- 自编码器因子挖掘：用深度学习提取非线性 Alpha
传统因子是「人拍脑袋的线性组合」，自编码器(Autoencoder)能用无监督方式把几十维原始量价特征压缩成一小组「低相关、信息损失最小」的编码向量，当作新因子喂给选股模型。本文从数学定义、纯 numpy 手写自编码器、到「编码即新因子」的 IC 检验完整走通，并指出无监督≠可预测、容量有限、分布漂移三大真实陷阱。
9 min Chinese - 联邦学习：在隐私约束下联合训练跨机构量化模型
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。
13 min Chinese - 用 SHAP 做因子贡献归因与模型监控：把组合 PnL 拆回因子，并盯住生产漂移
选股模型上线后，老板只问一句话：这个月赚的 3% 到底是谁贡献的？本文用 SHAP 把每一条预测（进而把组合 PnL）拆回单个因子与因子组，并进一步把样本按时间切片，追踪各因子 SHAP 贡献的分布漂移——漂移本身就是生产环境的预警信号。附完整 Python 实现与归因完整性自检。
11 min Chinese - SHAP 与可解释机器学习：让量化因子不再黑箱
机器学习选股模型往往是个黑箱——你拿到一个高夏普的策略，却说不清它到底在押注什么因子。SHAP 用博弈论的 Shapley 值把模型的每一次预测拆解到每个因子头上，既能做全局因子筛选，也能解释单笔交易。本文从零实现蒙特卡洛 Shapley 值估计，并用真实图表展示全局重要性、摘要蜂群图、依赖图与瀑布图。
13 min Chinese - 合成数据增强与对抗训练：提升因子模型的泛化边界
量化因子模型最怕三件事：样本少、过拟合、分布漂移。本文从零实现 MLP 与逻辑回归，演示高斯噪声增强、SMOTE 式混合与 FGSM 对抗训练如何把测试准确率与对抗鲁棒性一起拉起来，并诚实列出会踩的真实陷阱。
14 min Chinese - PCA与因子模型在统计套利中的应用：降维视角下的配对交易
深入探讨主成分分析(PCA)在统计套利中的应用，从降维视角理解配对交易，并提供完整的Python实现框架。
17 min - Transformer模型股价预测：Attention机制在金融时序中的应用
深入探讨Transformer模型在股价预测中的应用，从Attention机制到时间序列建模，带你用PyTorch构建端到端的股价预测系统
24 min - XGBoost与LightGBM在量化选股中的应用
深入探讨XGBoost和LightGBM两大梯度提升框架在量化选股中的实战应用。
3 min
返回