标签： #python

量化投资的信息优势从来不只是数字，新闻、财报电话会、社交媒体里埋着大量尚未被价格消化的文本信息。本文把大语言模型（LLM）当成一个『因子矿工』——不做端到端预测，而是用精心设计的 prompt 从非结构化文本中提取结构化情感信号，再与传统因子正交组合。受控实验证明：链式思考（CoT）prompt 的信息系数（IC）达 0.061，显著高于零样本基线（0.032）；prompt 优化后的情感因子与价值因子组合，年化信息比从 1.2 提升到 1.7。附完整 Python 实现与三张真实实验图。

一个在A股练出来的RL交易智能体，丢到美股/加密/商品市场为什么往往废掉？元强化学习(MAML)通过学一个『靠近所有历史市场』的初始化，让智能体在新市场只用几笔交易就完成适应。本文numpy从零实现双层梯度的MAML，受控实验证明少样本爬坡速度比『仅预训练』快约一倍、比从头训练快一个数量级，并诚实标注它只迁移『市场结构的共性』而非『具体alpha』。

单一全球因子模型默认「一套权重解释所有市场」，但牛市、危机、低波动期的因子暴露本就不同。本文用 MoE（Mixture of Experts）把组合拆成 K 个线性专家 + 一个门控网络：门控依据可观测的市场状态变量稀疏激活对应专家。在含状态切换的合成数据上，MoE 测试 MSE 为 0.042，远低于单一全局模型的 18.493（降低约 100%），且门控热图证明它确实学到了 market state。附完整 numpy 与四张真实计算图。

传统量化把「预测下一帧价格」当回归问题，但真实市场里你下每一笔单都会改变价格、还会被对手反制。多智能体强化学习（MARL）把交易当成博弈：你、其他机构、做市商都是同时决策的智能体。本文用 Almgren-Chriss 瞬时冲击下的执行博弈做受控实验，证明「对手建模」比朴素 TWAP 在 2 人博弈里省 1.47 bps（约 24.5%）、多智能体虚拟博弈把早期撞车损耗从 87.1 bps 砍到 27.3 bps（降幅 68.7%）；并诚实给出可预测性消融——对手越不可预测，建模优势越消失——以及真实落地时四类必踩的坑。附完整 Python 与四张真实计算图。

传统组合按月/季度再平衡，每次交易在月末造成冲击成本和暴露滞后；Neural ODE 把权重变化建模为连续时间常微分方程，用一个小 MLP 参数化漂移 f_theta(w,t)，通过 RK4 积分得到平滑调仓路径。本文用 numpy 从零实现 MLP、监督训练和 ODE 积分，证明在合成双资产组合上，连续控制的跟踪误差仅为月度离散的 1/170（0.0001 vs 0.0170），净财富追平理想目标跟随（0.977），且把月末交易尖峰摊成连续交易流。附完整 Python 与四张真实计算图。

普通神经网络只给一个点预测，但交易里最该知道的是『我有多确定』。神经过程（Neural Process, Garnelo et al. 2018）把函数视为可学习分布，用一组 context 观测点编码成全局表示，对目标点输出高斯均值+方差——天然带置信区间。本文用纯 numpy 从零训练一个条件神经过程（含手写前向/反向），在 GP 元学习任务上证明：95% 区间经验覆盖 0.93（贴近标称）、OOD 未覆盖区 σ 从 0.64 抬升到 0.77（自动承认不确定），而确定性 MLP 永远只有一条过窄的常数带。附完整 Python 与四张真实计算图。

波动率不是常数，也不是能直接观测的量——它藏在收益率的平方里、被噪声层层包裹。本文用 numpy 从零实现随机波动率(SV)模型与 bootstrap 粒子滤波(序贯蒙特卡洛)，把隐状态波动率实时「反解」出来：每来一个新收益率，4000 个粒子就重采样+传播一次，输出波动率的后验中位数与 90% 置信带。在 600 天合成数据上，粒子滤波对真实波动率的跟踪 RMSE 比 EWMA 代理低 27.3%，相关度从 0.59 提升到 0.69，且每步对数似然稳定在 −1.02。附完整 Python 与四张真实计算图。

传统 Markowitz 输出连续权重，但『选几只、选哪几只』本质是一个组合优化+排序问题。Pointer Net 把候选资产列表视为序列、用 attention 机制学会输出排列——直接产出 K 个选中的下标、从排序里导出权重。本文从 Pointer 机制的 softmax attention 出发，用 numpy+scipy 从零实现 Pointer-style scorer，在 8 资产 + 双因子的合成数据上对比 Equal-Weight/Markowitz/Risk-Parity，Pointer Net 的样本外 Sharpe 中位数 1.62、IQR 窄到 0.28，跑赢 Markowitz（1.05）53%。附完整 Python 与三张真实计算图。