标签： #量化交易

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。

LLM 嵌入把新闻与公告等金融文本压成稠密向量，是连接文本与截面模型的桥。本文用可复现模拟讲清无监督 PCA 几乎挖不出信号、监督映射才能把收益方向对齐出来，并点明嵌入漂移、前视偏差与维度灾难三大真实陷阱，附落地 pipeline 与完整 Python。

美式期权没有 BS 封闭解，因为提前行权是最优停止问题。Longstaff-Schwartz(2001) 用最小二乘蒙特卡洛把它变简单：模拟路径、倒向回归、比较继续持有与立即行权的价值。从零实现，给出提前行权边界、收敛性，并对照欧式价验证美式≥欧式。

市场冲击是交易成本里最难估的一项。本文用因果推断视角把冲击拆成临时与永久两部分，点破朴素 IS 把市场波动也算进你的账单，并用外生市场因子构建无交易反事实基线分离真实冲击，附平方根律扫描、TCA 落地与六大真实陷阱。

风险平价只把风险切匀，最大分散化组合(MDP)更进一步——直接把「分散化比率」最大化：用 Σ^{-1}σ 把低波动、低相关的资产推到前台，让组合波动远低于等权平均水平。从零推导、与风险平价/最小方差对比，并给出真实陷阱。

用 Nelson-Siegel 三因子模型把 11 个期限的收益率曲线压缩成「水平 / 斜率 / 曲率」三个可解释因子，Python 完整复现曲线拟合、因子时序与载荷分解。

在线 RL 在交易里等于拿真金白银探索，几乎不可用。Offline RL 只用历史数据学策略、不与环境交互，但朴素离线 Q 因分布偏移给未支持动作虚高估值、策略幻想、收益崩塌。本文用可复现 Python 演示这一失败，并给出行为克隆 / 保守 Q 学习(CQL)解法与落地清单。