标签： #python

两条价格序列同涨同跌，是真的存在联动，还是只因为它们共享了同一条慢趋势？皮尔逊相关在非平稳数据上会被共同趋势系统性夸大，把伪相关当成真信号。DCCA（去趋势互相关分析）通过分段去趋势 + 多尺度累加，把趋势剥掉之后再看两条序列的协同波动，并且天然给出「相关性随时间尺度如何变化」这一维度。本文从零推导 DCCA 系数，用可复现 Python 演示它相对皮尔逊的鲁棒性、如何读懂标度依赖、以及滚动 DCCA 如何捕捉危机期的联动跃升。并诚实拆解它的估计误差、参数敏感性与在实盘中的定位（中阶）。

Diebold-Mariano 预测精度检验 - 500期波动率预测合成实验：DM检验用损失差序列的HAC长期方差判断模型优劣是否统计显著；4000次蒙特卡洛证明多步预测下天真配对t检验错误拒绝率飙到26.6%，DM+HLN小样本修正精确回到5% - halo的技术博客

每笔成交背后，站着一个知道更多的交易者。Easley & O'Hara (1987, 1992) 的 EKOP 序贯交易模型用泊松过程把知情交易者和噪声交易者分开，从日频的买单数 B 和卖单数 S 出发，用最大似然估计出信息事件概率 α、方向 δ、知情下单率 μ 和噪声下单率 ε，进而合成 PIN（知情交易概率）= αμ / (αμ + 2ε)。本文用 Python 模拟 50–2000 天的交易序列，展示参数估计值按 1/√N 收敛到真值、买卖单不平衡在有/无信息日显著分化、以及 PIN 对各参数的敏感性热力图。最后诚实拆解：数值下溢导致似然函数失效、方向标注误差的偏差效应、参数非平稳、以及日频粒度掩盖的时序结构（中阶）。

股权质押风险因子 - 500股×36月合成面板：高质押组平时月均只差60bp，熊市月被多砸2.9个百分点；平仓螺旋机制拆解（预警线160%→平仓线140%→强平加速下跌）；负面清单用法提升Sharpe并收窄回撤 - halo的技术博客

ETF 的二级市场价格和它篮子里资产的净值（NAV）之间，为什么长期贴得那么近？答案是一台永不下班的套利机器：授权参与人（AP）用实物申赎在一二级市场之间搬砖，把溢价折价压回成本边界内。本文从零拆解这台机器——申赎套利带如何形成、极端溢价为何在 3-5 天内被拉回、以及跟着 AP 吃溢价回归的策略长什么样。并诚实拆解：散户根本没有申赎通道、A 股 ETF 的 T+0 套利细节、以及 QDII/跨境 ETF 溢价为什么可以顶着套利机制疯涨不回归（中阶）。

为什么做市商要挂买卖价差？经典答案是「补偿库存风险」——但 Glosten 和 Milgrom 在 1985 年给出了更深刻的解释：价差的核心是补偿逆向选择。当你面对一个可能比你知道得多的对手方时，每次成交都在传递信息。模型用贝叶斯更新把这个问题形式化：做市商根据订单流不断修正对真实价值的信念，报出的 bid/ask 逐步收敛。本文从模型设定推到 Python 实现，模拟展示报价如何随交易序列收敛到真实价值、价差如何随知情交易者占比放大、以及逆向选择成分在价差中的主导地位。最后诚实拆解：方向标注问题、参数非平稳、以及模型对真实市场的简化假设（中阶）。

同一只股票在纽交所、纳斯达克、暗池同时交易，同一份 ADR 在两地挂牌，同一个标的有现货有期货——当价格几乎同步跳动时，究竟是谁先动、谁在跟随？Hasbrouck (1995) 用协整与 VECM 把这个问题变成一个可度量的数字：信息份额（Information Share），衡量每个市场对共同有效价格新息的贡献占比。本文从零复现 VECM 估计、Cholesky 排序带来的上下界、与 Gonzalo-Granger 成分份额的分歧，用合成两市场 tick 流证明快市场吃下约 71% 的价格发现，并诚实指出信息份额区间在残差高度相关时会宽到无法定论（中高阶）。

做市商的利润来自买卖价差，但风险来自库存：接了太多单边货，价格一个反向跳动就把几天赚的价差全吐回去。Ho-Stoll (1981) 把这个问题写成了一个随机最优控制：报价不该围绕市场中间价对称摆放，而应该围绕「保留价格」摆放——库存越偏多，整套报价越往下压；越偏空，越往上抬。本文从效用最大化出发推导保留价格与最优价差的闭式近似，用可复现 Python 模拟对比「无库存管理」与「库存偏移报价」两种做市商：后者把库存从随机游走驯化成均值回复过程，库存标准差从 16 股压到 1 股以内。并诚实拆解模型的失效场景：趋势市中的逆向选择、参数校准的现实困难、以及它和 Avellaneda-Stoikov 的关系（中阶）。