博客

SAX（Lin-Keogh 2003/2007）把时间序列变成字符串的三步流水线：z-normalize → PAA 分段平均 → 高斯等概率断点离散，128 个点的窗口压成 8 个字符的词。它的杀手锏是 MINDIST 下界性质：词距离永不超过真实欧氏距离——3000 对随机游走实测违反率 0.00%，这让哈希桶预筛选保证零漏检。合成价格实验：5 处植入的 V 形反转模体，SAX 词哈希在 (w=6, a=5) 参数下 F1=1.00 完美检索，全程只有字典查找、无距离计算。参数热力图诚实展示敏感性：F1 从 0.28 到 1.00 剧烈波动，词太短撞词、太长碎片化。三盆冷水：等概率断点的高斯假设被肥尾收益率违反、z-norm 抹掉波动率量纲让盘整与崩盘同词、符号匹配≠预测力。与 Matrix Profile 对比：SAX 是倒排索引式召回，MP 是精确最近邻，实盘管线的正确姿势是 SAX 粗筛 + 欧氏/MP 精排。

tick/成交量/美元 Bar 共享一个盲区：只数活动的量，不看方向。1000 手买对轰 1000 手卖是均衡市场，2000 手连续买是知情交易——前三种 bar 一视同仁。Tick 失衡 Bar 把切分条件换成失衡量：逐笔方向 ±1 累加，失衡绝对值触阈值就切一根。12 万笔受控模拟（中段植入 p=0.68 持续买方失衡）实测：知情区段采样密度 30.2 vs 平静期 2.7 根/窗口，自动加密 11 倍；bar 长度中位数 1653→162 tick，bar 长度成了免费的知情强度指标；平方收益 ACF 从 0.335 压到 0.039，波动聚集被吸收进采样密度。代价：EWMA 阈值自举脆弱、bar 数不可预算、tick rule 误判在单边行情系统性放大。A 股：Level-2 BS 标志可跳过 tick rule，但 T+1 下 TIB 定位是特征时钟而非交易时钟（高阶）

监督学习做量化最脏的活是打标签：固定视野法『20 天后涨了标 +1』把标签质量绑死在拍脑袋的 h 上，震荡段标签高频翻转（实测 0.121 次/天）。Trend Scanning 改问『哪个尺度上趋势最显著』：多窗口滚动 OLS 取 |t| 最大者，符号定方向、大小定置信度。教科书没写的坑：对价格水平跑 OLS 残差高度自相关，t 值极度膨胀——随机游走上 max-|t| 的 90 分位实测高达 21.8，照抄 |t|>2 等于不设阈值。null 分布校准后：覆盖率 17.3% 但真实趋势段准确率 98.4%、震荡段误报仅 4%。下游对照（同特征同模型只换标签）：固定视野样本外 Sharpe 0.20、sign(t) 1.02、校准阈值+t 值加权 2.25。三条边界：标签窗口含未来信息仅供训练、多窗口取 max 是多重检验（null 校准顺带治好）、趋势显著不等于趋势延续。

「每 5 分钟切一根 K 线」是全行业的默认习惯，但日历时间是市场的旁观者：新闻爆发的 1 分钟塞进上千笔交易，午间死寂的 1 小时只有零星报价，等时间采样把这两者塞进同样大小的格子——高活动期信息被压缩、低活动期噪声被放大。Clark 1973 的 subordination 定理给出理论出口：如果价格是被『交易活动量』这个随机时钟驱动的布朗运动，那么在活动时钟下观察，收益就回到正态。合成实验（每笔收益严格 iid 正态、仅活动强度带 AR(1) 持续性 + 日内 U 型 + 新闻爆发）验证：同一段 21.6 万笔逐笔数据、相同 bar 数量，时间 Bar 收益超额峰度 3.52、JB 统计量 496、平方收益自相关 0.13 显著——肥尾与波动聚集全是采样时钟制造的伪影；换成成交量 Bar 后峰度 0.04、JB≈0、ACF 归零，收益变回教科书正态。这对 ML 管线是根本性利好：多数模型隐式假设样本同分布，成交量时钟在数据层面完成了『去异方差』。实操三坑：拆单与算法交易让 tick 计数通胀（成交量比笔数稳健）、阈值须随活动水平漂移而更新、A 股午休跨段 bar 需显式处理（中高阶）。

做市商最怕的不是波动，是『毒性订单流』——对手方比你知道得多，你挂的每一笔限价单都是送给知情者的免费期权。Easley-López de Prado-O'Hara 的 VPIN 把这种毒性做成了可计算的实时指标：按成交量切桶（信息以量到达而非以时钟到达）、用桶收益的正态 CDF 做 BVC 批量分类拆买卖量、再取滚动 50 桶的|买卖失衡|/总量。6 万 tick 合成闪崩市场实测：知情卖压积累期 VPIN 从正常均值 0.411 抬到 0.625，越过正常期 95 分位阈值的首次报警比闪崩早 8764 个 tick——毒性积累是渐进的，崩塌是瞬间的，这个时间差就是 VPIN 的全部价值。VPIN 五分位与未来 2000 tick 已实现波动单调递增（相关 0.52），毒性确实是波动的先行指标。三盆冷水：2010 年闪崩『预警』有事后择参之嫌（Andersen-Bondarenko 用不同参数复现失败）、BVC 分类误差在最关键的高毒性时段最大、VPIN 高读数≠方向信息——它告诉你该撤单，不告诉你该做多还是做空（高阶）。

大模型在股市预测中的机遇与挑战 - halo的技术博客

量化因子挖掘的实战方法论：从数据到Alpha - halo的技术博客

Cooper、Gulen 和 Schill 2008 年的发现至今仍是横截面定价里最强的异象之一：总资产增长率最高的公司未来一年系统性跑输增长最慢的公司，效应强度超过规模、动量甚至价值。但『资产增长』不是一个同质变量——真实投资机会驱动的扩张、帝国建设式的过度投资、股价高估时的择时增发，对未来收益的含义完全相反。本文用 4000 家公司的受控模拟拆解：AG 十分组未来 12 个月收益从 +4.8% 单调塌到 -4.9%；同样的高增长按主导成分分组，真实机会 +1.4%、帝国建设 -0.4%、择时增发 -4.2%——负收益几乎全部来自增发圈钱；事件路径呈现『先赢后输』的镜像结构；多空组合 Sharpe 1.10 但空头腿贡献了三分之二。附完整 Python 与四类实施陷阱（中阶）。