标签： #量化交易

马科维茨最大夏普对协方差估计极度敏感——样本噪声一来，权重就爆成几十倍杠杆、还冒出一堆空头。等风险贡献(ERC / Risk Parity)干脆放弃预测收益，只要求「每个资产对组合总波动率的边际贡献完全相等」。本文用固定点迭代 w∝1/(Σw) 在 6 资产合成上求解：ERC 收敛 263 步、风险贡献精确 16.67%×6(方差 9.7e−33，而等权 9.5e−07)，权重向低波动资产倾斜(最低波动资产拿 41% 权重)；并在高/低相关市场下验证风险贡献依旧均匀。附完整 Python 与六类真实陷阱(中阶)。

相关性在平静时很好用,一到大跌它就骗你:2008 年雷曼倒下那周,所有资产相关性都飙到 1,分散化保护瞬间蒸发。根因是普通相关系数只测「平均联动」,而危机是尾部事件。极值理论(EVT)用阈值超限 + 广义帕累托分布(GPD)专门建模「极端值」,再用尾部依赖系数 λ 量化「一个资产暴涨/暴跌时,另一个也极端的概率」。本文用 4 万次蒙特卡洛证明:同相关系数 ρ=0.6 下,高斯尾部依赖 λ→0(极端不联动、分散化有效),而 t(ν=4) 尾部依赖 λ≈0.31(极端高度联动、分散化崩溃)——这正是一危机就「什么都一起跌」的数学真相(高阶)。

因子不是常量，而是有时强有时弱、且强弱会持续的状态。本文用 5 个合成风格因子的月度收益证明：用因子过去 12 个月收益做信号、做多走强的因子，能把组合 Sharpe 从 0.94 拉到 2.27，且对市场几乎中性（相关仅 0.18），并在文末给出六类真实陷阱（高阶）。

Fama-French 三因子（MKT/SMB/HML）在 1980s-2000s 暴露两大漏洞：它解释不了「高盈利公司未来回报更高」（盈利能力异常）和「保守投资公司未来回报更高」（投资异常）。Fama 和 French 自己在 2015 年给出答案：往模型里加 RMW（高盈利减低盈利）和 CMA（保守减激进投资）两个因子，变成五因子。本文用与 q 因子模型同构的合成面板实跑：RMW 多空 Sharpe 5.51、CMA Sharpe 4.86、HML Sharpe 2.36；在 18 个测试组合上 FF5 平均 R² 0.977 高于 FF3 的 0.973、平均 |alpha| 0.0007 远低于 FF3 的 0.0025，GRS 检验 F 统计量从 55.21 暴跌到 0.65——说明 RMW/CMA 确实补上了 FF3 的洞。附完整 Python 与六类真实陷阱（高阶）。

传统 12 月动量在拐点处最痛——刚追进去就反转。52 周新高因子(George & Hwang 2004)用『价格是否贴近 52 周最高』做拐点过滤：只买那些创了新高(或极度贴近)还在涨的股票。本文用 200 只股票 20 年月度面板从零复现,证明接近度对横截面收益呈单调阶梯、且与 12 月动量低相关,在熊市更抗摔(高阶)。

词典法只能抓字面褒贬词，读不懂「营收不及预期但指引超预期」这种反转。FinBERT 是在金融语料上继续预训练的 BERT，三分类（positive/negative/neutral）直接输出概率，对否定、语境、金融术语的还原力远超朴素词典法。本文用合成截面实跑：FinBERT 与「真实隐藏信号」的相关系数 0.92，碾压词典法的 0.45；按情绪分做多空组合净 Sharpe 约 2.8、年化 22%。附完整 Python 与六类真实陷阱（高阶）。

Fama-French 的 RMW 用『营业盈利能力(OP)』——扣掉 SG&A 和利息之后还能剩多少。Novy-Marx(2013) 反问：你扣太多的才是噪声。毛利率(总收入减营业成本，再除以资产)更贴近『收入里究竟有多少真金白银』，更持久、更干净，截面预测力也更强。本文用合成面板实跑：毛利率十分位严格单调、多空年化 12.5%/Sharpe 1.96、CAPM alpha 12.4% 且 β≈0(防御)，rank-IC 0.042(t=6.71) 碾压营业盈利的 0.015，面板一阶自相关 0.92 对 0.05——『现金含量』确实是更稳的 alpha 源。附完整 Python 与六类真实陷阱（高阶）。

Peters 的分形市场假说用一个 1951 年水利工程师 Hurst 发明的指标，把「市场有没有记忆」量化成一个数 H：H=0.5 是随机游走(无记忆)、H>0.5 是趋势型(涨了更可能接着涨)、H<0.5 是均值回复型(涨了更可能回落)。本文从 R/S 重标极差讲起，用 Davies-Harte 生成分数高斯噪声，演示三类序列 H 的干净分离(趋势 0.73 / 随机 0.44 / 回复 0.39)、R/S 的 log-log 拟合，以及把滚动 Hurst 做成 regime 检测器——它在合成三段市(趋势→回复→随机)里把三个状态识别得清清楚楚(滚动中位数 0.68/0.29/0.62)，再谈经典 R/S 的有限样本偏差和六类真实陷阱(中阶)。