标签： #信息论

最大熵组合用 w_i ∝ exp(λ·μ_i) 把「观点强度」编码成一个温度参数：观点越空、权重越接近等权（熵最大、最不偏见）；观点越强、权重越集中。本文 numpy 从零实现最大熵组合 + 收益约束，量化「倾斜中档 λ=51 时归一化熵从 1.00 降到 0.84、年化 Sharpe 3.80→3.47」；300 次 OOS 蒙特卡洛诚实显示熵倾斜并不比等权更赚，但它把组合方差从 2.37% 拉到 3.4%、把权重集中度和尾部风险压在可控区间——它卖的是「可解释的不确定性量化」而非超额收益。附完整 Python 与四张真实计算图。

「这段行情有多可预测」不必是玄学：把收益二值化成涨跌符号串估计香农熵率——熵=1 bit/符号意味着彻底随机（任何模型命中率上限 50%），熵越低结构越多。受控实验三种机制对照：iid 块熵 0.9996、动量（延续概率 0.75）0.884、均值回复 0.880——熵对「有没有记忆」敏感、对方向色盲，一个特征覆盖两类可交易结构。延续概率 0.5→0.92 扫描给出单调曲线：熵与最优命中率一一对应，是模型无关的可预测性上界。300 符号滚动熵能把动量段与均值回复段从 iid 背景中挖出。两个深坑：块长过大+样本不足时纯随机也能测出 0.7 的假低熵，必须 2^w≪n；所有熵估计器绝对值均有偏差，只能同参数相对比较。AFML 定位：不做择时开关，做元标注二级模型的环境特征（高阶）

相关系数只说『一起动』，不说『谁先动』。转移熵(Transfer Entropy, Schreiber 2000)用条件互信息量，量的是『加入 X 的历史后，Y 的下一刻不确定性下降了多少 bits』——天然非对称。本文用符号化估计在合成领先-滞后链 X→Y→Z 上复现：TE(X→Y)=0.214 对 TE(Y→X)=0.030（比值 7×）、TE(Y→Z)=0.218 对 TE(Z→Y)=0.037；而共同因驱动的 U/V 虽然相关 0.32，双向 TE 却几乎对称(0.045 vs 0.041)——正是相关说不清、TE 能分开的那类结构。再沿信息流方向下注，Sharpe 5.05 碾压反向 −5.05；信息流方向就是 alpha 方向。附完整 Python 与六类真实陷阱（高阶）。