- 商品通道指数 CCI 实战：±100 通道反转背后的典型价格偏差怎么算
CCI（Commodity Channel Index，商品通道指数）是 Donald Lambert 在 1980 年提出、却常被当成「超买超卖摆荡器」误用的指标。它的真身是一段「典型价格偏离其统计中轴多少个平均绝对偏差」的标准化读数：CCI = (TP − SMA(TP)) / (0.015·MD)。本文用纯 numpy 从零实现 CCI 全公式，把「CCI 上穿 −100 做多、下穿 +100 平仓」的通道反转规则，在一段「震荡为主、夹两段趋势」的合成行情上做无前瞻回测：CCI 策略总收益 +107.9%（年化 25.9%、Sharpe 2.50、最大回撤 −10.1%），同期买入持有 +78.4% 却吃下 −23.7% 回撤。并诚实拆穿区间依赖/0.015 常数迷思/趋势市踏空/钝化/参数脆弱五类真实陷阱（中阶）。
14 min Chinese - 对比学习金融表征：不用标签，也能把「同行业」和「跨行业」拉开
监督学习要标签，金融标签又贵又滞后。对比学习（Contrastive Learning）走另一条路：不预测「是什么」，只学「什么和什么像」——把同行业股票拉近、跨行业股票推远。本文用纯 numpy 从零实现 SimCLR 风格的 InfoNCE 预训练（两层 MLP 投影头，端到端训练），在 42 支股票 / 3 行业的合成数据上，把它和「直接用原始特征」做下游少标注探针对比：每行业只给 1~3 个标注时，对比表征把分类精度从 0.50/0.54/0.58 抬到 0.57/0.61/0.61，且增益随标注变多而收敛——正是「标签越稀缺越值得预训练」的教科书结论。附完整代码与五类真实陷阱（中阶）。
12 min Chinese - 核心卫星策略配置框架：用 70% 被动核心 + 30% 主动卫星，把稳健和锐度都装上
做配置最纠结的不是「买什么」，是「稳健」和「锐度」打架：全买指数怕错过 alpha，全做主动怕回撤裸奔。核心-卫星(Core-Satellite)把这事拆成两层——大头(核心)买宽基指数拿市场 beta + 低成本，小头(卫星)做主动策略博超额。本文用合成宇宙的 mu/sigma 解析算出：纯被动期望年化 7.0%(Sharpe 0.33)、核心-卫星(70/18/12)抬到 8.3%(Sharpe 0.44)、纯卫星到 11.0%(Sharpe 0.58)，并用成分风险贡献证明核心占 70% 权重却只扛 ~72% 波动——卫星用小仓位撬动了不成比例的收益。附完整 Python 与五类真实陷阱(中阶)。
10 min Chinese - CTA 多品种趋势跟踪：用 12 个低相关市场的「共同信条」把危机变成利润
传统组合崩盘时所有人都亏钱，CTA 趋势跟踪却常在危机里赚钱——因为它不赌方向，只赌「有趋势」。12 个低相关市场（股指/国债/商品/外汇）各自跑 Donchian 通道信号，危机段风险资产急跌、避险资产急涨，多品种同时赚钱就是危机 alpha。本文用纯 numpy 合成 12 市场 + Donchian 通道，证明 CTA 多品种 20 年 Sharpe 0.79、最大回撤仅 −8.5%，且 6 次危机段累计 +17.4%（同期 60/40 −23.4%），并诚实拆穿四类真实陷阱（中阶）。
10 min Chinese - 双重机器学习 Double ML 因果估计：把「被混淆的因果」剥离干净
你算出「低波动股跑赢」就敢说低波动「导致」高收益吗？两者可能都被某个隐藏变量驱动——这是因果推断的死穴：混淆。双重机器学习 Double ML (Chernozhukov et al. 2018) 用两阶段机器学习（随机森林纯 numpy 从零实现）估计「处理→结果」之外的所有混淆路径 g(X)/f(X)，再用交叉拟合 cross-fitting 残差化，把处理效应 θ 从相关里撬成因果。自洽合成面板（Y=θ·D+g(X)+ε, D=f(X)+ν, g 与 f 共享非线性项）上：朴素 OLS 估到 1.88（真值 1.50，偏差 +0.38）、线性残差化 Double ML 仍 1.90（偏差 +0.40，抓不住非线性混淆）、随机森林 Double ML 压到 1.60（偏差 +0.10，蒙特卡洛 100 次 SD≈0.02）；并诚实拆穿 RF 收缩偏误/无交叉拟合必过拟合/混淆变量遗漏/模型误设/PLM 线性假设五类真实陷阱（中阶）。
16 min Chinese - 基本面指数加权 vs 市值加权：为什么「不按价格配」反而赚更多
市值加权被动指数有个隐藏缺陷：它自动超配被高估、近期上涨的股票。基本面指数（RAFI，Arnott 2005）改用销售额、现金流、账面值、股息等「真实经济规模」而非价格来定权重，等于每年自动「低买高卖」。本文从零合成 50 只股票（真实基本面增长 + 均值回复的错误定价），对比两种加权：基本面加权终值 43.31x（年化 13.38%）跑赢市值加权 26.80x（年化 11.58%），且换手率更低、更抗集中度。附完整 Python 与五类真实陷阱（中阶）。
13 min Chinese - GAN 生成金融序列与数据增强：用造假的数据喂饱你的模型
深度学习模型永远缺数据——尤其小市值、新上市、危机段，样本少得可怜。GAN（Goodfellow 2014）的卖点是"从噪声生成和真实分布几乎一样的合成序列"，于是有人想：能不能用 GAN 造一批假 K 线，喂给下游模型做数据增强？本文用纯 numpy 实现（协方差匹配的 WGAN 等价解），在"牛熊 regime + 时变波动"的合成价格上把生成序列的协方差 Frobenius 误差从 199 压到 1.94，边缘分布和逐位移自相关都与真实肉眼难分；并诚实实测"数据增强的红利"：小样本（仅 30 真实窗口）+ 高容量下游模型下，7x 增强把最差切分 AUC 从 0.934 拉到 0.963、方差砍半——增强的真正价值是稳住最差情况，不是凭空抬均值。附完整代码与五类真实陷阱（中阶）。
12 min Chinese - 高斯过程回归在金融预测中的应用：不仅给点预测，还给你一张可信度地图
线性回归只给一个点估计，深度学习连不确定性都给不清。高斯过程（GP）回归的卖点是「均值 + 协方差」一体输出：预测的同时，直接吐出每个点的预测方差。本文用纯 numpy 实现（RBF 核 + 边缘似然超参优化 + Cholesky 求解），在「滞后波动率→次日波动率、且藏了一段概念漂移」的合成数据上，给它画出分布内/分布外的可信带，并诚实拆穿它最核心也最危险的陷阱：平稳核在分布外会过度自信。附完整代码与五类真实陷阱（中阶）。
14 min Chinese
返回