博客

蒙特卡洛置换检验：用打乱标签给策略收益算经验 p 值 - halo的技术博客

NIG 正态逆高斯分布：用半重尾分布刻画收益的尖峰厚尾 - halo的技术博客

把一段时间内的买单量减卖单量、除以总量，得到订单失衡 OI ∈ [-1,1]——这是订单流预测里最直白的一个数。它有预测力的机制不是玄学：价格冲击让净买压直接推高价格，而拆单和羊群行为让失衡有自相关、会延续到下一个 bar。5000 个 5 分钟 bar 的模拟实测：OI 最低十分位下一 bar 平均收益 -6.4bp、最高十分位 +4.9bp，十组单调；但预测性衰减极快——OI 与未来收益的相关性从 h=1 的 0.21 跌到 h=5 的约 0，寿命只有一两个 bar。策略实验最诚实：阈值策略毛收益 117%，扣 3bp 单边成本后只剩 12%——3476 次换手把利润基本磨光。它的正确用法是执行择时与已有信号的入场微调，不是独立策略。诚实边界：方向分类本身有错标、失衡可被大单方拆单制造、参数换个市场就要重估（中阶）。

回测过拟合概率 PBO：用组合对称检验量化『选出来的最优』有多假 - halo的技术博客

区组极大值法每个月块只留一个数，剩下 20 个观测全扔——POT（Peaks Over Threshold）是数据效率更高的另一条 EVT 路线：定一个高阈值，把所有超过它的观测都拿来建模。Pickands-Balkema-de Haan 定理保证：阈值足够高时，超额分布收敛到广义帕累托分布（GPD），形状参数 ξ 与 GEV 完全同一个。GARCH-t(5) 模拟 40 年日损失、95% 分位做阈值（504 个超额）实测：GPD 估出 ξ=0.14，KS p=0.93；同样数据 GEV 区组法只有 480 个块。外推对比：99.9% VaR 正态公式报 2.89%、POT 报 4.54%（经验值 4.58%），99.99% 层级正态 3.48% vs POT 7.36%——差一倍以上。附平均超额图选阈值、阈值敏感性走廊（ξ 从 0.09 漂到 0.18 但 VaR 外推稳定在 4.4-4.6%）、ES 闭式解、以及波动聚集破坏 iid 时超额扎堆的 declustering 讨论（中阶）。

一笔买单把价格推高 10bp，这 10bp 里有多少是市场真的学到了东西、有多少只是流动性暂时让步？答案藏在成交之后的价格路径里：永久冲击是回不来的台阶，临时冲击是会指数衰减的鼓包。本文用 κ + θ·exp(−t/τ) 的经典衰减模型模拟 2000 次买单事件，对平均回复曲线做非线性最小二乘，把三个参数几乎无偏地拿回来（κ̂≈4.0bp、θ̂≈6.0bp、τ̂≈5 bar）。核心洞见是执行含义：拆单、放慢只能省临时冲击那一层，永久冲击是信息的价格、怎么拆都省不掉——这条分界线就是所有执行算法成本模型的地基。诚实边界：事件平均要求冲击对订单流平稳、拆解对模型形式敏感、日线数据上 τ 几乎不可识别（中阶）。

贝叶斯思维驯服不确定性：概率编程在量化因子发现中的应用 - halo的技术博客

你回测出一个年化夏普 1.5，兴奋地准备上实盘——但这个 1.5 有多可信？如果只跑了 3 个月、收益还又左偏又肥尾，那这个漂亮数字很可能是运气。传统夏普率有三个致命盲点：不看样本长度（跑 60 天和跑 5 年的 1.5 天差地别）、不看高阶矩（负偏肥尾会让真实标准误暴涨）、不给显著性（永远只有一个点估计，没有置信度）。López de Prado 的概率夏普率 PSR 一次补齐三样：它把夏普率的估计误差用偏度峰度校正后，直接算出『真实夏普 > 基准』的概率。模拟里年化 SR=1.0、跑满一年（252天）的 PSR 只有 0.84——连 95% 门槛都没过；SR 掉到 0.5 时 500 天都难达标。配套的 MinTRL（最小回测长度）反过来回答：要证明 SR>0（95%置信），正态下 SR=1.0 至少需要约 2.7 年、强负偏肥尾下要 2.9 年。5000 条蒙特卡洛验证 PSR 判据的经验行为完全自洽。本文讲清三件事：PSR 公式里偏度峰度到底怎么侵蚀置信度、MinTRL 怎么在开发前就告诉你样本够不够、以及为什么『高夏普 + 短样本』是量化里最贵的自欺（中阶）。