标签： #量化交易

把 Elton-Gruber 落差比的真值精确设为 0.882353（td=25%、tg=15%）再造 6000 个除息事件，结论是残酷的：单个事件的落差/股息比标准差高达 7.06，5/95 分位落在 [−10.1, +11.7]，41.8% 的除息日价格反而上涨——单事件层面这个量完全测不出来。四种估计量在 400 次重复下全部近似无偏（偏差 0.0021~0.0074，|偏差|/抽样SD 均 ≤0.09），问题不在偏差在方差：抽样标准差从 0.0592 到 0.1272 差一倍多，而同一次抽样它们给出 0.9256 / 0.9875 / 1.2174 / 1.0148 四个答案，跨度 0.29——足以把反解税率从 15% 摆到 40%。要把落差比钉到 ±0.01 需约 21 万个事件。零税安慰剂（真值精确 1.0）估计 0.9939±0.1273，零噪声安慰剂绝对偏差 2.99e-05，无 tick 取整时精确到 1.70e-14。策略端：零成本下盈亏平衡股息税率 0.2758 精确落在边际投资者 td=0.25 附近，但加上 12bp 半价差后曲线全段为负——连免税账户也不赚钱，4~5bp 就吃光全部税收优势。免税账户零成本单笔 SD 1.904%、均值仅 +0.0618%，需 3798 笔才够 |t|=2（高阶）。

受控竞速模拟量化速度的真实价格：全体延迟同步放大 10 倍，收入比值精确等于 1.000000——绝对速度一文不值，值钱的只有名次。零离散安慰剂下份额锁死在 1/(K+1)，自由进入让全行业投入恒等于租金池。

「波动率涨了我们降了仓」在任何风控例会上都无法被反驳，但 120 家基金同说这句话时，它就是下一轮下跌的原因。受控模拟把基本面路径外生给定，因此每个百分点的归因是构造已知而非估计：基本面最低 −12.88%，实际价格跌到 −16.98%，差的 −4.10 pp 完全是行业自己砸出来的（放大 1.35x；200 条路径均值 1.45x、95 分位 1.99x）。三条安慰剂锁死机制：只留 1 家基金内生塌到 −0.0146 pp（同样杠杆同样行为，一家和 120 家差 281 倍）；价格冲击设为 0 与持仓零重叠均精确归零——螺旋 = 杠杆 × 拥挤 × 冲击，任一为零则消失，而公共讨论几乎只谈第一个。杠杆扫描出现拐点：5.0x 内生 −4.92 pp，6.0x 反而回落到 −3.63 pp，因为 36.7 家已爆仓退场——用历史最大跌幅校准高杠杆风险会低估危险，跌幅被爆仓截断了。同一个消息，200 条路径跌幅从 −27.33% 到 −6.35%（高阶）

普通债券的凸性是白送的礼物：利率跌得越多赚得越超预期。MBS 把这份礼物反过来送给了借款人。受控现金流引擎证明：WAC 6.00%、净票息 5.50%、基准价格精确 100.0000 的池子，有效久期 6.34 年、有效凸性 -313.2；拿一支久期几乎完全匹配的国债（久期 6.35、凸性 +46.5）对照，利率下行 300bp 时国债涨 +21.32%、MBS 只涨 +9.70%（上行捕获率 45.5%），上行 300bp 时国债跌 -17.12%、MBS 跌 -19.86%。根因是 WAL 从 3.47 年拉伸到 12.18 年（3.51 倍），有效久期在 +125bp 见顶 7.58 年、到 -300bp 塌缩到 3.08 年。DV01 中性对冲比率 0.9977，但四个方向的残差 P&L 全为负——这就是空 gamma。三条对抗式检验锁死因果：CPR≡0 安慰剂最小凸性 +143.8 全区间转正，CPR≡10% 恒定速度对照 +44.7 也全为正，说明负凸性来自「利率敏感的期权」而非「回款快」；S 曲线陡度 k 从 0 扫到 8，最小凸性从 +25.6 塌到 -2427.5（高阶）

配对交易教科书告诉你「两资产 Pearson r 高就能配」。但这只是平均意义下的联动——极端行情下它们会分道扬镳（Gaussian），也会一起崩得更狠（t/Clayton）。本文用受控仿真证明：同样 ρ=0.72 的两资产，Gaussian copula 世界里经验尾部相关 λ̂(0.05)=0.407（独立基准=1.0 → 无尾部聚集），Clayton θ=3 里 λ̂(0.05)=0.527，理论极限 λ_L=0.794。在 t-copula 世界跑标准 z-score 策略，最差单笔亏损是 Gaussian 世界的 2.04 倍（-6.97 vs -14.20）；加入尾部感知过滤后最大回撤从 -432% 压缩到 -232%，最差单笔从 -6.97 改善到 -4.07。安慰剂检验显示：Gaussian 世界的有限样本偏差（λ̂=0.407）是 Pearson 聚集效应而非真实尾部相关，打乱时序后 λ̂→0.047；t-copula 自由度 ν 从 3 扫到 60，理论 λ_L 从 0.465 塌向 0.003（ν→∞ 即 Gaussian），与蒙特卡洛标准误曲线完全吻合。要把 λ̂_L 估计到 ±0.05 精度，N=3000 时 Gaussian SE=0.049，N=200 时 SE=0.171——样本量不够时你的「尾部相关」大概率是噪声（中/高阶）。

深度拆解金融工程师的技能栈：金工这个岗位到底在做什么，需要哪些硬技能和软技能，从量化 C++ 到 GPU 异构计算，从随机微积分到生产级系统设计。

受控模拟里每个参与者的真实身份已知：撤单比在「做市商 vs 填塞者」这个真正的判别任务上 AUC 只有 0.341——比随机猜测还差。零填塞者安慰剂下阈值照抓 12 人，且 Jaccard=1.000 是一模一样的那批做市商。

隐马尔可夫模型（HMM）号称能「让数据自己说话」、自动识别市场状态——但这个「自动」里藏着两个致命陷阱：look-ahead 污染的 Viterbi 全样本解码让准确率看起来很漂亮（80%+），一旦剥掉未来信息、换成因果 Filtering，准确率直接跌回随机水平（≈11%）；而即便模型「猜对了」，状态切换的平均识别滞后高达 99.5 天，熊市开始时中位数滞后 217.5 天——等模型翻多，熊市已经走了大半年。本文用 5000 天受控仿真（真实状态序列已知）+ 纯 numpy 从零实现 Baum-Welch / Viterbi / Forward Filtering，实证揭露：HMM 在高信噪比仿真中仍无法可靠检测状态（准确率 11%），但基于估计状态的顺势配置仍跑出 Sharpe 1.04 vs B&H 0.74 的超额收益——这部分 alpha 来自状态持续性本身，而非状态预测；零状态安慰剂（HMM 喂给 i.i.d. 收益）跑出 Sharpe 119 的「虚假繁荣」，是所有 regime 研究最需要警惕的自欺；K=3 在本数据上最优，但 K=6 的 OOS Sharpe 更高，说明状态数选择本身就是一个过拟合维度（中阶→高阶）。