标签： #python

因子长期有效，但不同因子在不同宏观环境下表现天差地别：扩张期动量最强，滞胀期质量最稳，过热期价值/规模占优。本文用 4 态马尔可夫宏观制度 + 滞后状态倾斜(规避前瞻偏差)，把等权夏普从 1.13 抬到 1.33，并诚实点出宏观数据滞后、状态误判、交易成本、完美预知上限等六类真实陷阱(中阶)。

机器学习做量化最隐蔽的坑之一：直接用价格（非平稳）会引入伪相关，用收益率（一阶差分）又把记忆全丢掉。分数差分 fracdiff 用 0<d<1 的阶数，在「平稳」与「记忆」之间取折中。本文换一个应用视角——不是做特征，而是用 fracdiff 选 d 来服务「样本外预测」：在差分序列上拟合 AR(1) 外推，发现预测误差随 d 呈 U 形，最优 d≈0.65，并在多预测期上证明平稳化的优势随外推越远越明显。配 3 张真实图表与完整 Python（中阶）。

期权交易里，价格只是表层，真正决定盈亏的是它背后的风险因子——Greeks。Delta 告诉你「标的方向动一点亏多少」、Gamma 说「Delta 自己动得有多快」、Vega 管波动率、Theta 管时间、Rho 管利率。本文用 BS 模型从零算出价格/Delta/Gamma/Vega/Theta/Rho 并画出完整曲线，再用风险地图(标的价格冲击×波动率冲击)把二阶敏感度可视化，最后用蒙特卡洛对比「未对冲 / 仅 Delta / Delta+Gamma」三种对冲的 P&L 方差——依次从 1.95 降到 0.19 再到 0.012，并诚实点出「Gamma 对冲要用第二个期权/离散再平衡/凸性缺口/铁幕假设」四类真实陷阱（中阶）。

Vasicek 模型能漂到负利率，在真实利率贴近 0 时很尴尬。Hull-White（1990）把扩散系数保留为常数、让中枢可时变，用 Ornstein-Uhlenbeck 过程给整条收益率曲线一个解析闭式。本文用自洽合成数据从零模拟利率路径、推导债券定价闭式、画出整条曲线随利率切换上凸/倒挂，并用池化 OU 最大似然把参数还原到真值，附完整 Python 与六类真实陷阱（中阶）。

标准 CRR 二叉树的转移概率是常数，所以只能给一条「平」的隐含波动率。Rubinstein (1994) 隐含二叉树换思路：先由市场微笑用 Breeden-Litzenberger 反推出终端风险中性分布，再用前向归纳反解出每个节点的状态依赖转移概率 p(i,j)。本文从零跑通这条自洽闭环，并用真实数值证明——它定出来的期权曲面在每个行权价都能精确还原市场报价，而固定 p 的树只能压出一条平 IV。

相关性在期权市场里是有价格的。指数期权的隐含波动率，隐含了一个比历史已实现相关性更高的相关性水平——这个系统性偏离就是相关性风险溢价（CRP），一个可被做成因子、可被收割、也可能把你抬走的东西。本文用指数方差恒等式从期权 IV 反推隐含相关性，讲清溢价为何长期为正、分散度交易如何做空它，以及它的左尾风险有多致命（高阶）。

你有 500 个因子、2000 个样本，直接全量回归——回测里 R² 漂亮，样本外一塌糊涂。这不是数据问题，是自由度把噪声当成了信号。Lasso 用 L1 惩罚把系数逐个压到 0，弹性网络再补一道相关性缓冲，把「几百个因子」压成「十几个真有信息量的少数」。本文用合成的多因子面板（仅 15 个真信号 + 成组相关）从零跑出系数路径、稀疏度阶梯与 OOS R² 对比，并诚实披露：L1 解决的是过拟合，不是帮你印钞（高阶）。

Black-Scholes 假设波动率为常数，于是同标的、不同行权价的隐含波动率该是平的；但真实市场弯成微笑。Dupire（1994）把波动率写成「依赖于标的现价 S 和到期 T」的局部函数 σ_loc(S,T)，从整张期权价格曲面 C(K,T) 反推出它。本文用自洽合成数据从零跑通「正向 PDE 解出价格曲面 + Dupire 公式反演恢复」的闭环，并诚实点出 ATM 奇点、微笑套利、无模型风险三类真实陷阱（中阶）。