- 模糊厌恶与最大最小投资组合：用 worst-case 期望把『我可能看错了』写进优化目标
均值-方差只优化一个点估计的预期收益，等于默认『我对市场收益的看法百分之百正确』。模糊厌恶（ambiguity aversion）把『我可能看错了』显式写进目标函数：在最坏-case 的预期收益下做最大最小决策。本文用 numpy 从零实现 Garlappi-Uppal-Wang 凸组合形式，在 40 资产 / 2 因子合成数据上证明：模糊厌恶组合的 OOS 回撤 −1.65% 优于切线组合的 −2.03%，年化 Sharpe 3.48 也更高，且权重集中度（HHI）随厌恶系数单调下降。附完整 Python 与三张真实计算图。
9 min Chinese - Bootstrap IC 置信区间：给你的因子 Rank-IC 算出一个真显著的上下界
因子回测里最常犯的错，是把一个 0.05 的 Rank-IC 当成『有效因子』。点估计没有显著边界，你根本分不清它是真信号还是样本偶然。本文 numpy 从零实现 block bootstrap（按月整块重抽），在 N=200/T=120、真实 IC=0.06 的合成数据上给出 95% 置信区间 [0.082, 0.104]、t-stat=16.4、p≈0，并讲清 block bootstrap 为何优于普通 bootstrap。附完整 Python 与三张真实计算图。
11 min Chinese - 杠杆效应的量化表达：EGARCH 与 GJR 如何让波动率记住坏消息
标准 GARCH 的方差只依赖冲击的『平方』，天然抹掉了方向——跌 3% 和涨 3% 推高波动一样多。但真实市场里，坏消息比好消息更吓人。本文用 numpy 从零实现 EGARCH 与 GJR 两个非对称波动率模型，在带杠杆的合成数据上证明：EGARCH 正确恢复出负的杠杆系数 γ=-0.096，样本外对数似然 1268 对 GARCH 的 1261，坏消息对波动的冲击是等幅好消息的 1.5 倍以上。附完整实现与四张真实计算图。
9 min Chinese - Merton 跳跃扩散资产定价：把跳变成分从连续波动里剥出来
Black-Scholes 假设价格连续游走，可股灾里价格是「跳」下去的。本文 numpy 从零实现 Merton(1976) 跳跃扩散闭式期权定价(对跳数次 n 求 BS 无穷级数)，12 万路径 Monte Carlo 校验误差仅 0.019；ATM 期权价 15.38 vs 无跳 BS 9.41(跳变溢价 +63%)，并把价格拆开：连续扩散占 10.6%、跳变占 89.4%。附完整 Python 与四张真实计算图。
11 min Chinese - 动量崩溃：为什么最赚钱的因子会在崩盘里把利润吐回去
动量（momentum）是学术界反复验证、实战中持续有效的经典因子，但它有一条致命的尾巴——动量崩溃（Momentum Crash）：在市场急跌后的暴力反弹中，此前输家因空头回补与低估值而飙升，此前赢家回调，多空组合 WML 在几周内回撤 30% 以上。本文用 numpy 合成一个带崩盘窗口的动量因子，量化这条左尾：崩盘期 WML 累计回撤 -37.9%，5% VaR 从 -3.7% 恶化到 -6.7%，左尾近乎翻倍。附完整实现与四张真实计算图。
8 min Chinese - 主成分套期保值：用少数公因子把组合暴露降到最低方差对冲
最小方差对冲的标准做法是对一堆候选工具做 OLS 回归、用残差当『已对冲』收益。但当你有 200 个对冲工具、只有 150 天样本、且大部分工具只是噪声时，OLS 会过拟合到样本内 R²=1.0、样本外 R²=−322。本文用 numpy 从零实现 PCA 降维对冲：只取承载真实信息的几个主成分，残余方差从 OLS 的『虚高 100% 对冲』回到诚实的 99%，样本外 R² 稳在 0.97。附完整 Python 与三张真实计算图。
8 min Chinese - 稳健 PCA 与异常因子剥离：用主成分把离群股票的影响压下来
标准 PCA 对极端离群点几乎零容忍——一只复牌补跌或业绩暴雷的股票，就能把整个截面因子结构拽偏。本文 numpy 从零实现稳健 PCA（主成分追踪 PCP），在 N=60/T=250、3% 离群污染的合成数据上把低秩恢复相关从 0.968 拉回 0.998，离群点 100% 召回且不误报，还给出完整 Python 与三张真实计算图。
12 min Chinese - 门限 GARCH 非对称波动：让波动只在『坏消息』上跳
经典 GARCH 把收益平方搬进方差方程，正负号被抹平，于是涨 3% 和跌 3% 对波动贡献一样——这跟市场常识对着干。本文 numpy 从零实现 GJR-GARCH(门限 GARCH)，MLE 还原真实参数(α=0.049, γ=0.098, β=0.835)，量化『同等 ±3% 冲击坏消息多推高 200% 条件方差』，并演示波动目标叠加把回撤从 −83% 压到 −48%。附完整 Python 与四张真实计算图。
12 min Chinese
返回