博客

点预测只能回答『明天涨多少』，但交易真正关心的是『明天涨跌的完整分布』——上分位能不能突破止损、下尾会不会踩雷。本文用 numpy 从零实现 Breiman 的分位数回归森林（Quantile Regression Forest）：把随机森林的叶子权重 reinterpret 成条件分布的加权经验测度，在异方差合成数据上同时估计 5%/25%/50%/75%/95% 条件分位。实验表明 QR 森林的平均 Pinball Loss 仅 0.239，与异方差 RF 残差基线（0.240）持平，但远胜错误同方差假设（0.381，+59%）；条件覆盖最大绝对误差仅 0.031。附完整 Python 代码与四张真实计算图。

Markowitz 组合优化在带非凸约束（交易成本、 Cardinality、行业上限）时变成 NP-hard，经典梯度法和模拟退火都容易卡在局部最优。量子退火用横场提供的量子涨落穿透势垒而非翻越势垒，在高维非凸目标函数上找到了更好的全局最优。本文从 Ising/QUBO 编码出发，用 numpy 从零实现量子退火的经典模拟器，在 12 资产 + 因子结构的数据上做 20 次滚动窗口测试，量子退火的样本外 Sharpe 中位数比模拟退火高 0.3–0.5，比 Markowitz 高 0.2。附完整 Python 与三张真实计算图。

绝对位置编码让 Transformer 把『第 20 天』和『第 21 天』当成两个毫不相干的坐标，完全丢掉金融序列最宝贵的周期与相位结构。RoPE（旋转位置编码）用旋转让注意力内积只依赖相对距离，而把 θ 设为 2π/P 后更把『相距 P 天 = 同相位』直接编码进注意力。本文 numpy 从零实现周期调制 RoPE，证明周期目标上的外推 RMSE 从 0.71（无位置）砸到 0.00，频率扫描在真实周期处呈 V 形谷，多周期信号多维 RoPE 训练区+外推区双零误差。附完整 Python 与四张真实计算图。

金融收益的尾部风险远比正态假设预测的更厚，传统参数方法（GARCH、t分布）在极端分位点仍然系统性偏差。本文用分数匹配（Score Matching）从原始收益数据直接估计整条概率密度——不假设分布族、不依赖MLE的尾部外推，用核密度与数值score估计把VaR从『正态幻觉』拉回真实数据。受控实验证明：t₄分布下正态VaR在1%水平低估极端损失达3.2pp，而分数匹配几乎贴紧真实分位点。附完整Python实现与三张真实计算图。

因子池越铺越大，但同一时刻真正能预测收益的因子往往只有少数几个，而且会随市场状态切换。稀疏专家路由（Sparse Expert Routing）用一个小门控网络依据可观测市场上下文，动态给每个因子打路由权重、再只保留 top-k 个做预测——既压缩噪声又保留适应性。本文用纯 numpy 从零实现一个带负载均衡损失的 MoE 因子路由，在受控数据上证明：稀疏 top-3 路由 OOS IC 达到 0.315（Oracle 上界 0.678、无均衡的稠密门控仅 0.190），且负载均衡损失把门控塌缩风险压下去。附完整 Python 与四张真实计算图。

Transformer 的注意力是 O(N²)，序列一长显存和时间都爆。状态空间模型（SSM，S4/Gu et al. 2021，S5/2022）走另一条路：把序列建模写成连续系统的离散化，用 FFT 卷积在 O(N log N) 内处理全序列，且状态天然携带长程记忆。本文用 numpy+scipy 从零实现 HiPPO 对角化、双线性离散化与 SSM-as-convolution，真实证明：卷积视角与状态递推逐点差 1.7e-15（数值精度内）；FFT 卷积随序列长度的斜率 0.55（近线性）vs 注意力 1.95（近 O(N²)）；衰减 a=0.99 的 SSM 在「早期事件→末端读出」长程任务上 MSE≈0，而 a=0.5 短记忆与固定窗口基线都≈1.0 失败；并诚实给出 LTI-SSM 的内容选择性短板——同一核无法做「取闸门后 token」，线性读出 MSE=0.324≈随机水平，需用 Mamba 的选择性扫描才补得上。附完整 Python 与四张真实计算图。

信用风险的传统建模是 logistic 回归——产出『未来 12 个月违约概率 PD』。但 PD 抹掉了违约时间分布，而时间分布对组合的预期损失（EL）至关重要：两只 PD 都是 8% 的债券，一只集中在第 2 月（短窗口 EL=100%×8%）、另一只均匀分布到 24 个月（EL≈4%），对组合风险贡献差 2 倍。本文用 Kaplan-Meier 估计 S(t)、用 Cox 比例风险回归拟合 log(hazard) ~ leverage+ROA+intcov，把违约建模成条件风险率而非单点概率。在受控信用组合上 Cox 模型的真实违约时间检出 AUC 0.78 显著高于 logistic 0.64，且在样本外 24 个月真实分布上把预期损失估计误差从 38% 降到 12%。附完整 numpy 实现与三张真实计算图。

回测只告诉你『发生了什么』，但管钱的人真正想问的是『如果当时换了策略会怎样』。相关不等于因果——管理者往往在高波动时更想换策略，这个混淆会污染朴素对比。本文用纯 numpy 从零复现 DoWhy 四步流程（建模→识别→估计→证伪），在受控数据上证明朴素差分把 +0.70% 的真实处理效应低估到 +0.29%，后门调整还原到 +0.74%，且随机打乱处理的安慰剂检验把效应压回 0（±0.02%）。附完整 Python 与四张真实计算图。