标签： #量化交易

量化投资的信息优势从来不只是数字，新闻、财报电话会、社交媒体里埋着大量尚未被价格消化的文本信息。本文把大语言模型（LLM）当成一个『因子矿工』——不做端到端预测，而是用精心设计的 prompt 从非结构化文本中提取结构化情感信号，再与传统因子正交组合。受控实验证明：链式思考（CoT）prompt 的信息系数（IC）达 0.061，显著高于零样本基线（0.032）；prompt 优化后的情感因子与价值因子组合，年化信息比从 1.2 提升到 1.7。附完整 Python 实现与三张真实实验图。

一个在A股练出来的RL交易智能体，丢到美股/加密/商品市场为什么往往废掉？元强化学习(MAML)通过学一个『靠近所有历史市场』的初始化，让智能体在新市场只用几笔交易就完成适应。本文numpy从零实现双层梯度的MAML，受控实验证明少样本爬坡速度比『仅预训练』快约一倍、比从头训练快一个数量级，并诚实标注它只迁移『市场结构的共性』而非『具体alpha』。

单一全球因子模型默认「一套权重解释所有市场」，但牛市、危机、低波动期的因子暴露本就不同。本文用 MoE（Mixture of Experts）把组合拆成 K 个线性专家 + 一个门控网络：门控依据可观测的市场状态变量稀疏激活对应专家。在含状态切换的合成数据上，MoE 测试 MSE 为 0.042，远低于单一全局模型的 18.493（降低约 100%），且门控热图证明它确实学到了 market state。附完整 numpy 与四张真实计算图。

传统量化把「预测下一帧价格」当回归问题，但真实市场里你下每一笔单都会改变价格、还会被对手反制。多智能体强化学习（MARL）把交易当成博弈：你、其他机构、做市商都是同时决策的智能体。本文用 Almgren-Chriss 瞬时冲击下的执行博弈做受控实验，证明「对手建模」比朴素 TWAP 在 2 人博弈里省 1.47 bps（约 24.5%）、多智能体虚拟博弈把早期撞车损耗从 87.1 bps 砍到 27.3 bps（降幅 68.7%）；并诚实给出可预测性消融——对手越不可预测，建模优势越消失——以及真实落地时四类必踩的坑。附完整 Python 与四张真实计算图。

同时预测预期收益和预期波动率的因子模型为什么会比单任务模型更准？原因是梯度信号翻倍、共享表征被迫学到『干净的特征』，并且对噪声特征自动降权。本文 numpy 从零搭建硬共享硬参数化模型，用受控实验证明联合训练的 IC 高于单任务拼接。

传统组合按月/季度再平衡，每次交易在月末造成冲击成本和暴露滞后；Neural ODE 把权重变化建模为连续时间常微分方程，用一个小 MLP 参数化漂移 f_theta(w,t)，通过 RK4 积分得到平滑调仓路径。本文用 numpy 从零实现 MLP、监督训练和 ODE 积分，证明在合成双资产组合上，连续控制的跟踪误差仅为月度离散的 1/170（0.0001 vs 0.0170），净财富追平理想目标跟随（0.977），且把月末交易尖峰摊成连续交易流。附完整 Python 与四张真实计算图。

普通神经网络只给一个点预测，但交易里最该知道的是『我有多确定』。神经过程（Neural Process, Garnelo et al. 2018）把函数视为可学习分布，用一组 context 观测点编码成全局表示，对目标点输出高斯均值+方差——天然带置信区间。本文用纯 numpy 从零训练一个条件神经过程（含手写前向/反向），在 GP 元学习任务上证明：95% 区间经验覆盖 0.93（贴近标称）、OOD 未覆盖区 σ 从 0.64 抬升到 0.77（自动承认不确定），而确定性 MLP 永远只有一条过窄的常数带。附完整 Python 与四张真实计算图。

回测里 IC 漂亮的因子，上线半年就悄悄失效——问题是它不会一夜归零，而是每天少给一点。本文化解 Page-Hinkley 漂移检测 + 在线梯度重加权，给因子价格加个滑动窗口注意力。