标签： #python

卖出 100 万股这种大单，怎么拆、多快卖，本身就是一道优化题。Almgren-Chriss 把永久冲击、临时冲击和持仓的波动风险写进同一个目标：快卖=冲击成本高但风险低，慢卖=风险高但冲击低。解出来是一条「前置还是后置」的最优轨迹。附完整 Python 与六类真实陷阱（高阶）。

CAPM 说高 beta 高收益，杠杆约束却让高 beta 被高估、低 beta 被低估。300 股 20 年模拟：SML 实际斜率 2.1% 远低于理论 5.8%，杠杆中性的 BaB 组合年化 1.6%/Sharpe 0.33/beta≈0 截获正 alpha，附完整 Python（高阶）。

借低息买高息的「免费午餐」为何几十年不消失？本文用 G10 套息组合模拟证明：正收益来自对全球风险因子的负向暴露，常态小赚、危机大亏，本质是卖出一份保险（高阶）。

主观观点怎么严谨地织进概率分布？熵池化(Entropy Pooling)用最小相对熵(KL)在「满足观点」下找离先验最近的后验 q∝p·exp(λf)，从对偶推导到 numpy 实现全程跑通，并把观点变成可交易的组合权重变化（高阶）。

传统风险平价要么求逆协方差（病态）要么坍缩到单名40%+；HRP 不求逆：Ward 聚类+递归二分按逆方差切权重，样本外波动14.13%低于等权14.82%、最大单名仅19.8%远胜最小方差37.6%集中。

CAPM 说高风险高收益，数据却说低风险高夏普。本文用 200 只股票、20 年月度数据复现低波动异象：低波动组年化 15.8%/Sharpe 1.06/回撤−13% 全面优于高波动组，CAPM 实际斜率仅 1.7% vs 理论 6.6%，附完整 Python（高阶）。

最小方差组合 w=Σ⁻¹ 1 对估计误差最敏感：25 资产/30 日样本下朴素样本法样本外方差是理论下界近 7 倍，Ledoit-Wolf 收缩与岭正则压回最优附近。附完整 Python 与五类真实陷阱。

市场透明度能被一个数字量化吗？PIN(知情交易概率)用 EKOP 订单流模型，把「每天多大概率有人在靠信息交易」变成可估计概率，并从 MLE 实现到滚动监控验证它捕捉透明度突变（高阶）。