博客

普通自编码器能把 20+ 维量价特征压成 5 维新因子，但它只给你一个"点估计"编码，不知道哪个样本编码得靠谱。变分自编码器 VAE（Kingma & Welling 2014）把编码器变成"一个分布"，每个样本得到一个 (μ, σ²) 的编码高斯——于是除了新因子，你还免费拿到"这个因子值有多可信"。本文用纯 numpy 从零实现 VAE（重参数化技巧 + ELBO），在"3 潜因子驱动收益 + 大量噪声特征"的合成数据上，VAE 组合因子与未来收益 |IC|=0.695，并诚实演示"不确定性到底能不能当信号过滤器"这个反直觉结果，附完整代码与五类真实陷阱（中阶）。

传统捐赠基金大量配债券现金、流动性高但长期收益低。David Swensen 执掌耶鲁后，把债券现金砍到近乎为零，重仓另类资产(绝对收益/私募股权/风险投资/实物资产)+全球股权，用「股权偏好 + 另类分散 + 流动性溢价」三引擎长期跑赢。本文用因子模型算实：20 年(含 2 次危机)耶鲁完整版年化 9.18%(Sharpe 0.53)、终值 7.05x，高于 60/40 的 6.92%(0.48)/4.26x，但最大回撤 −48% 也更深——那是「流动性锁定」的代价。附完整 Python 与五类真实陷阱(中阶)。

大模型金融微调实战 - halo的技术博客

量化开发者技术栈全景图 - halo的技术博客

因子 IC 突然塌了、波动率悄无声息地翻倍了——这些「数据在哪一步变了」的问题，朴素的两段 t 检验只能回答「变没变」，答不出「在哪一刻」。本文用贝叶斯框架把变点（changepoint）建模成随机变量，给出它的后验分布：在我们合成的两段均值+一段方差突变序列上，精确把均值断点定位在 t=121（真值 120，偏差仅 1 步），检测率上限 0.87 远超朴素 t 检验的 0.47。附完整 Python 与五类真实陷阱（高阶）。

线性自相关（Ljung-Box / ACF）只能抓线性记忆，抓不到 GARCH 波动聚集、逻辑斯蒂混沌这类非线性依赖。BDS 检验把「序列是不是 i.i.d.」变成一个可算的统计量：若独立，则 m 维向量的邻近概率应等于 1 维邻近概率的 m 次方。我们在随机游走 / GARCH / 逻辑斯蒂混沌三类序列上把 B 统计量分别钉在 0 附近 / 显著非零 / 极端大，并用 bootstrap 零假设把检验水平校准到 ≈5%、对混沌功效 ≈100%——演示它如何「不误杀有效市场、却不放过非线性」（中阶）。

大多数策略赌方向——涨或跌。但期权给了第三种下注方式：赌「不动」。蝶式（butterfly）和铁鹰（iron condor）是两种在标的窄幅震荡时盈利、剧烈波动时亏损的价差结构，本质是在做多/做空波动率。本文从零复现两者的到期损益结构，用自洽合成数据回测「持续卖铁鹰赚波动率风险溢价」策略：87.2% 胜率、年化 9.6%、Sharpe 1.15，但两次崩盘区快速回吐印证「捡钢镚模式」的致命结构，并诚实拆穿波动率风险溢价来源/尾部风险不对称/隐含已实现口径/滚动展期/流动性五类真实陷阱（中阶）。

裸卖期权是『卖保险收租』，但方向暴露裸奔；日历价差把近月空、远月多捆成一对，让两条腿的 Theta 速度差替你赚钱、Vega 替你对冲、Gamma 是你唯一要管的敌人。本文用 Black-Scholes 从零把 Theta/Vega/Gamma 三条曲线拆开，量化「近月到期时标的小幅徘徊于 K 附近收割钟形利润」的机制，并诚实拆穿 IV crush / 波动率期限结构翻转 / 提前指派 / 流动性错位四类真实陷阱（中阶）。