元学习量化策略：用 MAML 让模型在少样本上快速适应新市场
普通模型换个市场、换个 regime 就得从头训，可新环境往往只有几十个样本，根本喂不饱。元学习换个目标：不学『某个市场的最优参数』，而学一个『最容易被少量样本快速微调』的元初始化。本文用纯 numpy 从零实现一阶 MAML（FOMAML），把每个市场建模成因子→收益的线性任务，任务间共享中心 w0、各自偏移 τ=1.1。200 个训练市场上元训练 300 轮，外层 query 损失从 3.65 压到 1.67 逼近 Oracle 下界 1.00。在 100 个全新市场上只用 K=10 个样本适应：MAML 的 MSE 2.85，碾压忽略任务差异的 Pooled 全局模型（7.75，降 63%）和从零学的 Scratch（3.17）。few-shot 曲线显示 MAML 起点就低、一两步就到位；样本量敏感性揭示真相——K 越小 MAML 优势越大（K=3 时 4.73 vs Scratch 5.75），样本足够时三者收敛。拆穿元学习=预训练、任务同分布假设、内外循环学习率耦合、少样本≠零样本四类陷阱（中阶）。