- 波动率风险溢价择时：用 VRP 开关股债配置
波动率风险溢价择时：VRP=隐含波动−已实现波动，是市场为『保险』付的恐慌溢价。VRP 与下月权益超额收益正相关，用 60 分位做开关：VRP 高配股票、低配债券。模拟里 VRP 择时年化 9.0%/SR 0.66/MDD −33.2%，优于买入持有股票(6.8%/−43.4%)，附 Python 与六类真实陷阱。
13 min Chinese - 注意力机制因子：让模型自己决定看哪些特征
把注意力机制从 NLP 搬进多因子选股：用特征级自注意力让模型自己决定看哪些因子，再门控加权出 1 维注意力因子。合成里门控因子 OOS R²=0.59 远超等权平均 0.15（高阶）。
15 min Chinese - 贝叶斯状态空间择时：把『现在是牛是熊』变成后验概率
市场牛熊不是开关而是隐状态。HMM+Baum-Welch EM 估参数、前向-后向算平滑后验 P(牛|全部观测)；后验>0.5 满仓否则空仓：合成回撤 −47%→−9.3%、Sharpe 0.22→0.99，附 Python 与六类陷阱（高阶）。
13 min Chinese - 集成模型平均：把多个弱预测融成稳健 Alpha
集成模型平均不是玄学而是有解析保证：Var(S_M−μ*)=(σ²/M)·(1+(M−1)ρ)，只有模型误差独立(ρ小)才持续降噪。合成里单模型 IC 0.134、40 模型集成升到 0.229，Sharpe 从 1.60 拉到 3.12，附完整 Python 与六类真实陷阱（高阶）。
12 min Chinese - 事件研究 CAR/CAAR：用市场模型量化公告的异常收益
事件研究法是量化「一则公告到底带来了多少超额收益」的标准工具。从市场模型估计正常收益、算出异常收益 AR，再累积成 CAR/CAAR，并用 t 检验判断显著性。从零实现估计窗-事件窗切分、横截面聚合与显著性检验，附完整 Python 与六类真实陷阱（高阶）。
15 min Chinese - FTRL 在线学习组合：用正则化跟随引领历史
FTRL 把「跟随历史最优」写成带自适应学习率与 L1/L2 正则的逐坐标在线更新，移植到在线投资组合。6 资产 3 年合成回测总收益 80.1%、Sharpe 0.94、日均换手仅 3.9%（高阶）。
18 min Chinese - 高频跳跃检测(Lee-Mykland)：从噪声里揪出真实的瞬时跳变
高频跳跃检测(Lee-Mykland)：用局部波动率缩放检验量 L=r_t/ŝ_{t-1} 区分真跳与噪声，Bonferroni 校正多重检验。合成一天 390 分钟、注入 5 跳：LM 命中 5/5、误报 1；固定阈值误报 10。附 Python 与五类陷阱（高阶）。
13 min Chinese - 杠杆厌恶因子(Frazzini-Pedersen)：被杠杆约束压低的低 Beta 溢价
杠杆厌恶因子(原 BaB)不是又一个风险因子，而是质疑 CAPM 本身：受杠杆约束的投资者推高高 β 价格、压低低 β 价格，使证券市场线(SML)被压平、低 β 反而跑赢。从零实现 beta 十分位、SML 检验与杠杆中性组合，附完整 Python 与六类真实陷阱（高阶）。
13 min Chinese
返回