标签： #python

怎么用一个数区分「规则的正弦」「混沌的逻辑斯蒂」和「纯随机的白噪声」？排列熵（Permutation Entropy, Bandt & Pompe 2002）只看序列的『升跌形状』——把每个窗口的相对大小排个序、数频率、算香农熵。它不关心幅度、对单调变换/量纲/平移都不变。本文用纯 numpy 从零实现序数模式计数 + 滑动窗 PE，在三类序列上把复杂度量成 0–1，并展示 PE 如何实时追踪 regime 切换（中阶）。

传统模型只给「明天涨 3%」一个点预测，却答不出「这个数我有多不确定、最坏会跌多少」。分位数回归森林（QRF, Meinshausen 2006）把随机森林的每个叶节点存成样本集合，预测时直接对落点叶的样本求经验分位——于是一次预测吐出整条条件收益分布，而非一个点。本文用纯 numpy 从零实现回归树 + 随机森林 + QRF，在「异方差 + 左偏」的合成收益上实测：90% 区间经验覆盖 QRF=0.874、OLS-正态=0.902、CRPS QRF=0.531 优于 OLS 正态的 0.563 与线性 QR 的 5.326，并诚实拆穿「森林=平滑均值 / 分位单调 / 样本量免费 / OOB 替代 / 分布外可信」五类真实陷阱（中阶）。

递归神经网络（RNN）靠隐藏状态把「过去」压缩进「现在」，天然适合「给定过去 T 个收益，预测下一期」这类时序任务。但金融序列信噪比极低，RNN 常常「训得动却赢不了线性模型」。本文用纯 numpy 从零实现 Vanilla RNN（BPTT + 梯度裁剪，无任何深度学习框架），在一个含慢因子+波动率聚集+短期动量的合成收益序列上做下一期收益预测，诚实报告结果：RNN 测试集 R²=0.171、方向准确率 0.658、MSE 比 OLS 低 1.1%；而 OLS 本身已比朴素基线低 34.7%。结论不是「RNN 完胜」，而是「在弱信号金融数据上，RNN 的增益是真实的但微小的，真正的价值在它对非线性/波动结构的建模能力，而非暴力拟合」。并附 LSTM 门控代码与四条最易踩的边界（中阶）。

GNN 在金融里最被滥用的说法是「我能从图结构学到别的方法学不到的东西」。但它的数学本质其实很朴素：把 N 个资产之间的相关性当成一个图，相关矩阵 C 截成非负加权邻接 A，算归一化拉普拉斯 L = I − D^{−1/2} A D^{−1/2}，对 L 特征分解得到 U 和特征值 λ；λ 就是「频率轴」——小 λ=低频/跨图平滑的板块信号，大 λ=高频/噪声。图傅里叶变换 x̂ = Uᵀx 把节点信号搬进谱域，再套一个谱滤波器 g(λ) 就能做全局低通去噪。本文用纯 numpy 从零实现拉普拉斯特征分解 + 谱低通 + Kipf-Welling 局部 GCN + 谱聚类，在 50 资产两板块合成图上实测：局部 1 跳 GCN 去噪 corr=0.973(远超观测 0.430、谱低通 0.633)、但谱聚类恢复准确率仅 0.720，并诚实拆穿「图比表强 / 谱低通最优 / 深层才分得好 / 邻接怎么造都行 / 金融可直接落地」五类真实陷阱(中阶)。

单一模型永远有盲区——线性回归不懂非线性、核方法抓不住交互、周期项被当作噪声。Stacking 集成的妙处是用一个元学习器，把多个互补基学习器的预测「加权拼」成最终预测：谁准就听谁的。本文用纯 numpy 从零实现（含 proper Out-of-Fold 防泄漏），合成一支「线性+tanh非线性+交互+周期」混合结构的收益宇宙，训练四个各只看得见一块的专科专家，最终 Stacking 把测试集 IC 从单模型 0.10–0.40 拉到 0.61、多空收益差从 0.23–0.84 抬到 1.24，并诚实拆穿「基学习器同质化时集成几乎无效/元学习器小样本过拟合/权重天花板/OOF 不做必泄漏/线性读出下不赢线性基线」五类真实陷阱（中阶）。

RNN 记不住长程、又只能串行训练；Transformer 注意力是 O(N²) 显存吃紧。时序卷积网络（TCN，Bai et al. 2018）用「因果膨胀卷积」给出第三条路：感受野随层数指数级扩张、全程并行、且严格不泄漏未来。本文用纯 numpy 从零实现 6 层因果膨胀卷积，在「目标依赖 {1,2,4,8,16,32} 步多尺度滞后」的 tanh 非线性合成序列上实测：TCN 测试集 R²=0.669，相对普通 CNN(0.436) 提升 53.4%、相对朴素基线(−0.009) 碾压；但讽刺的是它仍输给 OLS 线性(0.957)——因为这个任务是线性可加的。文章诚实拆穿「膨胀救一切 / TCN 比线性强 / 感受野越大越好 / 因果填充零成本 / 通道数陷阱」五类真实误区（中阶）。

多元高斯 copula 有一个致命盲点：它假设所有依赖都对称、且上下尾一致。但金融市场最关心的是「危机时大家一起跳水」的下尾联动——这正是高斯 copula 2008 年失灵的根源。Vine Copula 把 D 维依赖拆成一层层二元 copula 的「藤」，每层只处理一对变量（可带条件），于是能用 Clayton 这种擅长下尾的族去刻画危机共跌，又能在不同层用不同族。本文用纯 numpy 从零实现 C-Vine 的 Clayton 采样与 h-函数，在 4 维合成数据上把下尾依赖织到 0.71（理论值 0.707），而同样 Kendall's tau 的高斯 copula 只有 0.40，并用核密度、散点危机区、柱状对比三类真实图说清这件事，最后诚实拆穿「藤结构选择 = 维度爆炸」「参数估计靠成对拟合」「条件采样偏倚」三条最易被忽视的边界（中阶）。

跨资产联动最坑的地方在于：它往往是「局部的、带特定周期的、只在某段窗口出现」。传统 Pearson 相关系数把全样本平均成一个数字，刚好把这种「中段同频联动」抹平了——全样本 r 只有 0.08，看着像两笔独立资产，其实危机窗口里它们正踩着同一个 16 日周期同涨同跌。小波相干（wavelet coherence）就是为这事造的时频显微镜：它把「相关性」展开成（周期 × 时间）二维场，能在某个周期、某段时间里把联动单独拎出来。本文用纯 numpy 从零实现 Morlet 连续小波变换（含边缘效应 Cone-of-Influence 处理）+ 平滑相干，合成两支「平时独立、危机窗口共享 16 日周期」的资产：全样本时域相关仅 0.08、危机窗口也只有 0.43，但 16 日带的相干在危机段冲到 0.95（其余时段 0.84）；并诚实拆穿「时域平均抹平局部联动/边缘效应伪高相干/必须配平滑/尺度选择与尺度图误读/相干≠因果」五类真实陷阱（中阶）。