标签： #量化交易

机器学习给你一个点的收益预测，可你真正想知道的是『我有多不确定』。共形预测用校准集残差的经验分位，在不需要任何分布假设的前提下，给出有限样本可靠的预测区间。本文对比朴素正态区间、普通 Split-Conformal、波动率感知 Conformal 三种方法，配 4 张真实图表与完整 Python。

横截面动量做相对强弱（多空中性），时间序列动量做共同趋势（带方向）。本文用12个资产10年日度数据演示两者相关约0.55、回撤结构互补，等权组合的Sharpe(1.76)高于任一单策略。

夏普比率是被噪声严重污染的随机变量。本文讲清其抽样误差、概率夏普比率(PSR)如何修正偏度/厚尾，以及 Deflated Sharpe Ratio 怎样把多选偏差一次性扣掉。配 4 张图表与完整 Python。

CPPI 用乘数把下行约束写进仓位：缓冲垫 C_t=A_t−floor，风险敞口 m·C_t。本文用带崩盘的市场演示它如何锁住回撤，并点明 gap risk 等真实陷阱。

ETF 同时拥有两个价格：一级市场篮子净值(IOPV)与二级市场实时市价。两者的瞬时分离就是折溢价套利的空间。本文讲清创设/赎回机制、折溢价成因、双边套利路径与成本结构，并用可复现 Python 回测一个收敛套利策略，附阈值敏感性分析与六大真实陷阱。

用极端值理论(EVT)给尾部风险定价：POT 超阈值、广义帕累托(GPD) MLE 拟合与 Hill 尾指数估计，还原被正态假设低估的极端 VaR。

价值、动量、规模这些因子，传统上被用来选股；但「因子」本身也可以被当成一类资产来配置。本文用合成的 5 个风格因子月度收益，证明「因子动量」——用每个因子过去 12 个月收益做信号、做多走强的因子——能把组合 Sharpe 从 0.94 提升到 2.27，且对市场几乎中性(相关仅 0.18)。

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。分数阶差分 fracdiff 用 0<d<1 的阶数，在『平稳』与『记忆』之间取折中。本文从权重公式讲到 ADF 权衡曲线，配 4 张真实图表与完整 Python。