- 博彩偏好与最大日收益因子 MAX：把彩票性做成可交易的横截面因子
MAX = 过去 21 日最大单日收益，量化了散户最爱的「彩票感」。本文把它从单一异象升级成月度再平衡的横截面因子：多低 MAX / 空高 MAX，验证因子净值、逐月 rank-IC 稳定性、与动量的二维冗余度，并指出 IC 频繁转负 / 卖空不可得 / 涨跌停 / 幸存者偏差四类真实陷阱(中阶)。
13 min Chinese - Ohlson O-score 破产概率建模：用 9 个变量把「会不会死」做成可交易信号
Ohlson O-score 破产概率建模：用总资产规模、杠杆、营运资本、流动性、现金流、资不抵债、连续亏损等 9 个会计变量写出线性 O-score，再用 logistic 映射成「未来两年破产概率」。本文用 Ohlson(1980) 原文口径逐变量实现，验证高 O-score 组困境频率单调上升、长短因子长期为正且对困境风险有定价，并诚实拆穿会计粉饰/幸存者偏差/做空不可得/危机样本稀疏四类真实陷阱(中阶)。
13 min Chinese - Piotroski F-score 财务健康打分：用 9 道题筛出基本面的「病弱股」
Piotroski F-score 财务健康打分：用盈利能力、杠杆/流动性/融资、经营效率三大类共 9 条基本面准则给公司打 0-9 分，专门识别「表面便宜、实则病弱」的价值陷阱。本文用 Piotroski(2000) 原文口径逐条实现，验证高 F 组合显著跑赢低 F 组与市场、按分数桶收益严格单调，并诚实拆穿会计操纵/幸存者偏差/样本失衡/做空约束四类真实陷阱(中阶)。
11 min Chinese - 偏度偏好因子：散户为何为左尾买单、机构如何收割
散户对'彩票型'左尾的超额需求推高了高偏度股票的当前价格，未来必然回归——偏度偏好因子用 iskew 排序、多低偏度空高偏度，模拟里月均 +0.64%、年化约 7.8%、夏普 1.7，但真实落地要过前视、幸存者、微盘流动性、偏度估计噪声与散户泡沫挤兑五道关。
16 min Chinese - Amihud 非流动性溢价：用交易摩擦挖出稳健的选股因子
流动性不是免费的。Amihud(2002)用 ILLIQ=|r|/成交额 度量「砸动价格需要多少钱」，发现过去成交清淡的股票未来平均多赚约 12% 年化——这是少数经得起样本外拷打的异象。本文从定义、Python 计算、五分组多空检验讲到 A股实务，并指出 ILLIQ 极右偏、幸存者偏差、流动性时变三大真实陷阱。
8 min Chinese - 高频因子的日内衰减与统计显著性：开盘最强、午后失灵，多重检验会坑你
高频 / 日内因子的预测力在一天之内是衰减的：开盘前后的信息最强，随着套利者消化、微观结构噪声累积，因子对未来收益的 IC 逐步下滑。本文用模拟数据画出日内衰减曲线、拟合半衰期、用 t 统计量判定显著性，并指出「在 12 个时段里挑 IC 最高的那个报告」必然踩中多重检验陷阱。附完整 Python 实现。
9 min Chinese - 大语言模型的嵌入作为文本因子：把新闻和公告变成可回测的截面信号
LLM 嵌入把新闻与公告等金融文本压成稠密向量，是连接文本与截面模型的桥。本文用可复现模拟讲清无监督 PCA 几乎挖不出信号、监督映射才能把收益方向对齐出来，并点明嵌入漂移、前视偏差与维度灾难三大真实陷阱，附落地 pipeline 与完整 Python。
13 min Chinese - SHAP 与可解释机器学习：让量化因子不再黑箱
机器学习选股模型往往是个黑箱——你拿到一个高夏普的策略，却说不清它到底在押注什么因子。SHAP 用博弈论的 Shapley 值把模型的每一次预测拆解到每个因子头上，既能做全局因子筛选，也能解释单笔交易。本文从零实现蒙特卡洛 Shapley 值估计，并用真实图表展示全局重要性、摘要蜂群图、依赖图与瀑布图。
13 min Chinese
返回