合选择里的『轻量派』：Cover 通用组合要对整个单纯形做指数开销的积分，EG 只用一行乘性更新——每天把权重乘上 exp(η·相对收益) 再归一化，计算量 O(m)，天然保持权重为正且和为一。翻倍-暴跌交替市场 3000 日实测：η=0.01 的 EG 对数财富 175.0，紧咬事后最优 CRP（b*=0.70，对数财富 107.6 的遗憾仅 6.7），而买入持有波动资产归零（2e-271）。η 敏感性扫描呈单谷形：η=0.01 遗憾 6.7 最优，η=1.0 遗憾 273——乘性更新对学习率的容忍度远比教科书想象的窄。regime 切换市场上 η=0.15 终值 85.2 vs η=0.03 的 59.1：理论最优的小 η 在结构突变市场跑输大 η，因为 O(√T) 遗憾界是对最坏情况的保险，而切换市场奖励快速适应。日均换手仅 0.39%、50bp 成本下终值只从 85.3 降到 78.9——EG 是三兄弟（Cover/EG/ONS）里最便宜的。三盆冷水：√T 遗憾比 ONS 的 log T 慢一个量级（对手够坏时差距真实存在）、乘性更新永不清零导致死资产权重衰减极慢、EG 追的是 CRP 基准而 CRP 本身在趋势市就是弱基准。

回测好看不等于特征有用——不打开黑箱，你不知道模型赚的是 alpha 还是巧合。受控实验（3 信息特征 + 3 冗余复制品 + 6 纯噪声）暴露两套主流工具各自的说谎方式：MDI（树内不纯度减少）给纯噪声也发 0.04+ 的非零重要性且永不为负，替代效应让 I_1 与它的两个复制品 R_1/R_2 三分天下（0.179/0.179/0.167），单看排名会以为有三个独立因子；MDA（OOS 置换退化）把噪声干净归零（≤0.0006）但冗余特征互相'顶班'——置换 I_1 时 R_1/R_2 还在场，损失退化被系统性低估。修复方案是聚类 MDA：相关特征整组同排置换，G1 组重要性 0.247 一举显形，是单列置换的 5 倍。三条铁律：MDI 只可比较不可检验、MDA 必须配 Purged CV 否则泄漏伪装成重要性、特征重要性分析先于回测而非之后。A 股因子普遍多重共线（规模/流动性/波动率纠缠），聚类版几乎是必选项（中高阶）

全凯利在理论上增长最快，在实践里几乎总是错的。年化 8%/波动 18% 的资产 f* = 2.47 倍杠杆，20 年 × 400 条路径实测：全凯利中位增长 9.5% 但中位最大回撤 80.6%，半凯利用 7.1% 的增长换回撤降到 51.5%——增长率对仓位是二次函数（k=0.5 保留 75% 增长），回撤对仓位是指数惩罚。解析式 P(回撤>D) = D^(2/k−1) 给出残酷账单：全凯利一生撞上 50% 回撤的概率是 50%，半凯利只有 12.5%，蒙特卡洛圆点几乎落在理论曲线上。但分数凯利最硬的理由是参数无知：10 年日频数据估 mu 的标准误 5.7%，与 mu 本身同数量级，把估计误差灌进仓位公式后 k=1.5 的负增长概率飙到 41%，而 k=0.5 中位增长 7.4% 反而与全凯利的 7.7% 几乎打平——估计误差面前，多扛的杠杆几乎白扛。三盆冷水：k 本身也依赖被估错的参数（分数化是缓冲不是豁免）、肥尾市场里连续时间解析式系统性低估尾部（跳空一夜越过全部止损）、多资产凯利需要逆协方差矩阵——估计误差被求逆放大后，实务中 0.2-0.5 倍凯利加总杠杆上限才是常态（中阶）。

离散度交易完整拆解：指数方差恒等式反解出隐含相关性（数值往返误差 5.6e-17），30 只成分股平均波动 29.3% 而 ρ=0.35 时指数波动仅 17.9%，中间 11.4 个百分点就是策略要做多的分散化收益。1000 天模拟给出相关性风险溢价 8.57 个相关点、86.1% 交易日为正，但溢价在危机期塌成 -1.3 点——保险费恰在赔付时消失。47 笔不重叠交易毛 Sharpe 3.13，扣执行成本后 n=30 降到 2.68、n=100 只剩 1.75，n=500 净边际被吃掉 83% - halo的技术博客