标签： #量化交易

你的模型说明天涨 3%，但你心里没底：这 3% 的置信区间到底多宽？传统误差带要么假设高斯、要么靠经验拍脑袋，一旦分布漂移就崩。共形预测（Conformal Prediction）换了一条路：不假设分布，只用「校准集上的残差分位」构造区间，并且能**在数学上保证**测试集里 (1−α) 比例的点落在区间内。本文用异方差 + 分布漂移的合成数据，从零跑出区间覆盖、有限样本有效性、漂移下朴素法漏覆盖，以及区间宽度 vs 确定性的代价曲线（中阶）。

2008 年雷曼倒下,为什么远在亚洲的股指也跟着崩?风险不是孤立的,它会沿资产间的关系『传染』。Diebold-Yilmaz 连通性框架用 VAR + 广义预测误差方差分解,把『谁在传染谁、传了多少』量化成一张可计算的地图,并派生出总连通度 TCI(系统性风险温度计)和方向性净溢出 NET(谁是传染源)。本文用 5 类资产合成数据,从零复现连通性矩阵、网络图与滚动 TCI,并点明滞后阶、预测期、正交化、样本期四类真实陷阱(中阶)。

风险平价听起来很美——每个资产贡献相等风险。但纯风险平价把你的「观点」也清零了：你明明觉得股票该多配，它偏给你等风险暴露。熵风险平价换一个思路：把权重选择变成「在尊重先验观点的前提下，尽量贴近风险平价」，用最小交叉熵当桥梁——交叉熵衡量「新权重偏离你先验多远」，风险平价当约束。本文用 5 资产真实风格协方差从零实现熵风险平价的 scipy 求解，对照等权/传统风险平价/最小方差/最大熵/先验，量化它如何把「市值偏重先验(股票 40%)」拉成风险贡献 25%/25%/25%/25%/25% 的折中组合，附完整 Python 与五类真实陷阱（中阶）。

一个因子能赚钱，不代表人多的时候还能赚。当大量资金挤进同一个因子（抱团），价格被申购被动推高、横截面暴露塌缩成同方向、短期动量自相关飙升——这恰恰是崩盘的温床。本文用自洽合成面板从零构造「因子估值 z-score / 因子收益自相关 / 横截面暴露离散度 / 资金流规模增长」四个拥挤指标，合成「预热→抱团过载→崩盘」情景：综合拥挤度打分在第 121 天就突破 70 阈值、比崩盘首日（156 天）提前 35 天发出信号，按信号降仓把最大回撤从 −90% 压到 −67%，并诚实点出幸存者偏差、指标滞后、阈值过拟合等六类真实陷阱（中阶）。

因子挖掘全流程：从数据清洗到实盘上线的工程化方法论 - halo的技术博客

因子长期有效，但不同因子在不同宏观环境下表现天差地别：扩张期动量最强，滞胀期质量最稳，过热期价值/规模占优。本文用 4 态马尔可夫宏观制度 + 滞后状态倾斜(规避前瞻偏差)，把等权夏普从 1.13 抬到 1.33，并诚实点出宏观数据滞后、状态误判、交易成本、完美预知上限等六类真实陷阱(中阶)。

机器学习做量化最隐蔽的坑之一：直接用价格（非平稳）会引入伪相关，用收益率（一阶差分）又把记忆全丢掉。分数差分 fracdiff 用 0<d<1 的阶数，在「平稳」与「记忆」之间取折中。本文换一个应用视角——不是做特征，而是用 fracdiff 选 d 来服务「样本外预测」：在差分序列上拟合 AR(1) 外推，发现预测误差随 d 呈 U 形，最优 d≈0.65，并在多预测期上证明平稳化的优势随外推越远越明显。配 3 张真实图表与完整 Python（中阶）。

期权交易里，价格只是表层，真正决定盈亏的是它背后的风险因子——Greeks。Delta 告诉你「标的方向动一点亏多少」、Gamma 说「Delta 自己动得有多快」、Vega 管波动率、Theta 管时间、Rho 管利率。本文用 BS 模型从零算出价格/Delta/Gamma/Vega/Theta/Rho 并画出完整曲线，再用风险地图(标的价格冲击×波动率冲击)把二阶敏感度可视化，最后用蒙特卡洛对比「未对冲 / 仅 Delta / Delta+Gamma」三种对冲的 P&L 方差——依次从 1.95 降到 0.19 再到 0.012，并诚实点出「Gamma 对冲要用第二个期权/离散再平衡/凸性缺口/铁幕假设」四类真实陷阱（中阶）。