博客

TAR 的硬门限意味着 y 从 −0.0001 变到 +0.0001 时模型系数瞬间跳变——市场哪有这么听话的开关。STAR 用逻辑过渡函数 G(γ,c) 把两套 AR 系数连续混合：γ 大是硬切换（退化成 TAR），γ 小是渐变，让数据自己决定边界的软硬。纯 numpy 实现 LSTAR 网格估计（γ×c 双重网格+内层 OLS）：合成 LSTAR 数据上估出 γ̂=2.5（软边界），RSS 比线性 AR 低 4.4%，比硬 TAR 再低 0.015%。真正的红利在仓位端：G 函数天然输出 0~1 连续状态权重，软仓位择时样本外 Sharpe 4.95 vs 硬 0/1 仓位 4.19，最大回撤 −5.2% vs −10.0%，平均仓位仅 53%。诚实翻车：γ 与 c 联合估计病态（γ 大时似然面平坦），本实验训练集就把 γ=2.5 估成了 6；γ 不可识别时 Luukkonen LM 检验才是正解；软仓位的换手成本被本文忽略。拆穿 STAR 一定优于 TAR/γ 可以精确估计/软边界=模糊无用等陷阱（中阶）。

时域里完全看不见的周期，频域一眼看穿——但代价是三个大坑。合成实验：20 日 + 63 日双周期埋进 AR(1) 噪声（信噪比只有 0.19），肉眼看序列就是一团乱麻，原始周期图毛刺满屏，Welch 平均后双峰清晰浮现。显著性必须对着红噪声基线检验：蒙特卡洛模拟 500 条 AR(1)，20 日周期越过 99% 包络，63 日周期只过 95%。反面教材：纯随机游走的谱最大伪峰是中位数的 375 倍，不差分直接做谱分析必然『发现』假周期。最后的择时实验最扎心：用 Welch 峰值频率 19.69 日直接外推，512 日后相位漂移 144°，方向准确率 0.393（比抛硬币还差），日均 -0.34；把频率精调到 20.06 日后，准确率 0.584，日均 +0.32。频率差 0.4%，结果天壤之别——周期交易的生死线不在『有没有周期』，而在『频率估得够不够准』（中高阶）。

线性 AR 假设涨跌反应对称——但市场明显不是：下跌后反转快、上涨后延续慢。TAR/SETAR 用一个门限把状态空间切成两段，每段各配一套 AR 系数，让『昨天涨还是跌』决定今天用哪个模型。纯 numpy 实现网格搜索门限估计：合成 SETAR 数据上，下状态斜率 −0.20（均值回归）、上状态 +0.36（动量延续），线性 AR 只能给出一条『平均直线』全部拟丢，SETAR 把 RSS 压低 3.4%。样本外择时回测：TAR 择时 Sharpe 4.69 vs 线性 AR 4.19 vs 买入持有 4.46，最大回撤从 −7.6% 收窄到 −6.1%，仓位暴露仅 87.8%。诚实翻车：门限估计的抽样误差不小（真值 0 估出 −0.0034）；Hansen 检验下门限参数不可识别导致标准推断失效；两段样本量不平衡时小状态系数噪声大。拆穿门限=拐点万能/RSS 降幅小=无用/TAR 一定赢线性等陷阱（中阶）。

两条价格各自都是随机游走，差分建模却会把它们之间最值钱的信息——长期均衡关系——直接扔掉。VECM 的答案：在差分方程里加回误差修正项 α(y1−βy2)，让偏离均衡的距离本身成为回归的拉力。纯 numpy 走完全流程：Engle-Granger 两步法估出协整系数 1.232（真值 1.25），残差 ADF=−7.24 确认协整；伪回归对照组 R²=0.62 但 ADF 只有 −1.60——高 R² 不等于协整。误差修正系数 α₁=−0.061 (t=−3.8)、α₂=+0.062 (t=+3.8)，两腿对向修正，价差半衰期 4.8 天；Johansen 迹检验 54.9 >> 15.5 临界值交叉验证。配对交易样本外 500 天：z>2 开仓、|z|<0.5 平仓、z>4 止损，净 Sharpe 2.08、回撤 3.5%、19 次动作。诚实说明：合成数据协整关系永不破裂，真实市场协整会死（招行/平安、可乐/百事都散过伙）；EG 法把 β 的估计误差全部灌进价差；z>4 止损保护不了缓慢漂移型破裂。拆穿相关性=协整、半衰期恒定等经典误区（中阶）。

去噪的终极难题不是『去掉噪声』，是『别把真实跳变一起磨平』。小波阈值去噪的答案：噪声的能量摊平在所有细节层系数上，真实跳变的能量集中在少数几个大系数上——设一条阈值线，小系数归零、大系数存活，跳变就保住了。合成实验（4 个 ±4~6 元的真实跳变 + std 1.2 的噪声）：MAD 从最细层估出 sigma=1.178（真值 1.2），universal threshold 硬阈值把整体 RMSE 从 1.135 压到 0.474；跳变后误差收敛只要 2 天，20 日均线要 5 天，因果均线的跳变后 12 日 RMSE 是小波的 3 倍。但最重要的一节是反面教材：同一个去噪算法，离线全样本版在跳变前一天就开始『预降』（去噪值 99.83 vs 观测 102.99）——它看见了未来。用离线去噪序列做趋势策略总收益 +19.5，换成只用当日以前数据的因果滚动版立刻变成 -16.7。文献里大量『小波去噪+LSTM』的惊人精度，就是死在这一步（中高阶）。

情感词典（利好词 +1、利空词 −1）有个致命短板：它只认得你手工列进去的词。市场天天造新词——『超预期』你收录了，明天出现『扩产』『中标』你没收录，词典对它们视而不见，直接算 0。词嵌入用 skip-gram 从公告语料里学出每个词的向量，语义相近的词自动挨在一起，于是词典外的新词也能被『情绪轴』投影出方向。合成实验：4000 条公告、三类语义（利好/利空/中性），纯 numpy 负采样 skip-gram 训练后同类词余弦 0.981 vs 异类 0.896；构造情绪因子做 IC 检验——在含词典内词的公告上嵌入因子 IC 0.607 与词典计数 0.574 基本打平，但在『全是词典外新词』的留出集上，词典计数 IC 直接归零（0.000），嵌入因子仍有 0.602。附向量可视化、维度敏感性与五类真实陷阱（中阶）。

朴素词袋(BoW)把标题当成一堆无序词的集合，丢掉了「词序」和「哪几个词最关键」。Transformer 的自注意力让每个词去「看」标题里所有其他词、按相关性加权聚合——于是「标题头段和中段的情绪词」能被自动放大。本文用纯 numpy 从零实现自注意力编码器(含完整前向/反向)，在「位置加权的好/坏消息」合成标题上实测：测试集 R² Transformer=−0.026 远优于 BoW 的 −0.873（提升 97%）、方向准确率 54.0% vs 46.4%、读出 token 对关键位置(12,30)的注意力命中率 1.00、互换两个非关键 token 后预测一致性 1.000，并诚实拆穿「注意力一定尖锐聚焦 / 位置编码多余 / 深层才有效 / 小数据随便训 / 注意力=因果」五类真实陷阱（中阶）。

普通 CNN 做序列预测有个死穴：卷积核宽锁死感受野，要看到 32 步前的周期相位得堆几十层。膨胀卷积（dilated convolution）用「每隔 d 个点采一个样」把感受野从线性拉成指数级——d 逐层翻倍 (1,2,4,8,16)，5 层就能覆盖 1+(3−1)·(1+2+4+8+16)=63 步，整根周期纳进窗口；左填充 (k−1)·d 个零保证严格因果、不偷看未来。本文用纯 numpy 从零实现因果膨胀卷积 + 有限差分梯度校验，在多周期正弦叠加合成序列（周期 5/11/17/23/31 步）上实测：膨胀因果 CNN 测试集 R²=0.997、MSE=0.0029，相对普通 CNN(0.996/0.0041) 略有改进，但讽刺的是它仍输给 OLS 线性(0.999/0.0009)——因为任务本质是已知周期的线性叠加，OLS 在精确频率特征上近最优。文章诚实拆穿「膨胀救一切 / 膨胀 CNN 比线性强 / 感受野越大越好 / 因果填充零成本 / 真周期≠可预测」五类真实误区(中阶)。