标签： #python

商品期货多头为什么长期有正收益？凯恩斯的 normal backwardation 给出答案：生产商天然想做空对冲，逼投机者接盘做多，投机者要溢价才肯来。固定种子 20260801 受控模拟 24 个品种、10 年月度数据：把每个品种的结构性套保压力（净空头对冲，用 COT 式代理观测）作为横截面信号，做多高套保压力、做空低套保压力，因子 Sharpe 1.21 远超商品大盘等权 0.56，对大盘 β 仅 0.19、五分位实现收益单调递增（Q1 -0.3% → Q5 16.0%）、10/10 年为正。套保压力与展期收益强正相关（斜率 0.50），印证 backwardation 品种展期为正。四项对抗式检验全过：关掉套保压力（κ=0，50 次均值）因子 Sharpe 0.03、打乱套保压力标签置换 300 次 95 分位 0.71、COT 代理观测噪声越大因子越弱（std=0→1.16、std=3→0.25）。最刺眼的是 look-ahead 对照：用当月收益本身排序刷出荒诞的 Sharpe 22——任何回测出现这种数字必是偷看了未来。

所有教科书都教你「价格不平稳，差分一次变收益」——可这一刀下去，序列的记忆被砍得干干净净：本文合成序列里一阶差分与原对数价格的相关系数只剩 0.005，「现在贵还是便宜」这个信息彻底蒸发。López de Prado 的分数阶差分主张只差 d=0.37 这么多：刚好通过 ADF（p=0.039），同时保住 91.1% 的记忆，捕捉真实均值回归成分的相关系数 0.416（一阶差分只有 0.073）。但本文最硬的发现是反面：FFD 的固定窗口截断本身会伪造平稳性——在真实 I(1) 的纯随机游走上做同样的 d=0.37 分数阶差分，窗宽 311 时 ADF 错误拒绝率高达 73%，窗宽 1669 时飙到 93%，而名义水平只有 5%。同一个数据生成过程换 20 个种子，d* 从 0.00 摆到 0.55（标准差 0.138）；τ 从 1e-2 调到 1e-5，同一个 d 的记忆保留从 99.8% 掉到 29.2%；FFD 与扩张窗口两种实现在同一 d 下相关系数仅 -0.10。四项对抗式检验全过：置换 300 次真实 Sharpe 0.68 超 95 分位 0.53（p=0.020）、随机游走上因果 z 的 Sharpe -0.02 干净归零、全样本 z 的 look-ahead 在随机游走上凭空刷出 0.40（高阶）。

用固定随机种子（20260801）的受控模拟验证 Garman-Klass (1980) 波动率估计量。核心发现：GK 同时吃掉 OHLC 全部四个价格，在纯日内 GBM 下方差效率达到 CC 的 8.42x（远超 Parkinson 的 5.31x、Rogers-Satchell 的 6.50x），标准差从 3.99e-5 压到 1.37e-5——用 200 天数据换到相当于 1680 天 CC 的信息量。但代价藏在假设里：GK 推导默认零漂移，当日漂移升到 0.02 时 GK 从 -11.6% 偏差翻成 +0.2%、再到 0.04 时上偏 34%，而 Rogers-Satchell 从头到尾锚在 -12% 附近纹丝不动——这正是 RS 存在的唯一理由。第二个陷阱与 Parkinson 同源：隔夜跳空对 GK 完全不可见，隔夜/日内比升到 1.0 时 GK 对总方差低估 55.8%，而 CC 始终无偏。四项对抗式检验全过。

本文通过受控模拟验证 Hawkes 过程能否从成交时间戳中估回参数。结果显示：样本量达 2000 事件时，MLE 可将分支比 α̂/β̂ 收敛至真值 0.700 ± 0.109，偏差 <1%；而打乱事件后分支比塌至 0.34，证实估计有效。强度-波动率相关性达 0.81，说明成交密度可预测已实现波动，但方向预测仍是开放问题。分支比 n→1 时方差爆炸、近临界行为在模拟中清晰可见。文章包含 4 张真实模拟图表、4 组对抗式检验。

用固定随机种子（20260801）的受控模拟验证 Hurst 指数的两种主流估计量。核心发现：在真值完全已知的分数布朗运动上，R/S 分析和 DFA 都能把 H<0.5（均值回归）、H=0.5（随机游走）、H>0.5（趋势）三种世界分开，但代价不对称——R/S 在随机游走上系统性上偏（N=64 时 +0.13、N=4096 仍 +0.046，把 0.5 估成 0.55），DFA 几乎无偏（各样本量偏差都在 ±0.01 内）却方差更大（N=64 标准差 0.18 vs R/S 的 0.11）。有限样本是这个指标的命门：短窗口下你分不清『H=0.55 是真趋势还是 R/S 的偏差』。把 H 拿去做实时 regime 判别时，滚动窗口内均值回归段的 H 中位 0.32、随机游走段 0.46 确实可分（识别准确率 61.4%），H 门控均值回归策略 Sharpe 3.63 也确实高于无条件版本 3.20——但对抗式检验给出最重要的警告：在一个真实 H 恒等于 0.5、不存在任何长记忆的纯随机世界里跑同一套滚动 H 门控策略，100 次里最高也能刷出 Sharpe 1.12，均值锚在 0——用滚动 H 挑时点，一半的『alpha』是估计噪声在自我实现。四项对抗式检验全过。

两两配对交易只能处理两只股票，但真正的均值回归常常藏在三只、五只资产的组合里——任何单对都测不出来。Johansen 协整检验用固定种子（20260801）的受控模拟给出答案：三个共享随机趋势的价格 P1/P2/P3，真实协整向量 [-0.6,-0.4,1]，迹统计量在 r=0 处 34.73 远超 95% 临界值 29.80、在 r≤1 处 9.77 低于 15.49，干净地定出协整秩=1。恢复的向量方向误差中位仅 5.67°（P90 13.3°），而两两 Engle-Granger 全线漏判：A-B 只有 6% 的模拟判为协整、A-C 34%、B-C 18%——真协整是三资产的联合性质，拆成任何一对都测不出。但最硬的教训在样本外：Johansen 的特征向量是在样本内挑『最像平稳』的线性组合，哪怕喂三条独立随机游走，拟合出的伪价差在样本内照样刷出 Sharpe——全样本 z（look-ahead）1.31、连滚动 z 都有 0.83，因为 look-ahead 藏在向量本身而非 z 分数里。唯一解药是样本外验证：样本内估向量→样本外应用，真篮子 Sharpe 从 2.30 掉到 0.52、OOS 价差 ADF p=0.175 已不显著平稳。置换检验 300 次，真实 2.27 超过全部上限 1.28。四项对抗式检验全过。

配对交易和对冲的教科书都默认对冲比率 β 是个常数——用一段历史 OLS 回归一次就固定下来。但真实的 β 会漂移：行业轮动、资本结构变化、流动性迁移都会让两只资产的联动强度慢慢改变。固定种子（20260801）的受控模拟：真实 β 从 0.80 缓慢爬到 1.39，静态全样本 OLS 只能给一个平均数 1.065，全程系统性偏离（跟踪误差 MAE 0.146）；卡尔曼滤波把 β 当随机游走状态、用一步预测残差在线更新，MAE 压到 0.090（降 38%）。它同时解决了滚动 OLS 的窗口两难：20 日窗抖动大（MAE 0.44）、250 日窗跟不上（0.13），卡尔曼两头都更好且不用手挑窗口。关键旋钮是过程噪声 δ：δ 太小 β 僵化滞后、太大追噪声，跟踪误差 U 形，最优 δ=1e-5。三个对抗式检验最硬：常数 β 世界里合适的 δ 保持 β 平直（std 0.034），δ 过大会凭空造出伪漂移；对冲残差方差排序 oracle 9.24 < 因果卡尔曼 13.01 < 静态 OLS 15.18——卡尔曼逼近『偷看未来真 β』的理论下限、远优于静态，但永远够不到 oracle；置换检验 300 次真实价差策略 Sharpe 1.45 超过全部上限 0.62。四项对抗式检验全过。

蒙特卡洛天生只会正向模拟路径，可美式期权要在每个时点回头判断『现在行权还是继续持有』——这是个逆向决策，蒙特卡洛本来做不到。Longstaff-Schwartz 2001 用一招破局：在每个可行权时点，对实值路径做一次横截面回归，用现价预测『继续持有的期望价值』，再和立即行权比大小。固定种子 20260801 受控模拟：ATM 美式看跌 LSM 定价 7.965，收敛到二叉树基准 7.974，而对应欧式只值 7.459——那 0.515 的差价就是『随时能行权』这个权利的真金白银。四项对抗式检验全过：LSM 随 10 万路径稳稳收敛到二叉树、2-3 阶多项式就够；样本内定价 7.974 系统性偏高、换新路径用固定系数才得无偏 7.944（LSM 天然向上偏的根源）；无红利美式看涨 LSM 12.338 精确等于欧式 12.336（证明算法不会凭空造出虚假早行权价值）；早行权边界随到期临近单调上升逼近行权价。核心教训：能定价高维美式/百慕大期权的实用算法，靠的不是更复杂的数学，而是一个『回归代替递归』的工程巧思。