- 流动性调整 CAPM：Pastor-Stambaugh 模型把流动性风险定价
流动性调整 CAPM：Pastor-Stambaugh 加流动性因子，把『别人缺流动性时你也缺』的风险定成溢价。模拟里流动性 Beta 组合收益 −8.3%→+21.3%，定价误差降 69.9%，附 Python 与五类陷阱。
14 min Chinese - 订单簿失衡 LSTM：用深度模型预测秒级价格方向
订单簿失衡(Order Flow Imbalance)是高频价格预测里最有信息量的特征之一。本文从零构造 LOB 失衡特征，用 LSTM 捕捉其时序依赖预测秒级价格方向，并用混淆矩阵、训练曲线与含成本回测检验它的真实价值。附完整 PyTorch 风格 Python 与六类真实陷阱（高频）。
16 min Chinese - 元学习(MAML)跨市场快速适应：让策略学会『学会』
MAML 学的不是模型而是『能快速适应的起点』：每个市场当一个 task，元训练出 θ_meta，新任务只用 K=10 样本一步梯度就贴近最优。合成实验 10-shot MSE 2.07 跑赢 Pooled(2.31)与从零(3.32)，10 种子全胜。附完整 Python（高阶）。
16 min Chinese - 多重分形去趋势波动分析(MF-DFA)：用分形谱识别市场的多重尺度异象
MF-DFA 用多重分形谱 f(α) 量化「单分形 vs 多分形」：白噪声谱宽 Δα≈0.05（退化成点），p 模型级联 Δα≈0.81（宽谱）；滚动 Δα 还能当危机/波动聚集的无分布探针，附完整 Python 与六类真实陷阱（高阶）。
14 min Chinese - 在线投资组合 OLMAR：跟随均值回复的在线再平衡算法
OLMAR 把移动平均反转写成在线组合更新：用 MA_w(p)/p 预测下期价格相对，沿被动-主动方向重配再投影回单纯形。6资产3年合成回测总收益 41.9%（买入持有 17.5%、UCRP 30.0%），20 种子 12/20 跑赢 UCRP，但日换手 104%、回撤 −42%（高阶）。
15 min Chinese - 最优传输(Wasserstein)资产配置：用 Earth Mover's Distance 把分布差异变成权重
最优传输(Wasserstein)资产配置：用 Earth Mover's Distance 比较收益分布形状，softmax(−β·W1) 软分配权重，避开样本内『幸运肥尾』陷阱。附完整 Python 与五类真实陷阱（高阶）。
13 min Chinese - 智能订单路由(SOR)：在多个交易场所之间把大单拆成最优流
智能订单路由(SOR)：用二次临时冲击成本把大单拆到多场所，water-filling 凸优化逐期自适应重配，实现短缺从 17.0 降到 7.8 bps。附完整 Python 与六类真实陷阱（高阶）。
14 min Chinese - 门限协整与 TVECM：非线性误差修正的配对交易
门限协整与 TVECM：真实配对常是门限结构——带内随机游走、带外才快速回复。模拟还原 τ≈0.22、带外 κ=0.49，门控后 Sharpe 0.31→0.81，附 Python 与六类陷阱。
14 min Chinese
返回