标签： #python

经典期权定价把模型参数当精确已知，可波动率 σ 是噪声最大的量，点估计把参数不确定性『藏』掉了。贝叶斯 MCMC 把 σ 当作随机变量，从观测收益里抽后验，再对后验做预测定价——天然给出公允价的可信区间。本文以无解析解的亚式看涨期权为例，用 numpy+scipy 从零实现随机游动 Metropolis，在 GBM 合成数据上把 σ 真值 0.20 用后验均值 0.201 无偏还原，并展示贝叶斯定价 2.88 与点估计 1.10 的分歧来自参数的可观测不确定性。附完整 Python 与四张真实计算图。

固定时间间隔的 K 线（时间 Bar）有个隐藏毛病：市场安静时一根 Bar 几乎没信息，爆发时一根 Bar 挤满信息，于是『等量时间』等于『不等量信息』，还会撞出人造的自相关与波动聚集。不平衡 Bar（Imbalance Bar）反过来：用订单流不平衡 θ=Σ b·v 触达阈值就截断一根 Bar，于是每根 Bar 都携带约等量的信息。本文用 numpy 从零实现不平衡 Bar，在 6 万 tick 合成盘口上证明：750 根时间 Bar 压缩成 156 根不平衡 Bar，收益滞后1自相关从 0.528 砍到 0.048（接近 iid），每根 Bar 的信息量变异系数从 0.596 降到 0.252。附完整 Python 与四张真实计算图。

Black-Scholes 假设价格连续，可股灾里价格是『跳』下去的。Merton 跳扩散有闭式解，但真实市场要联合校准 σ 与跳参数，解析解很快失效。本文用 numpy 从零实现一个两层 MLP，喂 (σ, λ, μ_J, δ, moneyness, T) 六个特征，去逼近 Merton 欧式看涨价格——在 10584 个参数组合上训练，测试集 R²=0.94、RMSE=2.08，并证明网络『学会』了跳跃溢价：期权价随跳跃强度 λ 单调上升。附完整 Python（含手写前向/反向）与四张真实计算图。

均值-方差优化里，最小方差组合（GMV）是唯一不依赖预期收益的解析解，它只吃协方差矩阵。本文用 numpy 从零推导并闭式求解 w=Σ⁻¹1/(1ᵀΣ⁻¹1)，在 8 资产因子模型上算得 GMV 年化波动 18.7%、比等权低 14.2%，并对比等权与切线组合，附完整 Python 与四张真实计算图。

截面动量的预测力不是常数：一个过去 5 日赢家信号，在持有 1 天、10 天、60 天后的 rank-IC 完全不同。本文用 numpy 合成一个 AR(1) 动量状态，量化信号随持有期的衰减曲线，指出短窗重叠会压低 IC、纯动量区在 10 日达峰、长持有期以约 77 天半衰期腐烂，并对比普通月频动量与鲜活周频信号——后者把 Sharpe 从 6.2 拉到 9.1。附完整 Python 与四张真实计算图。

风险平价（等风险贡献 ERC）在桥水全天候里大放异彩，但那是股票/债券/商品低相关的多资产舞台。本文用 numpy+scipy 从零实现长仓 ERC 求解器，在 10 个 A 股行业（高相关、年化波动 22%–40%）上检验：ERC 把风险贡献拉平到 10%、年化波动 22.8%（略低于等权 23.4%），但权重仍均衡在 7.4%–12.5%、样本外净值并未跑赢等权——高相关下「免费午餐」有限。附完整 Python 与四张真实计算图。

经典均值-方差把预期收益 μ 当成精确已知，可 μ 是噪声最大的量——样本一点抖，权重就飞到极端。鲁棒均值方差优化（RMV）在椭球模糊集下对每个权重取 worst-case 期望收益，把『我可能看错了』写进目标函数。本文用 numpy + scipy 从零实现 RMV，在 10 资产单因子合成数据上做 400 次蒙特卡洛：估计误差下名义组合样本外 Sharpe 中位仅 1.16、P5 跌到 −0.52，RMV(γ=2) 拉到 1.46(+25%)、P5 收到 −0.18，权重集中度 HHI 从 0.333 降到 0.185。附完整 Python 与四张真实计算图。

传统 60/40 股债组合的风险敞口是焊死的——市场平静时它嫌不够猛，崩盘时它嫌太暴露。波动目标（Vol-Target）策略用过去 20 日已实现波动估计下期波动，把组合目标年化波动钉在 10%，于是崩盘前波动飙升、自动砍掉 equity 敞口、转配债券。本文 numpy 合成含 2020-03 风格崩盘的 15 年日度数据，对比 VM 与 60/40：VM Sharpe 0.16、最大回撤 -43%，60/40 Sharpe ~0、回撤 -59%。附完整 Python 与四张真实计算图。