博客

Swaption 是利率衍生品里最标准的「波动率期权」：买的是未来某天进入一个利率互换的权利。本文用 Hull-White 短期利率模型做全路径蒙特卡洛估值，给出平价互换利率 S(T_e)、远期年金 A、payer swaption 到期 payoff 与现值的完整闭式，再用二分法把 HW 扩散 σ_HW 校准到市场 20% 对数正态 vol(ATM 价精确对齐 0.0152)，并诚实点出「HW 常数 σ 压制波动率微笑 / 扁平曲线使 forward 确定性 / 利率模型 vs 波动率模型是两层不同校准 / 单因子无法拟合整条波动率曲面」四类真实局限(中阶)。

经典 GARCH 假设「好消息和坏消息对称地推高波动」，但股灾里「跌比涨更恐慌」是铁律：同样 3% 的跌幅带来的波动跳升，往往大于 3% 涨幅。本文用一套合成的真实波动数据，从零实现 TGARCH(1,1) 与 EGARCH 的 MLE 拟合，量化「同等 ±3% 冲击，跌幅比涨幅多推高 9% 条件方差」，并给出把杠杆效应写进波动率预测、风险预算与期权对冲的完整 Python（中阶）。

Black-Scholes 给所有行权价同一个常数波动率，于是隐含波动率该是平的；但真实市场弯成微笑，外汇期权尤其典型。Vanna-Volga（VV 法，又称半解析微笑插值）不拟合整个曲面，只抓三个支柱期权（25-delta put / ATM / 25-delta call），用蝴蝶（凸度）和 Vega（波动率敏感度）把微笑「加」回 BS 价格。本文用自洽合成数据从零跑通三支柱 Lagrange 校正，证明它在支柱处精确还原市场 IV（残差=0），并诚实点出支柱外无套利失控、远端外推爆炸等六类真实陷阱（中阶）。

波动率目标组合(VT)：不预测方向，只用过去已实现波动做 w_t=σ_target/σ̂_t 缩放敞口。合成市场(年化波动 30.6%)下把波动砍到 15.9%、回撤从 −86% 压到 −56%。附完整 Python 与六类真实陷阱（中阶）。

你算出两根序列相关 0.35、策略收益自相关 0.18——这是真有结构，还是随机数据碰巧撞出来的？Ljung-Box Q 检验把「直到滞后 h 的全部自相关」打包成一个卡方统计量，用 p 值回答「这批自相关能不能被白噪声解释」。本文用合成白噪声、AR(1) 与拟合残差三类序列，从零复现 ACF、Q 统计量与蒙特卡洛功效，并点明滞后阶选择、短期记忆误判、小样本、多序列族错误四类真实陷阱（中阶）。

2026年AI编程工具全面横评 - halo的技术博客

回测跑出 1.5 的夏普很爽，但它真的不是运气吗？经典 t 检验在收益非正态、自相关、样本短时会严重失真。本文用 iid bootstrap 重抽样,在「零假设=无 alpha」下重建夏普的分布,直接算出 p 值:真 alpha 策略 p=0.015 当场现形、纯噪声策略 p=0.47 无所遁形。并附功效分析与四类真实陷阱(中阶)。

你有 50 个宏观指标,每个都有噪声和各自的惯性,共同趋势被淹没在面板里。动态因子模型(DFM, Stock-Watson 2002)主张:真正驱动一切的只有少数几个『共同因子』。两步法把 8 条指标压成 1 条因子,与真实共同因子的相关从单条指标的 0.51~0.82 拉到 0.91。本文从零复现并拆穿三类真实陷阱(中阶)。