博客

伊辛模型（Ising）是统计物理里描述「有序⇄无序」相变的标杆。把它平移到金融：每个自旋是一支股票（上涨 +1 / 下跌 −1），耦合强度 J 就是个股间的「趋同/传染」强度，温度 T 是市场流动性与情绪噪声。当市场从平静（高温无序）滑向恐慌（低温有序）时，会越过一个临界温度 Tc——这时相关性长度发散，全市场一起涨一起跌，正是崩盘的数学相变。本文用纯 numpy 向量化 Metropolis 从零复现二维 Ising，并用 Onsager 精确解对照，证明蒙特卡洛把 Tc 还原到 2.269（真实 2.269），比热尖峰在 2.267、磁化率尖峰在 2.287，并诚实拆穿「一维无相变/红黑更新陷阱/有限尺寸抹平临界/必须锚定二维」四类真实陷阱（中阶）。

卡尔曼滤波是状态空间模型下的最优(最小均方)递推估计器：把要追踪的量写成隐藏状态、把带噪观测写成观测方程，每步只需「预测+更新」，卡尔曼增益自动在信状态与信观测之间取最优折中。本文用纯 numpy 从零实现通用卡尔曼滤波，在噪声价格还原真值、时变对冲比β_t在线跟踪、过程噪声Q的U形敏感性三个场景真实跑通，并诚实指出「因果 KF 的 RMSE 会输给偷看未来的移动平均」这条最被忽视的边界（中阶）。

如何用 LoRA / 指令微调把通用大模型改造成懂财报、会看技术面、能给出风险可控观点的股市预测专家——一套可落地的金融垂直微调方法论。

量化研究员每天都在重复『提假设—写代码—回测—看结果—推翻重来』的循环。大模型 Agent 正在把这个循环自动化，本文拆解一个可用的量化研究 Agent 应该长什么样、能做什么、以及边界在哪。

单尺度样本熵(SampEn)会把白噪声误判成最复杂序列——其实它的复杂度只存在于最细尺度。多尺度熵(MSE)用粗粒化把序列逐尺度平均掉、分尺度重算熵；DFA 用去趋势波动分析给出长程相关的标度指数 α。本文用纯 numpy 从零实现 SampEn/MSE/DFA，在白噪声、1/f 粉红噪声、周期+噪声三类序列上把尺度结构拆开，并诚实指出「MSE 必须用固定容忍半径」这一最易踩的坑（中阶）。

普通神经网络是「离散层」——你叠 N 层就是 N 次变换，深度=层数、和参数量绑死。Neural ODE（Chen et al. 2018）换了个范式：隐藏状态不靠「第几层」，而靠「积分到时刻 T」得到，dh/dt=f_θ(h,t)，从 h(0)=x 用 RK4 积到 h(T) 再读出 y。于是「深度=积分时长 T」，可任意细分、与参数量解耦。本文用纯 numpy 从零实现 RK4 积分 + 把积分计算图展开做反向传播，在「数据来自已知非线性 ODE 流」的合成任务上实测：Neural ODE 测试集 R²=0.992、MSE=0.00204，相对固定深度 MLP(0.989) 改进 25.1%、相对线性(0.158) 改进 99.0%——因为连续流的归纳偏置正好匹配「数据来自连续动力学」。文章诚实拆穿「ODE 比 MLP 强是普适的 / 连续深度免费 / 反向传播廉价 / 数值积分无误差 / 小数据可辨识」五类真实误区（中阶）。

排列熵（PE）的经典用法是「用一个数区分正弦/混沌/噪声」。但真正在量化里值钱的是把它做成实时状态监测器：滑动窗 PE + 模式转移矩阵 + 加权 PE（WPE），能在有序趋势市和无序震荡/危机市之间划出清晰边界。本文从零实现序数模式映射、PE、WPE 与转移矩阵，在「有序-无序」交替合成行情上以 97.6% 正确率识别 regime，并诚实拆穿「PE 量的是结构不是波动」这条最容易被误解的边界（中阶）。

怎么用一个数区分「规则的正弦」「混沌的逻辑斯蒂」和「纯随机的白噪声」？排列熵（Permutation Entropy, Bandt & Pompe 2002）只看序列的『升跌形状』——把每个窗口的相对大小排个序、数频率、算香农熵。它不关心幅度、对单调变换/量纲/平移都不变。本文用纯 numpy 从零实现序数模式计数 + 滑动窗 PE，在三类序列上把复杂度量成 0–1，并展示 PE 如何实时追踪 regime 切换（中阶）。