博客

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）。

马科维茨均值-方差最优解对协方差估计极度敏感：只要资产高度共线，样本协方差的一点噪声就会让最优权重爆成几十倍杠杆。层级风险平价(HRP, López de Prado 2016)干脆不碰逆协方差，而是用相关性距离做层次聚类，把资产聚成一棵树，再自顶向下按子组合波动率二分配置。本文用 12 个合成资产（含一对近复制资产）复现：最小方差解出 2.09 倍总敞口、5 个资产做空、bootstrap 权重 std 0.025；HRP 权重有界、风险贡献接近均衡、bootstrap 权重 std 仅 0.015——它不保证更高收益，但把『估计误差』这条命门堵上了。附完整 Python 与六类真实陷阱（高阶）。

大模型正在重塑金融文本分析：从情感打分到因果推理 - halo的技术博客

N-BEATS 是 2019 年 M4 竞赛冠军——一个既没有卷积、也没有注意力、甚至没有 RNN 的纯残差网络，却把当时所有时序模型按在地上摩擦。它的秘密是「栈 + 残差 + 可学习基函数展开」：每个栈把输入同时做 backcast(拟合已知)与 forecast(外推未知)，残差层层传给下一栈。本文用自洽合成模型从零复现其机制，给出多步预测、95% 区间与对基线的 RMSE 对比，并诚实指出它在一步预测上打不过随机游走，附完整 Python 与六类真实陷阱。

季度 GDP 要等一个半月才知道，市场却天天在交易。Nowcasting 用混频状态空间把月度、周度、日度指标实时揉进对同一季度 GDP 的估计，信息越累积 nowcast 越准。本文用自洽合成模型演示卡尔曼滤波的 ragged-edge 更新、不同信息 vintage 的收敛，并诚实指出混频对齐、结构性突变、幸存者偏差等真实陷阱，附完整 Python 与六类陷阱（高阶）。

信用债投资的核心不是猜方向，而是辨别「相对谁贵、相对谁便宜」。OAS（期权调整利差）相对自身历史的 z-score 是一个干净的信用相对价值信号：利差走阔往往伴随未来超额回报下行。但要把这个信号做成组合，估计利差变动的协方差又会踩进样本噪声的坑。用 Ledoit-Wolf 收缩把噪声压掉，篮子权重从尖峰回到分散。附完整 Python 与六类真实陷阱（高阶）。

上一篇讲了 Almgren-Chriss（AC）怎么把冲击成本和波动风险写进同一个目标，解出一条由 γ 决定的轨迹。本篇换个角度把这套框架用透：①执行期限 T 怎么定——拖久冲击成本低但波动风险高，存在权衡；②最优『交易速率 v*(t)』长什么样，为什么越怕波动越前置；③VWAP 这种成交量加权基准和 AC 最优差在哪；④调度偏一点要多付多少。附完整 Python、连续时间闭式解与六类真实陷阱（高阶）。