博客

移动平均会滞后、HP 滤波端点漂移、小波要选基——经验模态分解（EMD, Huang et al. 1998）换个思路：不预设基函数，直接按数据自身的局部极值反复「筛」出一组本征模态函数（IMF），高频在前、低频在后，最后一块是趋势残差。本文用 numpy 从零实现 sifting，在「慢饱和趋势+双周期+噪声」合成价格上把趋势 RMSE 压到约 4（接近 HP 滤波的 2.3），并诚实对比 MA / HP，拆穿端点漂移、模态混叠、噪声敏感、停止准则、计算成本五类真实陷阱（中阶）。

量化因子的生命周期：从发现到衰减的全过程管理 - halo的技术博客

为什么同样买一亿的单，大盘蓝筹几乎不动、小盘冷门股却拉涨停？答案藏在一个系数里——Kyle lambda，价格对净订单流的冲击斜率。它同时是流动性的倒数和信息含量的温度计：λ 越高，说明市场越浅、订单里的知情信息越浓。本文从 Kyle (1985) 的做市商模型出发，用纯 numpy 从零把 λ 用 OLS 回归估出来（R²=0.98 还原真值 0.8），验证信息占比越高 λ 越大、信息事件期间滚动 λ 从 0.5 飙到 1.5、横截面上成交量越低 λ 越高（幂律斜率 −0.53），并诚实拆穿订单符号分类误差/回归内生性/时变结构/流动性口径混淆/样本频率五类真实陷阱（中阶）。

同样挂在买一档的限价买单，排在队首和排在队尾，价值天差地别。本文用离散时间队列模型从零量化「队列位置价值」：成交概率随排队深度单调衰减（队首 83% → 队尾 2.3%），但「位置价值」却是非单调的——因为队首成交太快会被知情抛压逆向选择吃掉。最佳位置是第 3 位而非第 1 位。附完整 Python 与五类实战陷阱（高频）。

单家机构的 VaR 只看自己亏多少，看不见「你倒了连累谁」。网络中心性（度/特征向量/介数）把机构间的敞口纠缠量化成节点重要性，直接回答监管与风险管理的核心问题：哪些机构是系统重要性最高、最不能倒的 SIFI。本文用纯 numpy 从零构造银行间敞口网络，计算三种中心性并对比排名，并诚实拆穿网络不完整/阈值主观/时变断裂/多层隐藏/中心性权重五类真实陷阱（中阶）。

保护性看跌 overlay（protective put）是把股票组合下行风险焊住的最经典工具：持有一揽子股票 + 长期滚动买入虚值看跌，崩盘时看跌变成实值把损失垫住，平静期则持续付权利金。本文用 Black-Scholes 从零实现滚动 3 月看跌 overlay，自洽合成下两次崩盘分别对冲掉 22.3 与 8.9 个百分点跌幅，但累计保费年化拖拽约 5.4%——诚实拆穿择时错配/微笑低估/股息漏记/展期跳点/过度对冲五类真实陷阱(中阶)。

把日内价格采样越密，波动率估计越准？恰恰相反——朴素实现波动率（RV）会随采样加密而爆炸，因为它把买卖价差跳动、价格离散、报价错配这些微观结构噪声当成了真波动。本文用纯 numpy 从零实现实现核（Realized Kernel）与预平均（Pre-averaging）两套抗噪估计器，用波动率信号图展示 RV 如何从 21% 爆到 276%，再验证实现核如何把 60 天的 RMSE 从 21% 压到 2.6%，并诚实拆穿噪声结构假设/带宽选择/跳跃污染/流动性错配/端点效应五类真实陷阱（中阶）。

傅里叶要整段周期、小波要选基、VMD 要拍 K 和 α——奇异谱分析（SSA, Vautard & Ghil 1989）走另一条路：把序列「延迟嵌入」成轨迹矩阵，做 SVD 把方差拆成本征分量，再按分量分组把趋势 / 周期 / 噪声拼回去。本文用 numpy+scipy 从零实现嵌入、对角平均还原与分量配对，在「慢饱和趋势+双周期+噪声」合成价格上把趋势 RMSE 压到 2.05（HP 2.34），前 6 个本征分量吃掉 100% 方差，并把隐藏的周期 37 用配对分量还原出 0.934 相关，诚实拆穿窗口 L 主观、分量配对模糊、噪声淹没弱周期、端点缺失、计算成本五类真实陷阱（中阶）。