标签： #python

经典 60/40 让股票风险独大；风险平价按风险贡献分配权重。本文用久期(利率风险)与信用分层(利差风险)双因子拆解债券风险，演示风险平价如何拉平风险预算，附完整 Python。

波动率不是常数，恐慌是带尖刺的随机过程。本文用 Bates 型 SVJ 模型从零模拟随机波动+崩盘跳，给出 VIX(30日远期方差)的仿射解析与 VIX 期货 E^Q[VIX_T] 蒙特卡洛定价，并证明「恐慌」本身是一个可被定价、可做成交易因子的波动率风险溢价(VRP)。

Black 杠杆效应：坏消息比同幅度好消息更搅动波动。GJR/TGARCH 用阈值项把方向写进方程，MLE 精确还原真值 γ=0.090、对数似然比对称 GARCH 高 52.8，附完整 Python 与三类真实陷阱。

流动性不是免费的。Amihud(2002)用 ILLIQ=|r|/成交额 度量「砸动价格需要多少钱」，发现过去成交清淡的股票未来平均多赚约 12% 年化——这是少数经得起样本外拷打的异象。本文从定义、Python 计算、五分组多空检验讲到 A股实务，并指出 ILLIQ 极右偏、幸存者偏差、流动性时变三大真实陷阱。

注意力权重只告诉你模型「看了哪里」，不等于「哪里重要」。本文用纯 numpy 搭一个小的特征级自注意力收益预测器，故意只让一个特征携带信号，对比注意力权重与 Integrated Gradients 特征归因——后者能精确锁定真正驱动预测的因子，并给出归因的实战边界。

传统因子是「人拍脑袋的线性组合」，自编码器(Autoencoder)能用无监督方式把几十维原始量价特征压缩成一小组「低相关、信息损失最小」的编码向量，当作新因子喂给选股模型。本文从数学定义、纯 numpy 手写自编码器、到「编码即新因子」的 IC 检验完整走通，并指出无监督≠可预测、容量有限、分布漂移三大真实陷阱。

组合波动从来不是一个数，而是无数风险源叠加。本文用 Barra 式因子模型 r=Xf+u，把组合方差拆成行业、风格、特异性三块，给出精确风险贡献公式 C_k=a_k(Fa)_k，并用偏科技+动量的组合演示：84.6% 风险来自因子、科技独占 65.6%，顺带指出因子缺失、估计误差、非平稳三大陷阱。

经典均值-方差在小样本下会被噪声牵着走。用正态-逆威沙特(NIW)共轭先验把「主观观点」编码成数学，后验均值自动向先验收缩，后验协方差带可信带，最终权重更稳健、更可解释。