标签： #python

波动率目标组合(VT)：不预测方向，只用过去已实现波动做 w_t=σ_target/σ̂_t 缩放敞口。合成市场(年化波动 30.6%)下把波动砍到 15.9%、回撤从 −86% 压到 −56%。附完整 Python 与六类真实陷阱（中阶）。

你算出两根序列相关 0.35、策略收益自相关 0.18——这是真有结构，还是随机数据碰巧撞出来的？Ljung-Box Q 检验把「直到滞后 h 的全部自相关」打包成一个卡方统计量，用 p 值回答「这批自相关能不能被白噪声解释」。本文用合成白噪声、AR(1) 与拟合残差三类序列，从零复现 ACF、Q 统计量与蒙特卡洛功效，并点明滞后阶选择、短期记忆误判、小样本、多序列族错误四类真实陷阱（中阶）。

回测跑出 1.5 的夏普很爽，但它真的不是运气吗？经典 t 检验在收益非正态、自相关、样本短时会严重失真。本文用 iid bootstrap 重抽样,在「零假设=无 alpha」下重建夏普的分布,直接算出 p 值:真 alpha 策略 p=0.015 当场现形、纯噪声策略 p=0.47 无所遁形。并附功效分析与四类真实陷阱(中阶)。

你有 50 个宏观指标,每个都有噪声和各自的惯性,共同趋势被淹没在面板里。动态因子模型(DFM, Stock-Watson 2002)主张:真正驱动一切的只有少数几个『共同因子』。两步法把 8 条指标压成 1 条因子,与真实共同因子的相关从单条指标的 0.51~0.82 拉到 0.91。本文从零复现并拆穿三类真实陷阱(中阶)。

传统压力测试要么拍脑袋设情景、要么只能重演历史。熵池化(Entropy Pooling, Meucci 2008)用最小相对熵(KL)，在「满足一个压力观点」的约束下，找离历史先验最近的那条后验分布——于是「2008 股灾概率抬到 22%」不再是凭空编的情景，而是对历史分布的一次可量化「最小手术」。本文用 3 资产、4000 情景从零复现，并点明离散约束数值不稳定、过拟合观点、灾难定义主观性三类真实陷阱（进阶）。

Markowitz 优化「一期期望效用」,但长期复利最终由几何增长率(Kelly)主导。Cover 的遍历组合(Universal Portfolio)不预测下一期,而是把所有「恒定再平衡组合 CRP」用指数权重铺开,在长期几乎必然逼近事后最优 CRP——无需任何预测。本文用 3 个独立同漂移资产的合成面板真实跑通:最优 CRP 内部解 (0.30, 0.00, 0.70) 比最好单资产多赚 6.6%(再平衡溢价)、比等权多赚 2.0×;并诚实拆穿遍历组合 260× 财富差距只是「铺满 G 个 CRP 的有限网格楔子」,不是额外 alpha(中阶)。

一个因子(风格因子、宏观因子、文本情绪因子)本身往往不可直接交易——你没法在交易所「买入价值因子」。但 APT / 因子定价框架要求每个因子对应一个「因子模拟组合(FMP)」,它的收益跟该因子相关性最高,于是抽象因子被投影成一组可交易资产的多头-空头权重。本文用真实数值演示:怎么用 w = Σ⁻¹·Cov(R,f) / 𝟙ᵀΣ⁻¹Cov(R,f) 闭式解造出 FMP、它和因子相关性从等权的 0.376 拉到 0.739、以及关键的「因子 Sharpe 上界 vs FMP 实现 Sharpe」边界(损耗 17.7%)。附完整 Python 与六类真实陷阱(中阶)。

你造了一个候选新因子,回测漂亮——但它到底是真增量,还是旧模型(比如市场因子)早就解释过的东西换了个皮?因子跨越检验(spanning test)干的就是这件事:检验「新因子的载荷是否联合为零」。本文用 Huberman-Kandel / GRS 型联合 F 检验,在 8 个测试组合上跑两个对照——冗余因子(F=0.19,p=0.99,不拒绝H0)vs 真增量因子(F=6.11,p≈0,拒绝H0,真实载荷 0.5 被还原成 0.51)——把「新因子有没有增量信息」从嘴炮变成可计算的统计判决。附完整 Python 与六类真实陷阱(中阶)。