标签： #量化交易

你只能观测到带噪声的市场报价,却想知道藏在背后的「真实隐含波动率」——这是个标准的状态估计问题。卡尔曼滤波要求状态方程和观测方程都是线性高斯的,可真实波动的噪声明明是异方差、非高斯的。本文用一套合成数据,从零实现 SIR 粒子滤波(序贯重要性重采样),从被噪声淹没的观测里还原隐含波动率路径,并对照线性高斯卡尔曼滤波,证明粒子滤波 RMSE 低 36%,把整套可复现 Python 给你(中阶)。

你用正态假设算出 5% VaR = -3.8%，意思是「只有 5% 的日子会亏更多」。可一遇到市场紧张，亏损远超这条线的日子占到 16.6%——正态 VaR 在高压区彻底失灵。问题出在它假设波动恒定、分布对称。分位数回归（QR）用检查损失函数直接拟合「条件分位数」，让 VaR 随一个压力代理变量自适应移动，同时捕捉异方差和偏度。本文用合成异方差+左偏收益，从零实现 Pinball 损失与 QR-VaR，并点明压力变量选择、过拟合、尾部外推、回归vs模拟四类真实陷阱（中阶）。

你看到某天波动率从 1.2% 跳到 3%,这是真实跳跃还是采样噪声?已实现方差 RV(收益平方和)把『连续扩散波动』和『瞬时跳跃』一股脑混在一起,根本分不清。Barndorff-Nielsen-Shephard 的双幂变差 BV 用相邻收益绝对值的乘积,对跳跃免疫、只估连续积分方差;再用 RV−BV 把跳跃变差剥出来,并用 RV/BV 比值做跳跃检验。本文用高频 GBM+泊松跳跃合成数据,从零复现 BV 估计、RV/BV 检测与波动分解,并点明日内频率、微观结构噪声、有限样本、非交易时段四类真实陷阱(中阶)。

马科维茨有效前沿的最优权重是「误差最大化器」——样本估计里一点噪声，权重就跳到极端。Michaud(1998) 的重抽样有效性换思路：自助抽样 B 次重估前沿，在同一目标下取权重再平均，把估计误差摊平去噪。本文用 5 资产真实风格参数从零实现，对照经典 MV，把目标组合波动从 12.0% 压到 7.9%、样本外累计更平滑，附完整 Python 与五类真实陷阱（中阶）。

你有 600 个因子、30 个经济含义分组，但只有 6 个组真有信号——普通 Lasso 会把整组零碎系数逐个挑出来，破坏分组结构、也难解释。稀疏组 Lasso(SGL) 用「先组级、再组内」的复合 L1 惩罚，把变量选择变成「整组进/整组出」+「组内精炼」两步。本文用高维(N<P)合成面板从零实现 SGL 的 FISTA 近端梯度求解，5 折交叉验证选 λ，对照 OLS/Lasso/GroupLasso：OLS 样本外 R² 崩到 −3.58（过度记忆），SGL 拉回 +0.18，并找回 86% 真信号组的系数，附完整 Python 与四类真实陷阱（高阶）。

Merton (1969) 用随机控制把「该投多少风险资产、该花多少」从拍脑袋变成闭式解。本文从财富 SDE 与 HJB 方程讲清最优股权敞口 w*=(μ−r)/(γσ²) 与最优消费率 κ* 的推导，用 3000 条蒙特卡洛路径对比最优/低配/过度杠杆三类投资者，并诚实点出 CRRA 不现实、参数恒定、忽略交易成本、以及「Merton 最大化的是效用而非财富中位数」四类致命局限(中阶)。

Swaption 是利率衍生品里最标准的「波动率期权」：买的是未来某天进入一个利率互换的权利。本文用 Hull-White 短期利率模型做全路径蒙特卡洛估值，给出平价互换利率 S(T_e)、远期年金 A、payer swaption 到期 payoff 与现值的完整闭式，再用二分法把 HW 扩散 σ_HW 校准到市场 20% 对数正态 vol(ATM 价精确对齐 0.0152)，并诚实点出「HW 常数 σ 压制波动率微笑 / 扁平曲线使 forward 确定性 / 利率模型 vs 波动率模型是两层不同校准 / 单因子无法拟合整条波动率曲面」四类真实局限(中阶)。

经典 GARCH 假设「好消息和坏消息对称地推高波动」，但股灾里「跌比涨更恐慌」是铁律：同样 3% 的跌幅带来的波动跳升，往往大于 3% 涨幅。本文用一套合成的真实波动数据，从零实现 TGARCH(1,1) 与 EGARCH 的 MLE 拟合，量化「同等 ±3% 冲击，跌幅比涨幅多推高 9% 条件方差」，并给出把杠杆效应写进波动率预测、风险预算与期权对冲的完整 Python（中阶）。