标签： #风险管理

RL 输出一个 Q 值就下单，但点估计不带可靠性凭证——分布一漂移就「自信地犯错」。共形预测包裹任意预测器输出预测区间，有限样本+分布无关保证以 ≥1−α 覆盖真实收益，唯一假设是可交换性。据此设计带可验证下限的交易规则：仅当共形收益下界>0 才出手。纯 numpy 分裂共形+局部自适应，异方差+协变量偏移合成 bandit 上实测：同分布目标覆盖 90% 实测 91.1%（保证兑现）；门控把开仓即盈利命中率从 76.9% 抬到 97.4%，代价出手率降到 17.1%。诚实翻车：可交换性破坏→偏移 3.0 时覆盖从 90% 崩到 53.8%；边际覆盖达标≠处处达标——普通等宽区间高波动区只覆盖 49%、低波动区 98%，需局部自适应共形拉回 87%~92%。拆穿保证=永真/边际=条件/区间=预测准/无分布=无假设/覆盖达标即可交易五类陷阱（中阶）。

传统异常检测先给『正常』建模——估个分布、算个距离，再看谁离得远。孤立森林反着来：异常点本来就少、本来就偏，随机切几刀就能把它单独隔出来，正常点则要切很多刀。于是『被孤立所需的平均路径长度』直接变成异常分数，不需要距离度量、不需要分布假设。合成实验：1000 个交易日、4 维特征（绝对收益、5 日已实现波动、成交量 z、相关性尖峰 z），注入 25 个崩盘日。孤立森林 AUC 0.984，只看收益 z-score 的单变量基线 AUC 0.782——差距来自多维联动：单独看每一维都不算极端、但『量价相关性同时抬升』的日子，只有多维方法抓得住。top-25 命中精度 60% vs 基线 44%。森林规模敏感性：5 棵树 AUC 0.964，50 棵 0.986，100 棵之后彻底平台化——路径长度平均的收敛速度快得惊人。纯 numpy 实现（随机特征+随机分割点递归建树、c(n) 修正项、2^(-h/c) 分数归一化），拆穿分数有绝对阈值/无监督=不用验证/维度越多越好/能检测=能预测/训练集必须干净五类陷阱（中阶）。

高斯类方法（马氏距离）默认『正常』只有一个中心，偏离中心越远越异常。但真实市场的正常状态往往是多峰的——平静区制和承压区制是两团各自正常的云。麻烦就藏在两团之间的『山谷』：那些既不像平静、也不像承压的交易日，恰恰是最危险的，而马氏距离会把山谷判成中心（AUC 仅 0.080，方向都反了）。One-Class SVM 用 RBF 核学一条非凸的支撑边界，把两团正常各自圈住、山谷留在外面：合成实验 1000 个正常日（两区制）+ 30 个山谷异常日，OC-SVM AUC 0.961、top-30 命中 33%，而马氏距离几乎为零。纯 numpy 实现带盒约束单纯形投影的对偶求解器，附 ν / γ 双参数敏感性曲线与五类真实陷阱（中阶）。

点预测答不出「明天最坏跌多少」。分位数 RNN（QRNN）把 RNN 的隐状态接 5 个输出头，用 pinball 损失同时学 τ=0.05/0.25/0.5/0.75/0.95 五条条件分位数——隐状态自动记住波动聚集，区间随市场松紧收放。纯 numpy 从零实现 Elman RNN + 截断 BPTT + 分位损失（手推 pinball 次梯度），在 GARCH(1,1)+t(5) 合成收益上样本外 1000 步实测：QRNN pinball=0.2720 逼近 Oracle（真实 σ+t 分位）的 0.2694，90% 区间覆盖 88.5%，区间宽度与真实波动相关 0.861——碾压滚动历史分位的 0.137；但诚实告败：EWMA-高斯（RiskMetrics，2 个参数）pinball=0.2717 与 QRNN 打平，因为数据生成过程恰好是它的主场。真实翻车实测：独立训练 5 个分位数模型 → 1.9% 时间步分位数交叉（q̂₀.₀₅ > q̂₀.₂₅），联合训练+单调重排才干净；高波动 regime 覆盖率掉到 86.8%。拆穿区间=分布/覆盖率达标=校准/深度必胜EWMA/交叉不重要/合成赢=实盘赢五类陷阱（中阶）。

协方差矩阵是组合优化、风险模型、配对交易的地基，但样本协方差有个致命弱点——单点崩溃：只要几个极端值，整个相关结构就被拖歪。合成实验（真实相关 0.7，10% 样本被反向污染）：经典相关系数直接崩到 −0.068（连符号都错了），MCD 稳健估计还原到 0.611。距离-距离图上 MCD 把 40 个污染点里的 27 个甩到右上方（FP 仅 1），经典马氏距离只抓到 11 个。最扎心的是组合权重：真实最小方差权重是 (1.04, −0.04)，经典协方差给出 (0.62, 0.38)——把该做空的资产配成了 38% 多头，MCD 给出 (0.95, 0.05) 基本还原。核心机制：在所有样本子集里找行列式最小（最紧致）的那 h 个点估协方差，极端值天然行列式大、被排除在外。附一致性校正因子、C-step 迭代、以及『稳健≠无脑抗噪，h 选太大照样被污染拉偏』的反面教材（中高阶）。

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）。

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）。

传统 60/40 表面分散，其实风险几乎全压在股票上——股票贡献了 ~97% 的组合波动，一旦股票崩，债券那 40% 根本兜不住。桥水全天候(All Weather, Dalio 1996)换了个思路：先按「对风险的贡献」而非资金额分配(风险平价)，再让资产覆盖「增长↑/↓ × 通胀↑/↓」四种环境，任一种天气都有资产赚钱。本文用合成宇宙算实：60/40 股票风险贡献 97.3%，全天候压到均衡(股票 39.8% / 长债 37.4% / 中债 6.2% / 黄金 9.0% / 商品 7.6%)；四种环境里 60/40 在衰退年亏 -3.4%，全天候几乎不亏；16 年混合轮动下全天候 Sharpe 0.26、最大回撤 -16.2%，远好于 60/40 的 0.12 / -45.2%。附完整 Python 与五类真实陷阱(中阶)。