标签： #量化交易

风险平价把风险而非本金切成均等一份，波动率目标把组合波动钉在既定目标。本文用股/债/金/商品 4 资产从零实现二者，并展示融合方案如何把回撤砍到等权的一半。

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。

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。

GARCH 把波动率当收益的确定性函数，随机波动率(SV)则给波动加一层 AR(1) 隐状态。本文用「数据增强+单步 Gibbs」精确采样（slice sampling 抽隐路径、共轭抽参数），后验几乎还原真值，并诚实给出高持续性下混合偏慢等真实陷阱。

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。

用方差互换(variance swap)与波动率互换(volatility swap)把「做空波动率风险溢价」做成可定价、可复制的纯波动头寸，拆解放射率、凸性与期限结构，并给出做空方差互换的 carry 回测与尾部陷阱。

期权的隐含波动率（IV）孤零零一个数字，你根本不知道它「贵不贵」。波动率锥（Volatility Cone）把「某个期限下，波动率历史上通常落在哪」画成一套分位带，让 IV 的贵贱、择时的多空、该卖还是该买期权，全都变成可量化的相对值。本文从零实现波动率锥，并把它用在相对定价、期限结构与风险叠加层择时上。

卖方分析师的盈利预测存在系统性乐观偏差、锚定与羊群效应。本文拆解这些行为偏差的来源，构建盈余惊喜（SUE/PEAD）、分析师修正（Revision）与预期离散度（Dispersion）三大可量化信号，并用 Python 完整实现一个分析师修正因子的回测框架，同时指出覆盖偏差、流动性与行业中性化等关键陷阱。