标签： #python

市场不是一条平稳的随机游走，而是牛、熊、高波动三段「性格」轮流登场。本文从零实现高斯 HMM（Baum-Welch EM + Viterbi 解码），把日收益切成可解释的隐藏状态，给出每个状态的均值/波动/转移矩阵，并诚实列出标签切换、只能描述不能预测等真实陷阱。

有效市场认为价格是随机游走，分形市场假说指出市场有记忆。Hurst 指数把持久性量化成 H>0.5 趋势 / H<0.5 均值回复 / H=0.5 随机游走。本文用可复现代码讲清 R/S 重标极差与滚动 Hurst 检测机制切换，并点明经典 R/S 的有限样本偏差。

把波动率拆成「隐含(IV,前瞻)」与「已实现(RV,后顾)」两张脸，用随机波动率模型真实复现波动率风险溢价(VRP)，并给出做空 VRP 的 Delta 中性策略与尾部陷阱。

高频 / 日内因子的预测力在一天之内是衰减的：开盘前后的信息最强，随着套利者消化、微观结构噪声累积，因子对未来收益的 IC 逐步下滑。本文用模拟数据画出日内衰减曲线、拟合半衰期、用 t 统计量判定显著性，并指出「在 12 个时段里挑 IC 最高的那个报告」必然踩中多重检验陷阱。附完整 Python 实现。

固定对冲比在 regime 切换时会系统性失效。本文用状态空间模型把对冲比建模为随机游走，从零实现卡尔曼滤波估计动态 β，并实证对比静态 OLS、滚动 OLS 与卡尔曼动态对冲的方差削减效果，覆盖配对交易、动态 Delta 对冲与三大实战陷阱。

Kelly 公式回答的不是「买不买」，而是「这笔该下多大注」。本文从离散下注的 f*=(bp−q)/b 推到连续策略的 f*=μ/σ²，用蒙特卡洛画出「增长曲线在 f* 处达峰、越线即转负」与「满仓腰斩概率爆表、半 Kelly 大幅降低」两张真实图景，并点破估计误差、满仓回撤、杠杆约束等致命陷阱。

LLM 嵌入把新闻与公告等金融文本压成稠密向量，是连接文本与截面模型的桥。本文用可复现模拟讲清无监督 PCA 几乎挖不出信号、监督映射才能把收益方向对齐出来，并点明嵌入漂移、前视偏差与维度灾难三大真实陷阱，附落地 pipeline 与完整 Python。

美式期权没有 BS 封闭解，因为提前行权是最优停止问题。Longstaff-Schwartz(2001) 用最小二乘蒙特卡洛把它变简单：模拟路径、倒向回归、比较继续持有与立即行权的价值。从零实现，给出提前行权边界、收敛性，并对照欧式价验证美式≥欧式。