标签： #因子研究

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。

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。

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。

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。