标签： #python

标准 CRR 二叉树的转移概率是常数，所以只能给一条「平」的隐含波动率。Rubinstein (1994) 隐含二叉树换思路：先由市场微笑用 Breeden-Litzenberger 反推出终端风险中性分布，再用前向归纳反解出每个节点的状态依赖转移概率 p(i,j)。本文从零跑通这条自洽闭环，并用真实数值证明——它定出来的期权曲面在每个行权价都能精确还原市场报价，而固定 p 的树只能压出一条平 IV。

相关性在期权市场里是有价格的。指数期权的隐含波动率，隐含了一个比历史已实现相关性更高的相关性水平——这个系统性偏离就是相关性风险溢价（CRP），一个可被做成因子、可被收割、也可能把你抬走的东西。本文用指数方差恒等式从期权 IV 反推隐含相关性，讲清溢价为何长期为正、分散度交易如何做空它，以及它的左尾风险有多致命（高阶）。

你有 500 个因子、2000 个样本，直接全量回归——回测里 R² 漂亮，样本外一塌糊涂。这不是数据问题，是自由度把噪声当成了信号。Lasso 用 L1 惩罚把系数逐个压到 0，弹性网络再补一道相关性缓冲，把「几百个因子」压成「十几个真有信息量的少数」。本文用合成的多因子面板（仅 15 个真信号 + 成组相关）从零跑出系数路径、稀疏度阶梯与 OOS R² 对比，并诚实披露：L1 解决的是过拟合，不是帮你印钞（高阶）。

Black-Scholes 假设波动率为常数，于是同标的、不同行权价的隐含波动率该是平的；但真实市场弯成微笑。Dupire（1994）把波动率写成「依赖于标的现价 S 和到期 T」的局部函数 σ_loc(S,T)，从整张期权价格曲面 C(K,T) 反推出它。本文用自洽合成数据从零跑通「正向 PDE 解出价格曲面 + Dupire 公式反演恢复」的闭环，并诚实点出 ATM 奇点、微笑套利、无模型风险三类真实陷阱（中阶）。

MACD 不是印钞机，而是一把「趋势尺」。本文从 EMA 差分讲清 DIF/DEA/红绿柱的数学含义，用无前瞻回测(信号次日开盘交易)证明：在合成趋势-横盘交替市场里，MACD 没有创造超额收益(年化 13.7% vs 买入持有 17.6%)，但它把最大回撤从 −35% 砍到 −18%——它的真价值是「风控开关」而非「alpha 源」。并诚实点出滞后性、横盘鞭锯、参数敏感、前瞻偏差四类致命陷阱(初阶)。

12 个资产的日收益协方差矩阵，前 3 个主成分就能解释 92.8% 的截面波动——这意味着资产收益的「联合运动」其实由少数几个宏观因子驱动。本文用 PCA 把高维协方差降维成「宏观因子定价」：先用合成的真实因子结构展示前 3 主成分恰好对应市场/价值成长/商品通胀三因子，再把 PCA 收缩应用于协方差估计，证明在短估计窗口下，最小方差组合因去噪而波动率更低、月度换手率直降 42%，附完整 Python 与五类真实陷阱（中阶）。

再平衡听起来只是「把漂移的权重拉回目标」。但朴素做法要先卖成现金、再买成目标，来回两道成本；真要做最小摩擦，应该让「谁该减仓的资产」直接换给「谁该加仓的资产」。本文用最优传输（Wasserstein / Earth Mover's Distance）把再平衡重写成一个最小成本运输问题，scipy 线性规划从零求解，量化它比现金中枢省 50% 摩擦，并利用折价配对（实物/篮子交易）再降一截，最后用 W1 距离作再平衡触发器，回测年化节省 41% 交易成本，附完整 Python 与五类真实陷阱（中阶）。

你只能观测到带噪声的市场报价,却想知道藏在背后的「真实隐含波动率」——这是个标准的状态估计问题。卡尔曼滤波要求状态方程和观测方程都是线性高斯的,可真实波动的噪声明明是异方差、非高斯的。本文用一套合成数据,从零实现 SIR 粒子滤波(序贯重要性重采样),从被噪声淹没的观测里还原隐含波动率路径,并对照线性高斯卡尔曼滤波,证明粒子滤波 RMSE 低 36%,把整套可复现 Python 给你(中阶)。