博客

Pearson 只能抓线性、dCor 把「独立」变成可检验量，但两者的数学本质到底是什么？距离协方差（DCov）给出最干净的回答：它等于把数据映射到再生核希尔伯特空间（RKHS）后的协方差，也等于「能量距离」在依赖维度上的投影。本文从零实现 dCov/dCor 与 HSIC（核视角），并用「能量距离」这个真正的分布间距离做两样本检验——把一段行情自动识别为平静态还是危机态（正确率 83%）。附完整 Python 与五类真实陷阱（中阶）。

Pearson 相关只能抓线性：r=0 时两变量可能仍强烈相关（如 Y=X²）。距离相关系数（dCor）把独立性本身变成可检验的量——dCor=0 当且仅当独立。本文用纯 numpy 从零实现 dCov/dCor 与置换检验，并在线性/二次/圆/独立四类关系上对照 Pearson，诚实拆穿「径向对称是 dCor 盲区」与「噪声稀释依赖」两条真实边界（中阶）。

我们知道某择时策略『很能赚钱』，但不知道它凭什么赚——它在奖励什么？逆强化学习（IRL）把这个问题反过来：给一段专家实际走过的轨迹，反推它背后的奖励函数。本文用纯 numpy 从零实现 MaxEnt IRL（Ziebart 2008）：特征期望 + 梯度上升学奖励权重 + softmax 访问频率求解。在「专家其实在奖励『动量 + 低波动 + 周期 − 噪声』」的合成市场里，IRL 把奖励权重还原得与真值余弦相似度 0.94，学到的奖励重放出的状态分布与专家 KL=0.06（随机基线 0.23）；并诚实拆穿「专家样本不足→奖励不可辨识 / 特征冗余→权重被错分 / 折扣因子误设 / 最大熵温度 / IRL 给的是偏好不是收益」五类真实陷阱（中阶）。

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）。