博客

对比学习用「同标的增强视图=正对、不同标的=负对」把股票压成可迁移表征。但负样本怎么选，决定模型学到的是噪声还是真信号。本文用 numpy 从零复现四类负采样：难负例（高相似、确属异板块）把 InfoNCE 损失压到 0.355、下游分类 1.000；错标签负例（没剔除同板块）损失飙到 7.28、准确率掉到 0.276；随机负例易满足却学最浅。并做难负比例消融：纯难负反而不如适度混入——倒 U 形态。附完整 Python 与四张真实计算图。

深度学习因子模型 IC 高，但每笔预测都是黑盒——监管问你'为什么选这只票'，你拿不出可审计的理由。决策树把预测拆成一条条 if-then 规则，每条规则有明确的覆盖率和 IC，天然合规。本文从 numpy 实现一个简化版 CART 决策树因子模型，在合成数据上证明：深度 3 的决策树 OOS IC=0.072，虽低于 MLP 的 0.091，但全部 5 条规则可逐条审计、逐条设限、逐条关闭——合规代价为零。附完整 Python 实现与四张真实计算图，含规则提取、覆盖分析、IC 对照与合规评分。

经典 Markowitz 是一个二次规划，靠数值 solver 解出来，因此没法把梯度回传到前端的收益预测模型。本文把组合权重用 softmax 参数化、把均值-方差效用当作可微损失，用梯度上升直接「解」这个优化问题——整个优化层可反向传播。我们用 200 次蒙特卡洛证明：无正则的样本 Markowitz 样本外 Sharpe 被估计误差压到 4.90，把 L2 权重收缩(为主)与熵分散(为辅)写进可微目标后，样本外 Sharpe 回升到 5.98，逼近 Oracle 的 5.94。附完整 numpy 与四张真实计算图。

金融时间序列数据稀缺且标注成本高，扩散模型（Diffusion Model）通过前向加噪与反向去噪的迭代过程，能够生成保持真实统计特性（厚尾、波动聚集、长记忆）的合成数据。本文用 Python 从零实现 DDPM 骨架，在受控实验中证伪三个常见直觉，并给出条件生成与数据增强的实务框架。

券商、私募、银行理财子各自握着一批选股数据，但监管与商业壁垒让它们无法把数据池到一起。联邦学习(Federated Learning)让多方只交换模型参数、不交换原始样本，就能联合训练一个比各自单打独斗更准的选股模型。本文用 numpy 从零实现 FedAvg，在受控 non-IID 数据上证明：FedAvg 的全局测试准确率 0.891，逼近集中池化的 0.893，却把纯本地不共享的 0.778 甩开 11 个百分点；并诚实给出差分隐私的精度代价与三条实战红线。附完整 Python 与四张真实计算图。

行为克隆（BC）是'照葫芦画瓢'——把专家的每个动作都回归下来。但它有两个硬伤：演示里夹带的噪声会被一并背进策略，且它从不理解专家'为什么'这么做。生成对抗模仿学习（GAIL, Ho & Ermon 2016）换了个思路：不复制动作，而是训练一个判别器去分辨'这是专家轨迹还是我的轨迹'，再用判别器的输出当奖励去训练策略，形成生成器与判别器的对抗博弈，等价于在匹配专家的状态-动作占用分布。本文用纯 numpy 从零实现一个带 dropout 的小 MLP 版 GAIL，诚实给出三个结论：GAIL 能从随机策略经对抗训练把真实回报从 -2.93 拉到 -1.65、判别器最终被'骗到分不清'（准确率 0.49→0.50，奖赏信号耗尽）、动作分布还原出贴近专家的形态；但也诚实标注——在单步 iid 模仿里 BC 直接回归更高效（BC -0.28 vs GAIL -1.70），GAIL 的真正优势场在序贯/误差累积场景。附完整 Python 与四张真实计算图。

原始因子信号常常「脏」：同一板块的股票本该共享行业 beta，可个股噪声把板块共性搅得七零八落。本文用 numpy 从零实现图卷积网络(GCN)的消息传递，把 120 只股票按收益相关性建成板块关联图，再让因子信号沿边「扩散」——每只股票的得分被邻居平均，板块内噪声被洗掉、共同因子被提纯。在合成数据上，扩散后整体 rank-IC 从 0.489 升到 0.656(+34.2%)，共同因子 IC 冲到 0.93；但文章也诚实指出代价：个股特异 alpha 的 IC 被平滑到 −0.03，这就是过平滑(over-smoothing)。附完整 Python 与四张真实计算图。

把股票建成一张板块关联图，用 GNN 把跨标的的共同因子「传」给每个节点，本应比只看自身量价更聪明。但层数一深，所有节点会被磨成同一个向量——这就是过平滑（over-smoothing）。本文用 numpy 从零复现：纯 GCN 叠到 16 层 Dirichlet 能量塌到 2.2%、下游分类从 1.000 掉到 0.333（跌破随机 1/3）；并给出三种抗坍塌打法——AppNP 遥传原始特征（16 层仍 0.900）、JK 读头挑最优层（守住 1.000）、以及谱视角的根因：深层传播是反复低通，把板块判别的高频分量抹掉。附完整 Python 与四张真实计算图。