标签： #python

「未来 20 日收益为正就标 1」——这个看起来无害的标注方式，是大多数金融 ML 项目失败的第一块多米诺骨牌：固定时间窗忽略路径（20 日赚 1% 收尾但中途浮亏 15% 也算「成功」），固定收益阈值让标签分布随波动率状态漂移（低波动期全是 0、高波动期全是 ±1，模型学的是波动状态不是方向）。López de Prado 的三重障碍法一次修掉这两个病灶：止盈、止损、最大持有期三道障碍先触先得，障碍宽度按 EWMA 波动率自适应缩放。合成数据实测：固定 ±5% 阈值下标签分布从低波动期的『超时占 27%』漂移到高波动期的『超时占 12%』，自适应阈值在两种状态下几乎不变；同一特征集同一逻辑回归，三重障碍标签的样本外概率校准更贴对角线，配套障碍退出把单笔最差浮亏从 -21.8% 截到 -15.4%——标签定义与退出规则一致，模型学的才是你要执行的东西。第四节直面代价：区间重叠让样本非独立，标准 K-fold 会把泄漏伪装成 IC——这正是唯一性加权与 Purged CV 的动机（中高阶）。

「整条波动率微笑，只需要三个报价就能重建。」Vanna-Volga 是外汇期权柜台三十年的工作马：不引入任何随机波动率模型，直接用市场上流动性最好的三个工具（25Δ Put / ATM / 25Δ Call）的对冲成本修正 Black-Scholes 价格。逻辑是纯交易员式的——BS 假设波动率恒定，于是漏算了 vega（重挂）、vanna（∂Δ/∂σ）、volga（∂vega/∂σ）三个敞口的对冲费用；用三个锚点期权恰好搭出一个匹配这三个敞口的复制组合，组合的市场价与 BS 价之差就是微笑修正。Python 完整实现：解 3×3 线性方程组得对冲权重、修正价反推隐波，重建微笑在锚点覆盖区（±1.2σ）与参考微笑几乎重合；三个希腊字母各定微笑的一个几何自由度——vega 定水平、vanna 定偏斜（ATM 过零的奇函数）、volga 定曲率（两翼大 ATM 小），这正是它只需要三个报价的深层原因，与 SABR 的 α/ρ/ν 一一同构。误差分析给出诚实边界：锚点之间插值精确，两翼外推随期限拉长迅速发散，深度 OTM 与超长期限须换模型；它是插值器不是模型——没有动态、没有一致的联合分布，定价路径依赖产品会出错（高阶）。

方差互换让你直接交易『未来已实现方差』，而它的公允价可以完全不依赖任何波动率模型——只需要一整条行权价上的期权报价，按 1/K² 加权买成一篮子，再配上动态 delta 对冲。本文从对数合约恒等式出发推导复制逻辑，用 Python 验证三件事：1/K² 权重组合对 log payoff 的逼近精度、行权价截断如何系统性低估公允方差（VIX 也逃不掉）、以及跳跃如何撕开复制的裂缝让方差互换多头意外受益。附完整蒙特卡洛验证代码与四类实盘陷阱（中高阶）。

「做空 VIX 期货是全市场最贵的保险生意——你是卖保险的那一方。」VIX 期货长期处于 contango（升水）：期限结构向上倾斜时，期货合约随着到期日临近会沿曲线向下滑向现货，做空者赚取这段滚动收益（roll-down）。它的经济学本源不是无效市场，而是方差风险溢价——市场愿意为『崩盘时波动率会飙升』这份保护持续付费。10 年日度受控模拟拆出三层结构：contango 占比约三分之二、做空 1M 期货年化 8.6% 但最大回撤 -51%，收益分布偏度 -3.7（细水长流 vs 一夜爆仓的经典形态）；最反直觉的实证：基差过滤（仅在 contango>2% 时做空）反而跑输无过滤——因为过滤把你踢出了 backwardation 尖峰后的快速回落段，而那正是空头单笔盈利最肥的区间；2018-02-05 Volmageddon 是这门生意的墓志铭：XIV 一夜 -96% 清盘，杠杆 ETP 的尾盘再平衡需求形成自我强化的轧空螺旋。诚实边界：模拟未含保证金追缴与流动性枯竭，真实崩盘中空头往往在最低点被强平（高阶）。

0DTE（当日到期期权）已占 SPX 期权成交量近半，它改变的不是市场方向，而是波动的『物理性质』。核心机制是 Gamma 的时间集中：模拟显示剩 4 小时的 ATM 期权 Gamma 是 1 月期的 5.8 倍，且随到期临近发散——同样一手期权，0DTE 逼出的对冲流强度高一个数量级。做市商净敞口方向决定日内动力学：800 条路径模拟中，正 Gamma 日对冲流高抛低吸，5 分钟收益自相关 -0.098、日频波动压到 17.0%；负 Gamma 日追涨杀跌，自相关 +0.074、日频波动放大到 19.6%——同一基本面冲击，隔着敞口符号，动量与均值回归策略适用性互换。4000 日模拟显示负 Gamma 日 |r|>2% 的概率是正 Gamma 日的 2.2 倍（10.85% vs 5.22%），尾盘 30 分钟波动强度随 0DTE 占比从 1.36 抬到 1.85。诚实边界：净敞口方向不可直接观测、日内 OI 快照严重滞后、放大机制是条件性而非常态（中阶）。

Roll 估计量的命门是虚数价差——自协方差为正时直接失效，蓝筹股失效率可达 40%。Abdi & Ranaldo (2017) 的解法优雅得过分：日高低价中点 η 几乎不带买卖弹跳，而收盘价带满 ±s/2 的弹跳，于是 (c−η_t)(c−η_{t+1}) 的期望恰好等于 s²/4。本文用日内路径级模拟验证 AR 估计的无偏性（价差 0.2%~4% 全区间贴 45° 线），与 Roll 同台对比失效率与精度（σ=5% 时 Roll 失效近半、AR 的 RMSE 只有 Roll 的一半），并用 60 日滚动窗口复现危机温度计。诚实拆穿隔夜跳空、离散报价、负 s² 处理三类真实陷阱（中阶）。

Kritzman et al.（2011）的吸收比率：滚动协方差特征分解后看前 K 个主成分吸收多少总方差——AR 高意味着资产被公共因子『焊死』，冲击沿传导链放大。它度量脆弱性而非危机：AR 高不预测下跌，只预测『一旦跌会又急又齐』。30 资产两 regime 模拟（15 年）实测：脆弱期 AR 0.78 vs 平静期 0.61，AUC 0.863；ΔAR>1 组未来 10 日波动 17.1% vs 8.4%（翻倍）、左尾 5% 分位 −6.1% vs −2.2%，但收益均值反而最高——预测波动不预测方向。风险开关（ΔAR>1→仓位 30%）：波动 16.1%→10.9%、Sharpe 0.91→1.01、最大回撤 −43.8%→−39.1%，年化 14.7%→11.0%——买保险要付保费。诚实边界：模拟 regime 由因子强度驱动、AR 天生占便宜；减仓日占比 28% 摩擦不可忽略；超参数未调优；AR 与波动率高度相关，增量信息需控制波动率后再检验。

期望收益是组合优化里估计误差最恶劣的输入：20 只资产、真实年化期望收益都在 1%~11% 之间，一年日频数据估出来的样本均值却在 18%~120% 之间狂舞——截面标准差 27.6%，是真实值（2.2%）的 12 倍。Jorion (1986) 的 Bayes-Stein 估计量把每只资产的均值往全局最小方差组合收益收缩，收缩强度由数据里的信噪比自动决定。实测切点组合 OOS Sharpe：样本均值 T=252 时 -0.21（比扔硬币还差），Bayes-Stein 提到 -0.09，而干脆不用均值的全局最小方差组合 0.53、理论最优 0.57。最诚实的结论：收缩把灾难缓解成失望，但均值估计本身可能就不该做——这正是 Stein 悖论在金融里最疼的一课（中阶）。