标签： #python

大多数交易成本模型把市场冲击当成瞬时的一锤子买卖——你砸单、价格跳、结束。但真实市场里，一笔成交的冲击是有『余韵』的：它推高价格后会慢慢消退，而不是立刻弹回或永久留存。Bouchaud 的传播子模型（Propagator Model）把这件事写成一个衰减核 G(t)，价格 = 所有历史成交冲击按 G(t) 衰减后的叠加。本文从零推导为什么这个核必须存在——订单流方向有惊人的长记忆（自相关拖到上百笔仍显著），如果冲击是永久的，长记忆会让价格产生可预测趋势、无风险套利机会遍地；传播子的幂律衰减核恰好抵消这种记忆，让价格回到接近鞅的无套利状态。用纯 numpy 复现冲击核（幂律 vs 指数 vs 永久）、价格叠加构造、订单流长记忆自相关、以及从模拟成交数据反推响应函数 R(l)。附完整 Python 与四类真实陷阱（高阶）。

日线滚动协方差要 20 天才能看清资产联动的变化，而危机往往只给你 2 天。已实现协方差（Realized Covariance）把一天切成几百个高频区间，用日内收益的外积和直接『量出』当天的协方差矩阵——单日数据就能出一个完整估计。本文用纯 numpy 模拟 4 资产 60 天、每天 390 根分钟线的高频数据（内嵌相关性 regime 切换），完整走一遍 RC 的构建与三大实战陷阱：签名图显示 6bp 微观结构噪声把 1 分钟采样的估计误差推高 3 倍，最优采样退到 5 分钟；Epps 效应实验证明稀疏成交资产在 1 分钟粒度下相关被拉向 -0.04（真实 -0.10），采样越细越失真；响应速度对决中 RC 5 日均线只用 2 天就捕捉到相关性从 0.6 跳到 0.89 的 regime 切换，20 日日线滚动相关要 17 天。最小方差组合样本外对决：RC 组合次日实现波动 8.62% vs 日线协方差 8.75% vs 等权 16.95%。另拆穿维度灾难（资产数 > 日内区间数时 RC 必然奇异）与隔夜跳空缺口两类结构性坑（中高阶）。

凯利公式给出理论最优杠杆，但它假设赔率恒定——市场偏偏在牛熊两套参数间来回切。本文用纯 numpy 合成两状态市场（转移矩阵 P、牛市 μ=+0.09%/σ=0.9%、熊市 μ=-0.16%/σ=2.4%），先用 HMM 前向算法在线滤出熊市后验概率（识别准确率 95%），再把凯利分数按后验期望在牛熊之间加权收放。回测对决：固定半凯利与买入持有几乎重叠（总收益 25%、Sharpe 0.24、最大回撤 -64%），而状态切换凯利总收益 77%、Sharpe 0.52、最大回撤压到 -32%——收益翻三倍、回撤砍半，核心不是预测方向而是在熊市把杠杆主动收回甚至反手。全文诚实拆穿：凯利分数对参数估计误差极度敏感（牛市理论 f*=11 必须靠半凯利+CAP 硬压）、在线滤波天然滞后（状态切换后要几天才反应，切点附近必吃亏）、状态数与转移矩阵是先验强假设、样本外真实市场没有干净的两状态结构四类陷阱（中高阶）。

均值方差优化是个『误差放大器』：一年日度样本估出的期望收益带着巨大噪声，优化器却把它当真理，全仓押给恰好被高估的资产。300 次重抽样实测：经典 MV 样本内承诺年化 16.5%，样本外只兑现 4.4%——乐观差距 12 个百分点。Wasserstein 分布鲁棒优化（DRO）的处方是承认『经验分布本身就是错的』：以样本分布为球心、Wasserstein 距离 ε 为半径画一个分布模糊球，对球内最坏分布优化。深刻之处在于对偶定理把这个无限维 min-max 问题坍缩成一行正则化——最坏期望 = 样本期望 − ε·‖w‖，鲁棒化在数学上恰好等价于给权重加范数惩罚，这解释了为什么正则化在组合优化里屡屡有效：它不是工程 trick，是对分布不确定性的精确定价。实测 ε 从 0 加到 2e-3：乐观差距 12.0%→8.5%，样本外 Sharpe 0.329→0.344，跨样本权重换手 0.86→0.65。半径扫描揭示倒 U 形与残酷基准：精心调参的 DRO 样本外 Sharpe 0.343，等权 1/N 是 0.335——鲁棒优化的真实收益是从『被估计噪声坑死』回到『略胜天真基准』。三个陷阱：ε 校准的理论速率在金融样本量下形同虚设、球内最坏分布可能毫无经济意义、DRO 防的是估计噪声而非 regime 切换（高阶）。

树模型自带的 gain 重要性有两个死穴：它偏爱高基数特征、而且只给全局排名，答不了『这一只股票为什么被模型看多』。SHAP 借来博弈论里的 Shapley 值——把预测当成一场合作博弈，每个因子是玩家，公平分配它对这次预测的贡献。本文讲清 Shapley 值的可加性从哪来、为什么 base value 加上所有 SHAP 值恰好等于 f(x)，用合成因子数据做单样本瀑布图、全局重要性对比、依赖图揭示交互效应，并诚实指出相关特征分摊、计算成本、因果幻觉三大陷阱，附完整 Python（中阶）。

波动率平价的隐藏杀机：它用标准差衡量风险，而标准差对『平时波澜不惊、崩盘时血流成河』的资产（短波动信用、卖期权、carry）严重低估——于是波动率平价会把最高权重堆给这类资产，账面看似最『安全』，实则把组合的命门交给了最肥的尾巴。本文用纯 numpy 造 4 资产（股票/债券/商品/短波动信用），故意让『短波动信用』日常波动仅 3.5%（比债券还低）却带灾难性左尾（偏度 -10.2、超峰度 113）。实测暴露陷阱：波动率平价只给它 17.7% 权重，它却贡献 39.2% 的 CVaR 尾部风险——低波动是伪装。尾部风险平价改用 5% CVaR 度量风险、Euler 分解算边际尾部贡献、迭代把每个资产的尾部贡献拉到 25%：短波动信用权重被砍到 11.5%，样本内 Sharpe 从 0.34 升到 0.57、最大回撤从 -14.6% 收到 -12.2%、组合 CVaR 从 0.96% 降到 0.83%。全文打穿波动率≠风险、CVaR 次可加性为何让分解成立、尾部估计的样本量诅咒、样本内最优必然乐观四类陷阱（中高阶）。

CPPI 有个让人夜不能寐的缺陷：它只保本金、不保利润——牛市赚了 70%，崩盘时地板还钉在起始资金的 85%，账面利润可以全数吐回。TIPP（时间不变组合保险）的修复只改一行代码：地板 = 锁定比例 × 历史最高净值，且只升不降——这是一个棘轮，净值创新高，保本线就跟着上抬，赚到的利润被逐级锁进保险箱。本文用纯 numpy 实现 TIPP，在『先牛市大涨 +77%、再深度崩盘』的路径上与 CPPI 正面对决：崩盘中 CPPI 从高点吐回 43.1%（利润几乎清零），TIPP 只回撤 5.5%、终值 1.469 完胜；代价在牛市段——棘轮地板紧追净值把缓冲垫越压越薄，TIPP 牛市平均仓位只有 57%（CPPI 是 91%）。1500 条蒙特卡洛路径给出完整代价表：TIPP 把 95% 分位终值从 1.84 砍到 1.48（砍掉右尾），换来 MDD>20% 的路径占比从 27.5% 降到 0.0%。锁定比例敏感性扫描揭示 85% 是回撤与收益的平衡点。打穿棘轮不可逆的双刃剑、结构性 cash-lock、波动拖累、锁定比例幻觉四类陷阱（中阶）。

BTC/USDT、ETH/USDT、ETH/BTC 三个价格必须满足一个乘法恒等式，否则沿环路换一圈就能白赚——这是教科书里最接近『无风险利润』的东西。但教科书不告诉你的是：这条环路上蹲着三重摩擦。本文用纯 numpy 模拟 50000 秒的三交易对 tick 数据（交叉盘偏离建模为 OU 均值回复 + 偶发再定价跳跃），把三角套利从幻觉到现实完整算一遍账：无摩擦视角下 25392 个 tick 存在『机会』，套上 0.1% taker 费率×3 腿后机会数直接归零，VIP 费率 0.02%×3 下只剩 484 个；成本瀑布显示毛偏离均值 6.9bp，而普通 taker 三腿费用就要 30bp——费率不是成本，是判决书。延迟衰减实验：信号触发时平均净利 4.5bp，慢 5 秒剩 1.3bp，慢 10 秒转负（-1.0bp），30 秒 -6.5bp。VIP 费率+1 秒延迟的完整回测：83 笔、胜率 95%、单笔均值 0.43 USDT——真实但薄如刀片。另拆穿腿风险（第三腿成交前你持有裸头寸）、余额预置 vs 顺序执行、机会共灭（对手也是机器人）三类结构性坑（中高阶）。