博客

『肥尾』被说滥了，但到底多肥？尾部指数 α 给出一个数：P(X>x) ~ x^(-α)，α 越小尾越肥，且 α 直接判决矩的生死——α<4 峰度不存在、α<2 方差都没了。Hill 估计量用前 k 个顺序统计量的对数间距把 α 从数据里榨出来，本文从公式到陷阱走全程：三个已知真值的分布验证（Pareto α=2 估出 2.02 近乎完美，但 t(5) 只估出 3.87——慢收敛尾部的负偏差实锤）；GARCH+t(4) 合成收益的左右尾 Hill Plot（左尾 α̂=2.65，波动聚集把无条件尾部拖得比创新项 t(4) 更肥，这是特征不是 bug）；log-log 生存函数图上幂律直线与正态跳水的视觉对决；Weissman 外推算『百年一遇』：幂律给 16.5% 单日损失、正态给 3.0%，样本内最差实际 7.16% 已两倍于正态的百年一遇。最狠的是 300 次蒙特卡洛的小样本实验：n=250（一年日线）时 α̂=2.52±0.47（真值 3），系统性负偏 + 巨大方差——一年数据测尾部指数等于用体温计量海深。拆穿 k 选择的 Hill horror plot、样本依赖性、外推杠杆三类陷阱（中高阶）。

开盘半小时的涨跌方向，会在收盘前一小时被部分复刻——这是 Gao-Han-Li-Zhou (2018) 在 SPY 上记录的日内动量效应，来源不是玄学而是三股结构性资金：对冲 Gamma 的做市商、盯收盘价的被动基金、日内趋势跟随者都在尾盘同向交易。本文在自洽合成数据上植入传导系数 β=0.10 并完整复现检验流程：开盘-尾盘收益相关性 0.108（t=3.8）、五分组尾盘收益单调递增、策略年化 8.3%（Sharpe 0.73）显著跑赢被动持有尾盘（0.37）；同时用无效应对照组证明——β=0 时同一策略被 2bp 成本磨到年化 -7.9%。β×成本 Sharpe 热力图画出这类高频率低赔率策略的生死线，附完整 Python 与四类真实陷阱（中阶）。

两只关联资产里，谁先动、谁跟随？大盘 ETF 涨了，成份股几秒后跟上；期货动了，现货滞后半秒——这个『谁领先谁』的时间差，是高频交易里最值钱的信息之一。但要从真实 tick 数据里量出这个 lag 极难：两条序列的成交时刻从不对齐，你一旦重采样到固定网格，就把秒级的领先滞后模糊进了分钟级的格子，lag 直接消失。本文把 Hayashi-Yoshida 估计量升级成领先滞后探测器：给一条序列的时间轴整体平移 L 秒再算 HY 交叉相关，扫描所有 L、峰值所在即领先滞后时间。用纯 numpy 造 leader/follower 结构（follower=leader 滞后 8 秒+噪声），完整复现交叉相关峰值精准锁定 8 秒；对比固定网格 last-tick 如何被粗粒度模糊掉 lag；量化样本量与信号强度对 lag 估计稳健性的影响（一天数据 vs 一周数据、ρ=0.2 的平峰 vs ρ=0.8 的尖峰）。附完整 Python 与四类真实陷阱。

从RAG到Agent：大模型量化投研助手的实战构建指南 - halo的技术博客

普通模型换个市场、换个 regime 就得从头训，可新环境往往只有几十个样本，根本喂不饱。元学习换个目标：不学『某个市场的最优参数』，而学一个『最容易被少量样本快速微调』的元初始化。本文用纯 numpy 从零实现一阶 MAML（FOMAML），把每个市场建模成因子→收益的线性任务，任务间共享中心 w0、各自偏移 τ=1.1。200 个训练市场上元训练 300 轮，外层 query 损失从 3.65 压到 1.67 逼近 Oracle 下界 1.00。在 100 个全新市场上只用 K=10 个样本适应：MAML 的 MSE 2.85，碾压忽略任务差异的 Pooled 全局模型（7.75，降 63%）和从零学的 Scratch（3.17）。few-shot 曲线显示 MAML 起点就低、一两步就到位；样本量敏感性揭示真相——K 越小 MAML 优势越大（K=3 时 4.73 vs Scratch 5.75），样本足够时三者收敛。拆穿元学习=预训练、任务同分布假设、内外循环学习率耦合、少样本≠零样本四类陷阱（中阶）。

单一 Hurst 指数假设市场只有一种记忆——大波动和小波动遵循同一个标度律。但真实收益序列的大涨大跌聚集成串、小波动却近似随机游走，一个 H 根本装不下。MF-DFA（多重分形去趋势波动分析）把波动函数升级成 q 阶矩：q>0 放大大波动的标度行为、q<0 放大小波动，得到广义 Hurst 曲线 h(q)，再经 Legendre 变换画出多重分形谱 f(α)，谱宽 Δα 一个数度量『记忆结构的丰富度』。本文用纯 numpy 从零实现 MF-DFA（profile 累积、双向切段、多项式去趋势、q 阶波动函数、谱变换），三类合成序列对照：白噪声 h(q) 水平线且 Δα≈0.006、长记忆 fGn(H=0.7) 整体抬高但仍是单分形（Δα=0.024）、二项级联序列 h(q) 从 0.76 弯到 0.43、Δα=0.61——多重分形性一眼可辨。滚动窗口应用：谱宽在白噪声段均值 0.11，切入波动级联段跳到 0.35，可做 regime 检测的补充仪表。诚实拆穿关键陷阱：打乱检验显示级联序列打乱后 Δα 仍有 0.55——谱宽大部分来自收益分布厚尾而非时序相关，不做打乱对照就把厚尾当记忆是 MF-DFA 文献里最泛滥的错误。另拆穿谱宽=可预测性/小样本负 q 发散/去趋势阶数选择三类坑（中高阶）。

关键词正则抽事件有个死穴：它认得『回购』这个词，却认不出『拟以自有资金实施股份回购』里被拆开的实体，更分不清『茅台回购、格力增持』同一句里两家公司各自的动作。命名实体识别（NER）用 BIO 序列标注 + CRF 转移约束，把一条新闻切成『公司-事件-时间』三元组。本文从零讲清 BIO 标注、CRF 为什么能压掉非法标签路径，用合成金融语料对比正则法与序列标注的分类型 F1（公司 0.61 vs 0.90、事件 0.42 vs 0.83），并诚实指出中文分词、嵌套实体、事件归属三大真实陷阱，附完整 Python（中阶）。

Sharpe 比率把整条收益分布压缩成两个数：均值和标准差——第三阶矩以上的信息全被扔掉。本文构造了两个均值、波动率几乎完全相同的策略：一个偏度 -0.05 的正态型，一个偏度 -3.37 的卖期权型，Sharpe 说它们一样好，但后者藏着单日 -5% 级别的崩盘尾巴。Omega 比率的修复思路是不做任何压缩：给定阈值 θ，把分布切成两半，上半部分的概率加权面积除以下半部分——Omega(θ) 曲线本身就携带全部分布信息，两个矩相同的策略在曲线上一眼分开。用 SLSQP 做 Omega 最优组合权重扫描，揭示一个教科书很少讲的相变：θ=0 时优化器抱紧高 Sharpe 但偏度 -9.3 的卖波动策略，θ 抬到 3.5bp/日后权重瞬间 100% 切换到低 Sharpe 但正偏 +2.7 的趋势策略——阈值就是你对『什么算亏』的定义，定义变了最优组合跟着突变。打穿 Omega 优化的三个死穴：非凸性带来的局部最优陷阱、θ 选择的隐蔽自由度（本质是另一个可过拟合参数）、样本内 Omega 对尾部事件计数的极端敏感（进阶）。