博客

破产能不能在事前被一个数字预警？Altman(1968) 用 5 个财务比率做线性判别，把「会不会破产」写成一条直线 Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5，Z<1.8 困境、1.8~2.99 灰区、≥2.99 安全。合成 120 家公司（健康/破产各 60）用真实系数交叉验证，硬二分类准确率 95.0%、健康组判安全 100%、破产组判困境 100%，两组 Z 均值 3.76 vs 1.14 清晰分离。附完整 Python 与六类真实陷阱（高阶）。

固定百分比止损最大的毛病是不管市场喘不喘气都用同一把尺子——低波动期被噪声洗出、高波动期又止损太宽。ATR 吊灯退出(Chandelier Exit)用真实波幅(ATR)把止损线钉在近期最高收盘下方 k 倍 ATR，并只上移不下移，让防线随波动率呼吸。我们用 8 年合成日频数据对比：吊灯退出 Sharpe 2.32、最大回撤 −6.7%，碾压固定 10% 止损(1.93 / −11.7%)与买入持有(0.39 / −43.1%)，附完整 Python 与六类真实陷阱（高阶）。

财报是法律文本不是真相——当利润表和现金流量表背离时，往往有人在修饰数字。Beneish(1999) 用 8 个相邻两年的财务比率写一个概率式打假分 M，M>−1.78 即高操纵嫌疑。附完整 Python 与六类真实陷阱(高阶)。

日历异象是最古老也最容易被嘲笑的量化命题——月初涨、周五强、五月卖出。但它们真的存在吗？我们用 25 年日频合成数据把三类季节性(月初效应 / 周内效应 / Sell-in-May)逐一做统计检验与净值回测，给出可复现的 Python：月初前3天日均收益 0.036% vs 其余 0.016%、冬季持有 Sharpe 0.70 远超全年持有 0.23，并附六类真实陷阱（高阶）。

净权益发行 NI = 新股发行 − 回购 − 配股。截面规律很反直觉：净增发越多的公司未来回报越低，净回购越多的反而越高。这个被长期低估的「聪明钱信号」背后是管理层择时动机。本文用自洽面板演示十档单调递减、多回购空增发的 L-S 组合（年化约 10%、t≈11），并诚实拆解持续性伪相关、幸存者偏差、市场机制变化等真实陷阱，附完整 Python 与六类陷阱（高阶）。

『周一必跌、周五必涨』是散户最爱的都市传说之一。本文用 20 年日频合成指数（含 GARCH 波动聚集与周内漂移衰减），严格复现 Cross(1973)/French(1980) 式的周内效应：周一 −3.7bp(t=−1.89)、周五 +5.6bp(t=+2.81)，跳过周一把买入持有的 Sharpe 从 0.20 拉到 0.42，但后半段该效应已衰减过半——这恰好解释了为什么教科书说它存在、而你实盘却抓不到。附完整 Python 与六类真实陷阱（高阶）。

Black-Scholes 给期权对冲的是解析 delta，但它有三个隐藏假设：零交易成本、连续对冲、波动率已知。真实市场里这三条全破，于是 delta 对冲会在每次调仓时白白交手续费、在跳空时露风险。深度对冲(Buehler et al. 2019)换了个思路：不套公式，而是用神经网络直接学「每一步该持多少标的」，目标函数就定成对冲误差的方差；交易成本作为惩罚项写进目标，网络自己学会「该偷懒时偷懒」。本文用 GBM 下的欧式看涨、纯 numpy 手写一个 MLP 对冲器（不依赖任何深度学习框架），在无成本时退化到 BS delta，在单边成本 2% 时把对冲误差方差比 BS 压窄约 16%。附完整可复现 Python 与六类真实陷阱（高阶）。

趋势市和随机游走市，在统计上到底差在哪？答案不是『涨跌多少』，而是『有多少可预测的结构』。信息熵（Shannon 熵 + 置换熵）把收益分布的『胖瘦』和『先后次序』量化成一个 0~1 的数字：趋势段熵低（有秩序），随机段熵高（混沌）。滑窗滚动算出来就是一条『市场状态』序列，能当过滤器——只在低熵（有秩序）时段持仓，Sharpe 从 0.36 拉到 4.68。附完整 Python 与六类真实陷阱（高阶）。