标签： #量化交易

回测只告诉你『发生了什么』，但管钱的人真正想问的是『如果当时换了策略会怎样』。相关不等于因果——管理者往往在高波动时更想换策略，这个混淆会污染朴素对比。本文用纯 numpy 从零复现 DoWhy 四步流程（建模→识别→估计→证伪），在受控数据上证明朴素差分把 +0.70% 的真实处理效应低估到 +0.29%，后门调整还原到 +0.74%，且随机打乱处理的安慰剂检验把效应压回 0（±0.02%）。附完整 Python 与四张真实计算图。

NLP/CV 里『预训练一个大模型、下游零样本/少样本迁移』的范式，正被搬进金融时间序列。本文用 150 个合成『市场』实验，证明：在 100 个历史市场上学的共享权重，能直接在 50 个未见市场上做一步收益预测，且对数据稀缺的尾部市场并不更差——这是『基础模型』范式的核心卖点。附完整 Python 与四张真实计算图。

协整让两只价格「长期绑在一起」，但绑定的强度(协整向量 β)本身也会漂移。本文把 VECM 的误差修正项直接写进卡尔曼滤波的状态空间：把 β_t 当成随时间演化的隐状态，每来一个新价格就用序贯更新把它重新估出来。在 1000 天合成数据上，融合模型对真实 β 的跟踪 RMSE 仅 0.0117，价差残差标准差比静态 β 低 25.5%(0.0723 vs 0.0971)，且 ACF 检验证实价差平稳、价格非平稳。附完整 numpy 实现与四张真实计算图。

一只基金名叫「主动精选」，收你 1% 管理费，持仓却 95% 贴着沪深300。Cremers 的 Active Share 量化了这种「暗中指数化」：AS = 0.5·Σ|w_i − w_bench|。本文用可复现模型证明，当基金管理人技能固定时，管理费会吃掉低 Active Share 基金的全部主动收益——盈亏平衡阈值恰好落在 AS≈0.25，与学界实证吻合。附三张真实计算图（毛/净主动收益、TE-IR、权重偏离对比）与全部陷阱标注（中阶）。

为什么原油现货涨了你期货却亏钱？拆解展期收益（Roll Yield）：Contango 如何悄悄吃掉你的本金，Backwardation 又如何白送你收益。附完整 Python 曲线carry回测。

投资者把信用利差当成「违约概率的影子」——利差越高，说明市场觉得它越可能违约。但真实世界里，一个 BBB 债的利差里，违约补偿常常只占四分之一，剩下四分之三付的是「不好卖」和「别人恐慌时的风险溢价」。本文用可加三因子模型把观测利差拆成违约补偿 / 流动性溢价 / 风险厌恶溢价三块，用真实计算的月度面板证明：平静期非违约成分占投资级 77%–97%，危机期更高；并给出把利差全当违约补偿会高估违约概率 4 倍的定量证据，附完整 Python。

当一只债券从投资级被下调到高收益，真正的伤口往往不是评级本身，而是评级档案里那些自动触发的抛售条款。本文把一只「堕落天使」的价格下跌拆成两块——真实信用恶化 + 指数基金/受限账户的机械性抛压，用 Kyle 式冲击模型算清窗口期有多深、流动性有多关键，并给出监测框架与对冲思路，附完整 Python 与四张真实计算图。

FOMC 决议之后到次日开盘之间有可度量的漂移，且与利率 surprise 的关系是非线性的：小意外（+3 到 +8bp）的解释力大于极端意外。本文用受控蒙特卡洛造出 200 个合成事件，证明 overnight drift = α·surprise + β·sign(surprise)·√|surprise|/(1+uncertainty/5)，分桶后 IR≈0.92、最大信号桶 +3 到 +8 bp 给到 +1.42% 平均漂移。给读者的实操清单：什么时候做 directional、什么时候做 straddle、为什么不要在 ±20bp 极端意外上开仓。附完整 Python 与三张真实计算图。