标签： #量化交易

你造了一个候选新因子,回测漂亮——但它到底是真增量,还是旧模型(比如市场因子)早就解释过的东西换了个皮?因子跨越检验(spanning test)干的就是这件事:检验「新因子的载荷是否联合为零」。本文用 Huberman-Kandel / GRS 型联合 F 检验,在 8 个测试组合上跑两个对照——冗余因子(F=0.19,p=0.99,不拒绝H0)vs 真增量因子(F=6.11,p≈0,拒绝H0,真实载荷 0.5 被还原成 0.51)——把「新因子有没有增量信息」从嘴炮变成可计算的统计判决。附完整 Python 与六类真实陷阱(中阶)。

你筛出 1000 个因子,每个跑 IC 显著性检验,挑 p<0.05 的 95 个——其中 45 个是假阳性,真阳性率不到一半。经典多重检验要么放宽到失控、要么收紧到全灭。Benjamini-Hochberg 用 FDR 在'发现力'和'假阳性率'之间找平衡:同样 1000 个因子,它找出 52 个、只含 2 个假阳性(FDR 0.038),且不漏掉任何一个真信号。附完整 Python 与五类真实陷阱(中阶)。

经典均值回复(布林带 z-score)隐式假设价格是随机游走(H=0.5),用普通收益率白化偏离。但真实价格有 Hurst 记忆: H<0.5 黏均值、H>0.5 顺趋势。本文用分数布朗运动 fBm 从零复现「先估 H、再按 D=H+0.5 做分数差分」的自适应均值回复框架: R/S 在增量上干净分离三类 regime(0.44/0.59/0.73)、D=0.8 分数差分把残留记忆从 -0.245 压到 -0.088、蒙特卡洛 400 路径证明分数差分把趋势 regime 的 lag-1 自相关从 0.96 降到 0.04——即正确白化后,你不再把趋势误当成均值回复。附完整 Python 与六类真实陷阱(中阶)。

一个主动经理到底能跑赢多少？Grinold-Kahn 基本面定律用 IR = IC × √BR 一句话给出上限。本文从零复现：IC 0.05/BR 250 的经理理论 IR 0.79,而 IC 0.15/BR 400 能冲到 2.0；并证明「翻倍预测技巧 = 翻四倍下注广度」的等价关系,以及约束(TC)如何把 IR 砍掉 40%,附完整 Python 与五类真实陷阱(中阶)。

标准 GARCH(1,1) 把收益方差当成一条连续的、同质的过程, 可真实市场的波动是『连续扩散 + 偶发跳跃』两层叠起来的。跳跃一发生, 方差里就多出 p·σ_j² 一项, 普通 GARCH 会把这部分错算进连续波动, 在跳跃日把条件波动高估 21.1%。本文用 ARMA(1,1)-GARCH(1,1)+高斯跳跃(jump-GARCH)把两层拆开: 过滤得到『连续波动』、用 ±2.5σ 残差阈值检测跳跃(召回 40.3%、精确 65.8%)、并量化跳跃方差占日度总方差的 20.7%。3000 日合成样本实证, 附完整 Python 与六类真实陷阱(中阶)。

标准 CAPM 只认市场 beta，但小盘股、低换手债、垃圾债在危机时跟市场一起「流动性干涸」，这层风险它看不见。Pastor-Stambaugh 把「市场层面的流动性创新 LIQ」当成第二个风险因子，给资产加一道流动性 beta。本文用 360 月、60 资产的合成面板真实跑通两步估计:流动性调整横截面 R² 从 0.103 拉到 0.865、估计出 lambda=0.0072(真实 0.0080)、按流动性 beta 五分位排序最高组比最低组多赚 9.74%/年——这就是流动性给资产贴的「折扣」对应的补偿。附完整 Python 与六类真实陷阱(中阶)。

配对交易/统计套利的本质问题只有一个——价差偏离均值后多久回去？Ornstein-Uhlenbeck(OU) 过程把均值回复写成 dx=κ(θ−x)dt+σdW，并给出可估计的回归速度 κ 与半衰期 HL=ln2/κ。本文用协整价差 + OU 建模 + z-score 信号，从零复现一套统计套利回测，并点明协整断裂、时变 β、手续费吞没、前视偏差四类真实陷阱（中阶）。

同一个『买过去赢家、卖过去输家』的排序策略, 持有 1 个月是亏的(短期反转), 持有 12 个月却赚钱(动量)——差别只在持有期 h。本文把它拆成两个隐藏成分: 短期『过度反应』仅 lag-1 反转(γ_R(1)=-θσ_O²<0, lag≥2 归零)与长期『信息动量』持久(γ_M(h)=σ_M²·φ_M^h>0, 衰减慢)。300 股 × 2982 日合成面板实跑: rank-IC 从 -0.109 翻到 0.012、L-S 月均收益由 -3.23 翻到 0.33、拐点出现在 h*≈3 并在 h=6-12 区间随动量累积持续增强。附完整 Python 与六类真实陷阱(中阶)。