标签： #量化交易

个股从不是孤岛：相关性、供应链、板块联动把 30 只股票织成一张网。本文从零实现 2 层图卷积网络(GCN)，先让它学会预测「系统性重要度」，再用训练好的消息传递把冲击沿网络扩散，量化「hub 暴跌→全网传染」的放大效应，并诚实列出图构建里的真实陷阱。

市场不是一条平稳的随机游走，而是牛、熊、高波动三段「性格」轮流登场。本文从零实现高斯 HMM（Baum-Welch EM + Viterbi 解码），把日收益切成可解释的隐藏状态，给出每个状态的均值/波动/转移矩阵，并诚实列出标签切换、只能描述不能预测等真实陷阱。

有效市场认为价格是随机游走，分形市场假说指出市场有记忆。Hurst 指数把持久性量化成 H>0.5 趋势 / H<0.5 均值回复 / H=0.5 随机游走。本文用可复现代码讲清 R/S 重标极差与滚动 Hurst 检测机制切换，并点明经典 R/S 的有限样本偏差。

把波动率拆成「隐含(IV,前瞻)」与「已实现(RV,后顾)」两张脸，用随机波动率模型真实复现波动率风险溢价(VRP)，并给出做空 VRP 的 Delta 中性策略与尾部陷阱。

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。

配对交易只会两两找协整，但真实市场里常是三只甚至更多资产共享一个共同趋势。Johansen 检验把协整从二元推广到多元：用 VECM 的广义特征值分解，一次性给出协整秩、协整向量 β 与调整速度 α。本文用模拟的三资产数据，从零实现迹检验与最大特征值检验，并演示三组一起开仓的套利组合。

固定对冲比在 regime 切换时会系统性失效。本文用状态空间模型把对冲比建模为随机游走，从零实现卡尔曼滤波估计动态 β，并实证对比静态 OLS、滚动 OLS 与卡尔曼动态对冲的方差削减效果，覆盖配对交易、动态 Delta 对冲与三大实战陷阱。

Kelly 公式回答的不是「买不买」，而是「这笔该下多大注」。本文从离散下注的 f*=(bp−q)/b 推到连续策略的 f*=μ/σ²，用蒙特卡洛画出「增长曲线在 f* 处达峰、越线即转负」与「满仓腰斩概率爆表、半 Kelly 大幅降低」两张真实图景，并点破估计误差、满仓回撤、杠杆约束等致命陷阱。