标签： #python

标准 GARCH 的方差只依赖冲击的『平方』，天然抹掉了方向——跌 3% 和涨 3% 推高波动一样多。但真实市场里，坏消息比好消息更吓人。本文用 numpy 从零实现 EGARCH 与 GJR 两个非对称波动率模型，在带杠杆的合成数据上证明：EGARCH 正确恢复出负的杠杆系数 γ=-0.096，样本外对数似然 1268 对 GARCH 的 1261，坏消息对波动的冲击是等幅好消息的 1.5 倍以上。附完整实现与四张真实计算图。

Black-Scholes 假设价格连续游走，可股灾里价格是「跳」下去的。本文 numpy 从零实现 Merton(1976) 跳跃扩散闭式期权定价(对跳数次 n 求 BS 无穷级数)，12 万路径 Monte Carlo 校验误差仅 0.019；ATM 期权价 15.38 vs 无跳 BS 9.41(跳变溢价 +63%)，并把价格拆开：连续扩散占 10.6%、跳变占 89.4%。附完整 Python 与四张真实计算图。

动量（momentum）是学术界反复验证、实战中持续有效的经典因子，但它有一条致命的尾巴——动量崩溃（Momentum Crash）：在市场急跌后的暴力反弹中，此前输家因空头回补与低估值而飙升，此前赢家回调，多空组合 WML 在几周内回撤 30% 以上。本文用 numpy 合成一个带崩盘窗口的动量因子，量化这条左尾：崩盘期 WML 累计回撤 -37.9%，5% VaR 从 -3.7% 恶化到 -6.7%，左尾近乎翻倍。附完整实现与四张真实计算图。

最小方差对冲的标准做法是对一堆候选工具做 OLS 回归、用残差当『已对冲』收益。但当你有 200 个对冲工具、只有 150 天样本、且大部分工具只是噪声时，OLS 会过拟合到样本内 R²=1.0、样本外 R²=−322。本文用 numpy 从零实现 PCA 降维对冲：只取承载真实信息的几个主成分，残余方差从 OLS 的『虚高 100% 对冲』回到诚实的 99%，样本外 R² 稳在 0.97。附完整 Python 与三张真实计算图。

标准 PCA 对极端离群点几乎零容忍——一只复牌补跌或业绩暴雷的股票，就能把整个截面因子结构拽偏。本文 numpy 从零实现稳健 PCA（主成分追踪 PCP），在 N=60/T=250、3% 离群污染的合成数据上把低秩恢复相关从 0.968 拉回 0.998，离群点 100% 召回且不误报，还给出完整 Python 与三张真实计算图。

经典 GARCH 把收益平方搬进方差方程，正负号被抹平，于是涨 3% 和跌 3% 对波动贡献一样——这跟市场常识对着干。本文 numpy 从零实现 GJR-GARCH(门限 GARCH)，MLE 还原真实参数(α=0.049, γ=0.098, β=0.835)，量化『同等 ±3% 冲击坏消息多推高 200% 条件方差』，并演示波动目标叠加把回撤从 −83% 压到 −48%。附完整 Python 与四张真实计算图。

均值方差组合最致命的不是协方差估计，而是把带噪声的因子预期收益直接塞进 Σ⁻¹——一个被噪声放大的均值就能炸出 ±4.6 的极端权重。本文用 numpy 从零实现层次先验（random-effects）贝叶斯收缩，把 50 个资产的样本均值按「资产间方差 vs 估计方差」的比例拉回全局先验，平均收缩强度 0.35，组合最大权重从 4.63 压到 1.12，均值估计 MSE 降 12%，且样本越多收缩越弱（δ 从 0.94 降到 0.38）。附完整 numpy 实现与四张真实计算图。

堆 50 层网络，参数就翻 50 倍——深度和参数量被死死绑在一起。深度均衡模型(DEQ)换一条路：只训练「单层变换」f_θ，把隐藏状态定义为它的不动点 z* = f_θ(z*, x)，用求根代替层层堆叠。本文用 numpy 从零实现有界 tanh 型 DEQ，在「单层算子反复作用」生成的 4186/1794 条合成时序上证明：DEQ 用 1705 个参数达到 R²=0.867，与 19345 个参数(11 倍)的 16 层独立深网精度相同(0.873)，而线性基线仅 0.701；不动点约 3–6 步即收敛，推理迭代越多模型越深。附完整 numpy 实现与四张真实计算图。