标签： #python

把信用利差当成「相对价值」而非方向性押注：用评级中性后的利差 z-score 建模未来超额回报，Python 完整复现信号构建、多空回测与四大实战陷阱。

单变量 GARCH 只解决了一半问题——真正的魔鬼藏在相关矩阵里。Engle(2002) 的 DCC-GARCH 用极少参数让相关矩阵随时间演化，把危机里的相关性飙升如实搬进组合协方差。从零实现并对比常数相关的风险低估。

历史太短、极端行情稀少，传统压力测试只能回看有限样本。本文用纯 numpy 实现 DDPM 扩散模型生成海量合成 30 日行情，补全历史稀疏的尾部，给出更稳的压力 VaR，并诚实列出过弥散、无法凭空创造新危机等真实陷阱。

把 ESG 拆成「水平因子」与「改善因子(ΔESG)」两路做 IC 检验与分组回测：水平因子净 alpha 接近零、ΔESG 明显更强，可持续数据更像风险约束而非全天候 alpha。

给普通期权加一道「开关」：用蒙特卡洛给向下敲出看涨定价，再拆解自动赎回票据如何用「障碍+票息」包装成吃票息机器，并点出路径依赖、离散观察与跳空三大真实陷阱。

一个能赚钱的因子信号往往顺带押注行业与市值。本文用「对行业哑变量+对数市值回归取残差」做截面中性化：行业净权重范数从 0.55 降到 0.05、市值暴露从 −1.36 降到 −0.02，alpha 仍保留约七成，并给出中性化会牺牲风格溢价、对哑变量误设敏感等真实陷阱。

CAPM 解释不了规模/价值/盈利异象，Fama-French 用五因子把截面收益拆开。本文用受控模拟构造五因子与 6 个检验组合，演示 CAPM 伪 alpha 如何被 FF3 吸收规模价值、再被 FF5 吸收盈利投资，附 A 股真实数据落地路径。

银行、基金谁都不肯交原始数据。联邦学习让数据不动、模型动：numpy 手写 FedAvg，在 6 家 non-IID 机构上几乎追平集中式，覆盖差分隐私效用权衡、non-IID 退化与模型投毒三大真实陷阱。