博客

TFT（Temporal Fusion Transformer，Lim 等 2020）是少有的「既用 Transformer 注意力、又刻意追求可解释」的时序模型。它靠三道门控——变量选择网络(VSN)、时序注意力(TIA)、门控残差——把「哪几个变量重要、过去哪段历史重要、线性还是非线性重要」全部量化出来。本文用自洽合成模型从零复现这三步，给出变量选择 265× 信噪比、多变量融合 SMAPE 比单变量低 43.7% 的实算结果，并诚实指出注意力可解释性的边界，附完整 Python 与六类真实陷阱。

VVIX 是 VIX 期权隐含的'VIX 的波动率'——恐慌的平方。它能否预测未来 VIX 走向？本文用自洽合成模型从零构造 VVIX、证明它确实领先 VIX 均值回复(IC=-0.195、低高桶单调反转)，并诚实指出朴素日频择时会跑输买入持有，附完整 Python 与六类真实陷阱。

VSTOXX 是 EURO STOXX 50 的'欧洲 VIX'。它和 VIX 同构却更小众：期限结构 contango 为常态、曲线 carry 稳赚但危机翻转日爆亏，而 VIX-VSTOXX 的背离窗口还能做跨大西洋配对相对价值。本文从零构造 VSTOXX 期限结构、跑通 carry 与配对策略，附完整 Python 与六类真实陷阱。

大模型能预测股市吗？AI在金融领域的现实与幻觉 - halo的技术博客

量化回测的七大致命陷阱：为什么你的策略回测漂亮实盘却亏钱 - halo的技术博客

期权价格里藏着市场对未来的完整分布预期，不只是一个隐含波动率数字。Breeden-Litzenberger(1978) 证明：看涨期权价格对行权价的二阶导，乘以贴现因子，就是到期日标的的风险中性密度 q(S_T)=e^{rT}·d²C/dK²。合成 BS+波动率微笑里，含微笑反推的密度偏度 −1.10（肥左尾）、P(S_T<80)=9.17% 是常数 IV 的 1.6 倍、P(S_T<70)=4.84% 是常数 IV 的 8.3 倍——微笑把崩盘概率显性搬到左尾。附完整 Python 与六类真实陷阱（高阶）。

40 只股票的相关矩阵是 780 个数字，看不出结构。把它变成图——节点是股票、边是相关强弱，再用 Kruskal 跑最小生成树（MST），市场会自己裂成清晰的板块簇：每个板块内部连通紧密、跨板块只有少数桥接边。危机期相关性飙升时 MST 会「改道」把原本远的板块拉通，节点度分布暴露出少数枢纽股。用并查集实现 Kruskal，无需 networkx。附完整 Python 与六类真实陷阱（高阶）。

CoVaR（Adrian-Brünnermeier）把「系统性风险」从一句话变成可量化指标：CoVaR_i = 机构 i 陷入自身 VaR 困境时，系统的条件风险价值；ΔCoVaR_i = CoVaR_i − 常态下系统 VaR，即机构 i 对系统的边际贡献。用 6 家机构的因子关联仿真：银行A（关联度最高）ΔCoVaR 最大(−3.34)，信托F 最小(−2.55)，与系统关联度严丝合缝。附完整 Python 与六类真实陷阱（高阶）。