标签： #python

报价价差 10 个 tick，做市商真能赚到 10 个 tick 吗？Stoll (1989) 给出了否定答案和一套识别方法：价差由三种成本构成——逆向选择（信息）、库存持有、订单处理，三者在成交后的价格行为上留下完全不同的指纹。信息成分让价格一去不回，库存成分让报价先偏移再均值回复，订单处理成分产生纯粹的 bid-ask bounce。本文推导「成交价串行协方差 + 报价中点串行协方差」这对识别工具，用可复现 Python 模拟验证：θ=0.45 的市场里，报价价差 0.10 元中做市商真正落袋的已实现价差只有 0.06 元。并给出三个落地应用：横截面毒性排序、TCA 里有效价差与已实现价差的正确用法、以及为什么高换手做市策略要盯已实现价差而不是报价价差（中阶）。

PDP 有个绕不过的死穴：因子彼此相关时，它会把某个因子强行设成某值、其余保留原值，从而外推到根本不存在的样本组合，把相关因子借来的效应算成自己的。ALE（Accumulated Local Effects）换个算法——把因子取值切成窄箱，在每个箱内只用真实存在的样本算『局部差分』（同一批样本换到箱边界两侧的预测之差），再沿因子方向累加。这样它永远不外推、只在数据支撑的邻域里说话。本文用相关系数 0.92 的两个因子做对照：一个是真驱动、一个纯冗余，看 PDP 如何被冗余因子骗、ALE 如何把它的伪效应修正回近零，附纯 numpy 从零实现的 ALE（中阶）。

网格搜索调策略参数是暴力枚举，参数一多组合数指数爆炸；随机搜索省了枚举却盲目乱撞。贝叶斯优化换个脑子：每跑一次回测都是一次昂贵采样，它用高斯过程（GP）在已跑过的点上拟合一个『代理曲面』连同不确定度，再用采集函数（EI）权衡『去已知的好区域深挖』和『去没探过的区域碰运气』，把下一次回测的算力花在最值得试的参数上。本文从零手写 GP 代理 + EI 采集，在一个多峰目标上对比贝叶斯优化 vs 随机 vs 网格的收敛速度——同样逼近全局最优，贝叶斯优化用的回测次数是网格的零头。最后拆穿最致命的坑：在验证集上优化超参本身就是一种过拟合，优化得越狠样本外亏得越惨（中阶）。

你的策略参数是在过去三年数据上估的，可市场早在半年前就换了一套玩法——均值漂了、波动变了，而你的模型还在用旧假设下注。结构突变检测就是给策略装一个『市场换挡』的报警器。本文用纯 numpy 把 CUSUM（累积和检验）从原理到实战完整走一遍：合成一段三状态收益序列（+10bp 上行 → -25bp 下行 → +12bp 回升，两个真实变点在 t=300/600），用去均值累积和把漂移折成不同斜率的段，再用二分分割递归定位——阈值 1.10 下精确检出 [363, 609]，与真实 [300, 600] 只差几十天。阈值敏感性扫描揭示核心权衡：阈值太低（<1.0）把噪声也当变点过度分割，太高（>1.4）漏检真拐点，稳健区间 1.0~1.3。在线 Page-CUSUM 单侧检验模拟实时监控：真实下行从 t=300 起，报警在 t=316，检测延迟 16 天——这就是所有序贯检测无法绕开的『延迟 vs 误报』铁律。全文打穿离线 vs 在线检测的根本区别、CUSUM 只检均值漂移对波动突变失灵、检测延迟不可能为零、多变点需递归分割四类核心陷阱（中阶）。

止损单只能保护一个仓位，CPPI 保护的是整个组合的底线。恒定比例组合保险的核心是一条自动化纪律：风险敞口 = 乘数 m × 缓冲垫（净值 − 保本地板），净值离地板越近仓位越轻，跌到地板自动清零——数学上保证（连续交易时）永不击穿。本文用纯 numpy 完整实现 CPPI，在植入 40 天熊市 + 单日 -8% 跳空的 5 年路径上实测：买入持有最大回撤 -45%，CPPI m=4 只有 -16.8%，代价是牛市收益从 +57% 降到 +28%。然后打穿两个教科书不讲的死穴：gap risk——周频再平衡 + -12% 跳空下，m=8 的击穿地板概率高达 58.9%（m×单期最大跌幅 > 100% 就是死刑判决书）；cash-lock——高地板 + 大乘数在崩盘后缓冲垫归零，风险资产随后反弹 141%，CPPI 却抱着债券几乎纹丝不动。乘数选择的铁律：m < 1/单期最大可能跌幅，日频对应 m≤5、周频只敢 m≤3。附四类真实陷阱（中阶）。

Black-Litterman 把主观观点融进市场先验，但它被锁死在正态分布和线性观点里：观点只能是『资产 X 的期望收益是多少』，遇到肥尾场景、非线性观点（波动率、相关性、分位数）就束手无策。Meucci 的熵池化换了一条路：不改场景数据，只改场景概率——在 20000 个蒙特卡洛场景上，找一组新概率 q，让它满足观点约束的同时与先验概率 p 的相对熵（KL 散度）最小。本文用 t(5) 肥尾场景库完整实现对偶求解：植入『股票B月度收益 -1%、黄金 +1.5%』两条观点，KL 散度仅 0.057、有效场景比例保留 94.4%——观点被精确满足，分布形态却几乎不动。相关性传导自动发生：没被下观点的股票A期望从 +0.68% 被拖到 -0.03%，因为它和股票B相关 0.6。置信度混合 q(c)=(1-c)p+cq 生成从纯先验到完全采纳的完整权重路径：黄金从 14% 一路吃到 75%，股票B在 c≈0.4 处清零。三个陷阱：观点过强导致概率质量坍缩到极少数场景、后验波动率被观点悄悄改变、置信度 c 本身无处校准（中高阶）。

直觉告诉你：数据越密、频率越高，估计应该越准。但相关性在高频世界里恰恰相反——同一对资产，用日线算相关是 0.6，切到 1 分钟变 0.3，切到 1 秒几乎归零。这就是 Epps 效应：不是市场关系变了，是异步成交把相关性『稀释』掉了。两只股票的 tick 从不落在同一时刻，你为了对齐用旧价前向填充，就在每个细格点里塞进了大量人造的零收益，相关性被这些零拖向 0。本文用纯 numpy 合成两条 latent 相关 0.6 的高频价格路径，泊松稀疏成交 + last-tick 填充完整复现 Epps 塌陷曲线（1 秒 ρ≈0.03、30 分钟才恢复到 0.59）；量化流动性对衰减速度的影响（成交越稀疏塌陷越狠）；最后给出解药 Hayashi-Yoshida 估计量——用重叠区间累加协方差，不需要同步、不丢数据，在异步稀疏数据下几乎无偏。附完整 Python 与四类真实陷阱。

正态分布对极端事件的低估不是误差，是数量级灾难：在 5000 天合成收益（GARCH 波动聚集 + t(4) 肥尾）上实测，4σ 事件正态预期 0.32 次、实际发生 37 次（低估 117 倍），6σ 事件低估超过 100 万倍。极值理论 EVT 不试图拟合整个分布，只对尾部『超越阈值的部分』下手：Pickands-Balkema-de Haan 定理保证超越损失渐近收敛于广义帕累托分布 GPD。本文用 scipy 完整走一遍 POT 流程：取 95% 分位为阈值得 250 个超越样本、MLE 拟合出形状参数 ξ=0.216（隐含尾部指数 α≈4.6，与生成过程一致）、QQ 图验证拟合质量。VaR 对决见真章：99.9% VaR 正态给 2.49%、EVT 给 4.68%、经验分位 4.69%——EVT 几乎精确命中，正态差了近一倍；99% VaR 违反回测中正态违反 87 次（预期 50 次）、EVT 违反 49 次。ES 差距更狠：99.9% ES 正态 2.71% vs EVT 6.37%。诚实拆穿阈值选择的偏差-方差两难（阈值敏感性扫描图）、iid 假设被波动聚集破坏、ξ 的置信区间宽到离谱三类陷阱（中高阶）。