标签： #量化交易

单资产的时序动量(过去涨就继续做多、过去跌就做空)本身信号很弱，一到震荡就被反复打脸。真正的威力在『把它跨资产做』：股、债、商品、外汇四条腿各自打时序动量、各自做波动率目标化，再等风险聚合成一个『宏观动量』组合——不同资产的趋势彼此错开，某条腿被震荡打脸时另几条腿还在赚趋势的钱。本文用 12 年合成四资产面板演示：单资产择时 Sharpe 只有 1.1~1.3，聚合后组合 Sharpe 2.41、年化 12.5%、最大回撤只有 −9.6%，明显优于波动目标 buy&hold(Sharpe 1.95)与原始等权持有(Sharpe 1.48)；并诚实交代趋势信号弱、切换成本、波动率目标的杠杆陷阱、相关性抱团四类实战问题(中阶)。

均值-方差优化只关心平均亏损和方差，对尾部视而不见——于是它会把权重压向『平时最稳、危机最惨』的资产。Rockafellar-Uryasev(2000) 把 CVaR（条件风险价值，即最坏 5% 情形的平均损失）写成一个线性规划，直接把尾部平均塞进目标函数。本文用合成收益(常态高斯 + 5% 灾难跳变)实跑：均值-方差把 100% 砸进肥尾资产4（组合 CVaR 5.93%），而 CVaR 优化主动分散、把资产4 压到 12.7%（组合 CVaR 仅 2.03%）。附完整 Python 与六类真实陷阱（高阶）。

马科维茨最大夏普对协方差估计极度敏感——样本噪声一来，权重就爆成几十倍杠杆、还冒出一堆空头。等风险贡献(ERC / Risk Parity)干脆放弃预测收益，只要求「每个资产对组合总波动率的边际贡献完全相等」。本文用固定点迭代 w∝1/(Σw) 在 6 资产合成上求解：ERC 收敛 263 步、风险贡献精确 16.67%×6(方差 9.7e−33，而等权 9.5e−07)，权重向低波动资产倾斜(最低波动资产拿 41% 权重)；并在高/低相关市场下验证风险贡献依旧均匀。附完整 Python 与六类真实陷阱(中阶)。

相关性在平静时很好用,一到大跌它就骗你:2008 年雷曼倒下那周,所有资产相关性都飙到 1,分散化保护瞬间蒸发。根因是普通相关系数只测「平均联动」,而危机是尾部事件。极值理论(EVT)用阈值超限 + 广义帕累托分布(GPD)专门建模「极端值」,再用尾部依赖系数 λ 量化「一个资产暴涨/暴跌时,另一个也极端的概率」。本文用 4 万次蒙特卡洛证明:同相关系数 ρ=0.6 下,高斯尾部依赖 λ→0(极端不联动、分散化有效),而 t(ν=4) 尾部依赖 λ≈0.31(极端高度联动、分散化崩溃)——这正是一危机就「什么都一起跌」的数学真相(高阶)。

因子不是常量，而是有时强有时弱、且强弱会持续的状态。本文用 5 个合成风格因子的月度收益证明：用因子过去 12 个月收益做信号、做多走强的因子，能把组合 Sharpe 从 0.94 拉到 2.27，且对市场几乎中性（相关仅 0.18），并在文末给出六类真实陷阱（高阶）。

Fama-French 三因子（MKT/SMB/HML）在 1980s-2000s 暴露两大漏洞：它解释不了「高盈利公司未来回报更高」（盈利能力异常）和「保守投资公司未来回报更高」（投资异常）。Fama 和 French 自己在 2015 年给出答案：往模型里加 RMW（高盈利减低盈利）和 CMA（保守减激进投资）两个因子，变成五因子。本文用与 q 因子模型同构的合成面板实跑：RMW 多空 Sharpe 5.51、CMA Sharpe 4.86、HML Sharpe 2.36；在 18 个测试组合上 FF5 平均 R² 0.977 高于 FF3 的 0.973、平均 |alpha| 0.0007 远低于 FF3 的 0.0025，GRS 检验 F 统计量从 55.21 暴跌到 0.65——说明 RMW/CMA 确实补上了 FF3 的洞。附完整 Python 与六类真实陷阱（高阶）。

传统 12 月动量在拐点处最痛——刚追进去就反转。52 周新高因子(George & Hwang 2004)用『价格是否贴近 52 周最高』做拐点过滤：只买那些创了新高(或极度贴近)还在涨的股票。本文用 200 只股票 20 年月度面板从零复现,证明接近度对横截面收益呈单调阶梯、且与 12 月动量低相关,在熊市更抗摔(高阶)。

词典法只能抓字面褒贬词，读不懂「营收不及预期但指引超预期」这种反转。FinBERT 是在金融语料上继续预训练的 BERT，三分类（positive/negative/neutral）直接输出概率，对否定、语境、金融术语的还原力远超朴素词典法。本文用合成截面实跑：FinBERT 与「真实隐藏信号」的相关系数 0.92，碾压词典法的 0.45；按情绪分做多空组合净 Sharpe 约 2.8、年化 22%。附完整 Python 与六类真实陷阱（高阶）。