# 量化

这篇文章围绕 对数周期幂律模型（LPPL） 展开，讨论它为什么在金融市场中“看起来很强、用起来却很脆弱”，以及量化投研里该如何更谨慎地理解它。

核心内容

1. LPPL 的吸引力

2. 过参数化带来的万能拟合

• 在随机价格序列上，LPPL 也能拟合出“看起来很像”的曲线；
• 即使样本内拟合优度很高，也不代表临界时间真的存在；
• 参数空间中存在高度不稳定的方向，导致临界时间估计容易漂移。

换句话说，LPPL 往往能“解释”很多走势，但这不等于它真的“预测”到了什么。

3. 显著性的假象

• ADF 的理论临界值基于较简单的自回归假设；
• 金融数据往往存在小样本、非正态、结构断点等问题；
• LPPL 残差和真实市场噪声之间可能发生混叠。

因此，检验“看起来显著”，不代表模型真的抓住了市场中的临界结构。

4. 参数极不稳定

• 不同参数方向的敏感度差异很大；
• 微小扰动就可能让临界时间大幅跳变；
• 滚动拟合时，临界时间今天是 30 天后，明天可能变成 50 天后，后天又变了。

这意味着，任何基于“具体多少天后崩盘”的决策都非常危险，因为那个数字可能只是噪声驱动的产物。

5. 金融市场与物理临界现象不同

• 物理实验可以重复、控制条件、积累样本；
• 金融市场中的临界事件几乎不可重复；
• 资金、预期、制度和行为反馈会不断改变市场结构。

因此，把物理临界模型直接移植到金融市场，往往会面临“理论漂亮、实盘脆弱”的问题。

文章结论

• 稳健性检验
• 替代模型对照
• 样本外验证
• 参数漂移监控

我的理解

在量化交易里，越是能给出具体时间点、具体结论的模型，越需要检查它的稳定性、外推能力和假阳性风险。LPPL 的价值，更多在于帮助我们识别“市场可能处于加速和脆弱状态”，而不是精确押注某一天的崩盘。

这篇文章介绍了全球最神秘、也最赚钱的交易机构之一 Jane Street，重点解释它为什么能在 2025 年创下极高的交易利润，以及它的赚钱方式为何让普通投资者既依赖又不安。

文章首先梳理了 Jane Street 的背景：它成立于 1999 年，总部在纽约，规模只有约 3500 名员工，却凭借做市与量化交易在 2025 年实现了 390 亿美元级别的交易利润。它低调到几乎不公开接受采访，也没有典型华尔街公司的强层级结构，而是强调扁平化组织和极强的技术文化。

作者指出，Jane Street 的核心业务是做市商：在买卖双方之间提供报价、撮合成交，并通过极小的价差盈利。单笔利润微薄，但在超高频、超大规模的交易中会被放大成惊人的收益。其优势主要来自两点：一是早早切入 ETF 做市，建立了长期技术壁垒；二是依赖数学建模与速度，在多个市场之间寻找瞬时价格偏差并完成套利。

文章还强调，Jane Street 的招聘与华尔街传统金融机构很不一样，更看重数学、逻辑和概率思维，甚至会通过扑克等方式测试候选人的决策能力。它的内部文化也与交易逻辑高度一致：重视在不完整信息下做概率判断，而不是传统意义上的金融经验。

与此同时，文章也讨论了监管和争议。2008 年金融危机后，传统银行受监管限制退出部分自营与做市空间，Jane Street 趁机扩张；但随着它在印度、欧洲乃至中国等市场的影响力扩大，围绕“做市与操纵的边界”也出现了更多质疑。文章认为，Jane Street 的成功说明市场需要流动性，但其盈利模式本身也建立在信息和速度优势之上，因此天然带有争议。

最后，作者总结，Jane Street 不只是一个赚钱很强的交易机构，更像是一套把数学、技术、资本和组织方式结合到极致的市场机器。它既是现代金融效率的代表，也折射出当代市场中普通投资者、机构与监管之间越来越复杂的关系。

摘要

这篇文章记录了一位散户自学量化 20 个月的经历，核心不是“如何快速赚钱”，而是“量化如何重塑一个人理解市场的方式”。作者一开始也抱着很典型的散户幻想：学 Python、做机器学习、写策略，就能预测涨跌、稳定盈利。但在不断亏损和反复试错之后，他逐渐意识到，量化的重点不是写代码本身，而是从“猜涨跌”转向“算概率”，从绝对判断转向条件判断。

文章首先强调，散户常常只盯着单个信号、单只股票、某根 K 线，而量化思维要求先理解条件概率：一个现象在什么条件下才有意义？孤立事件本身通常没交易价值，真正有价值的是它背后的统计关系。作者认为，这种转变是量化学习中最重要的一步，因为它意味着你不再把“肯定”当成答案，而是开始接受市场中的不确定性。

接着，文章讨论了“写策略之前先学会怀疑自己”。作者发现，回测中的最优解并不一定能在实盘中兑现，原因包括滑点、手续费、执行问题、样本外失效等。量化并不是把公式算出来就结束，而是一个持续验证、不断修正、承认误差的过程。尤其到了期权和更复杂的衍生品阶段，变量更多，波动本身也会成为成本的一部分。

文章还提到，量化不仅仅是研究单只股票，而是要在更大的资产和组合维度上思考；同时，估算误差会越来越成为真正的瓶颈。也就是说，模型本身未必是最难的，难的是你如何正确估计参数、如何处理偏差、如何面对现实世界里的噪声和约束。

整体来看，这篇文章更像是一份普通投资者的量化学习笔记：它没有夸张的收益承诺，而是强调量化是一种认知升级——让人从凭感觉交易，转向用概率、验证和风险约束来理解市场。

体会

这篇文章最有价值的地方，是它把量化从“高薪职业幻想”拉回到“方法论训练”。对普通人来说，真正值得学的不是某个神奇策略，而是概率思维、怀疑精神、组合意识和对实盘约束的尊重。

这篇文章围绕 GARCH 模型在量化风控中的局限展开，核心问题是：为什么很多时候模型在样本内表现正常，但一遇到剧烈波动，真实亏损仍会大幅超出预测？

文章首先从“波动率聚集”讲起：市场经常呈现大波动跟着大波动、平静跟着平静的特征，因此 ARCH/GARCH 这类条件异方差模型成为描述波动动态的重要工具。它们相比固定波动率模型更贴近现实，也因此长期被用于 VaR 估计和风险管理。但作者指出，GARCH 主要解决的是“波动随时间变化”的问题，并没有真正解决收益率的肥尾问题。即便把分布改成更厚尾的学生 t 分布，极端行情下的损失仍经常超出模型给出的风险边界。

接着文章把矛头对准“标准化残差”的隐含假设。理论上，标准化残差应该用真实波动率来除，但实际计算时只能用模型估计的波动率，这里面同时包含模型设定误差和参数估计误差。于是，当真实波动率快速上升或下降时，估计值往往滞后，导致标准化残差的分布被“污染”：在波动骤升时，普通下跌会被模型误判为极端事件；在波动骤降时，真正的风险又可能被低估成小波动。作者认为，这正是很多 VaR 回测失败的重要隐藏原因。

为了进一步刻画尾部风险，文章讨论了极值理论（EVT）的用法：先用 GARCH 过滤出标准化残差，再对尾部超额损失用广义帕累托分布（GPD）建模。然而，这套方法也有明显问题。首先是阈值怎么选：阈值太低会把非尾部样本混进来，太高又会让样本过少、估计不稳。其次，GPD 的形状参数在小样本滚动窗口里经常剧烈波动，难以判断究竟是尾巴变厚了，还是只是样本噪声。作者因此建议把极值理论更多当作稳健性检验，而不是唯一的精确答案。

文章随后讨论贝叶斯收缩。它可以把局部估计往长期均值上拉，降低参数抖动，但新的问题是先验怎么选、先验窗口多长、先验是否本身也是时变的。尤其在局部样本很短时，后验结果高度依赖人为设定，主观性并不比阈值选择更少。作者因此倾向于把贝叶斯收缩当作辅助检验，而不是最终结论，并建议与滚动历史分位数等更朴素的方法交叉验证。

在期权数据部分，文章引入了“波动率偏斜”这一视角。尾部风险升高时，价外看跌期权隐含波动率往往高于看涨期权，偏斜能反映市场对尾部风险的即时定价。但作者提醒，这个信号的回归关系很不稳定，日内噪声也很大，难以直接作为精确输入。更可行的方式是把它作为辅助预警：当偏斜超过历史高分位时，适当上调 ES 估计；若没有高质量期权数据，也可以用历史已实现波动率的偏度做交叉参考。

最后文章回到金融建模的根本限制：从巴舍利耶的正态随机漫步，到曼德勃罗的厚尾，再到 GARCH、极值理论和波动率微笑，模型一直在修正旧框架，却始终无法彻底预测极端状态。作者强调，所有基于历史数据的 VaR/ES 模型都有一个共同前提——历史会以某种连续方式重复。但当出现极端流动性枯竭或历史上未曾出现的新状态时，模型会整体失效。因此，除了统计模型，策略还应该设置一条不依赖回测证明的硬性风控线，确保在未知状态来临时仍能存活。

文章的落点也很明确：与其执着于寻找一个“终极更优”的风险模型，不如承认预测的边界，把更多精力放在准备与防守上。

这篇文章讨论 CTA 因子挖掘中最常见的一组方法论选择：到底更适合做时序因子，还是做截面因子。

文章先把两者的核心差异讲得很清楚：时序因子是拿品种自己的历史和自己比较，关注的是价格相对历史分布的位置，典型逻辑是趋势跟踪或均值回复；截面因子则是把同一时刻的不同品种放在一起比较，关注的是相对强弱，典型逻辑是多空对冲或横截面排序。

在收益来源上，文章认为两类因子依赖的市场结构不同。时序因子更依赖价格序列的自相关性，趋势行情越明显，越容易赚钱，但在震荡市里会不断被假信号消耗。截面因子更依赖品种之间的相对关系和分化程度，在波动率较低、品种间相关性较稳定时更容易发挥作用；一旦遇到系统性冲击或相关性突然升高，多空结构就可能失效，出现“两头受伤”的问题。

文章特别强调了波动率对两类策略的不同影响：时序因子往往是波动率的受益者，波动越大，趋势幅度越容易被放大；截面因子则更像波动率的空头，低波动、强分化更适合它，高波动、强相关则不利于它。作者据此引出一个很实用的判断：选择时序还是截面，本质上也是在判断自己对未来波动率环境的看法。

在应用层面，文章还讨论了频率问题。低频截面更依赖板块内部的逻辑一致性，比如黑色系、化工、农产品、有色等；而在更高频的层面，微观结构因素会让更广泛的品种池具备可比性。相对地，时序因子在频率变化上更像是参数周期的调整，逻辑框架本身没有那么大的范式切换。

最后，文章给出的结论不是“谁更强”，而是“谁更适合你的约束条件”。时序策略要接受收益不均匀、参数敏感和震荡磨损；截面策略要接受品种池局限、多空双杀和交易成本。作者认为，更重要的是理解每类策略的适用环境和边界，而不是试图寻找一个能包打天下的万能因子。

整体来看，这是一篇偏方法论和实战框架的文章，适合做 CTA 因子研究时作为选型参考：如果你更看重趋势、容忍波动和长等待，时序可能更合适；如果你更看重相对强弱、组合平滑和对冲结构，截面可能更合适。

文章讨论的是一个很现实的问题：当 Barra 模型从单纯的风险管理工具，变成全行业普遍采用的“共同知识”之后，它是否会反过来放大市场波动。作者先从一个极端情景切入：一家机构把市值、流动性、波动率等因子都中性化，看起来组合很“干净”，但在极端行情里，多空两头却可能一起受损。文章认为，这不是模型算错了，而是模型被太多人同时使用后，开始影响参与者彼此的行为。

作者把这种现象拆成几个层次来解释。第一层是认知：Barra 里的很多因子，原本曾经是有效的 alpha，后来才逐渐演化成风险因子。第二层是博弈：当所有机构都知道别人也在用同一套模型时，个体理性的中性化选择，可能在集体层面变成一种非理性的拥挤操作。第三层是市场微观结构：当赎回、止损、强平、涨跌停和流动性枯竭叠加时，模型信号会被真实交易行为进一步放大。

文章特别强调 2024 年 2 月那轮极端波动，说明很多小微盘产品并不是单纯因为基本面变化而下跌，而是因为行业共用的风控框架、相似的持仓结构和相似的止损机制同时触发，形成了自我强化的负反馈链条。于是，原本被视为“风险对冲”的操作，反而在局部市场里制造了更强的共振。

在应对上，作者提出两条思路：一条是寻找还没被全行业定义的维度，比如利用大模型处理非结构化数据，去挖掘新的信号；另一条是用二阶思维去识别因集体抛售造成的短期错误定价，在流动性枯竭时寻找过度反应的机会。不过作者也提醒，这两条路都很难，前者会迅速被市场模仿并变成新共识，后者则受制于流动性、风控和时间维度的不确定性。

文章最后把 Barra 的位置重新定义为：它是个优秀工具，但一旦成为基础设施，就不再只是测量市场，而是在塑造市场。真正值得警惕的，不是模型本身，而是所有人都把它当成唯一正确答案之后，市场行为如何被共同塑造。

文章对比了 A 股两只规模较大的价值风格指数：中证国信价值指数和国证价值100指数。作者先解释了价值指数的基本逻辑，即通过低市盈率、低市净率、高股息等标准寻找估值偏低、盈利相对稳定的股票，但不同指数在“价值”和“质量”的权重上并不相同。

中证国信价值指数更强调“价值 + 质量”的结合。它先筛掉流动性差、经营风险较高、盈利持续下滑的公司，再在高质量股票池里挑选低估值标的，因此更偏向于优质公司中的相对便宜者。该指数采用等权加权，行业和个股分散度较高，风格更平衡，也更偏中盘。

国证价值100指数则更接近“纯价值”思路。它的基础质量过滤相对简单，随后直接按照价值因子打分选出前 100 只股票，并采用自由流通市值加权，因此整体更偏大盘价值，行业集中度也更高。作者还指出，这类指数在调仓频率、权重上限、样本更换比例等规则上差异明显，会直接影响指数风格。

文章进一步比较了两者的收益表现。无论是回溯区间还是较新的实盘区间，国证价值100整体表现略优，收益率更高，回撤也略有优势；而国信价值则更像是质量约束更强、风格更稳的价值指数。两只指数对应的 ETF 也很容易让人混淆，作者特别提醒读者不要被名字误导。

最后，文章给出一个很实用的结论：如果更偏爱寻找“价值洼地”，可以关注国证价值100；如果更看重公司质量和 ROE 等指标，则国信价值更符合偏好。对于想做价值风格配置的投资者，这篇文章的价值在于帮助理解不同“价值指数”背后的规则差异，而不是把它们简单地看成同一种东西。

这篇文章从趋势策略的视角，对商品期货的不同品种做了分类。
作者用“长期伴侣还是一夜情”这种比喻，来说明不同品种在交易风格和持有特征上的差别。
标题里的“每个品种都有性格”意味着，商品期货不能一概而论，需要结合各自的波动、趋势持续性和交易习惯来理解。
文章的核心是帮助趋势交易者判断哪些品种更适合长线跟随，哪些更像短期机会。
“趋势流畅度全景图”说明作者可能在用系统化的方式评价各个品种的趋势特征。
从内容风格看，这是一篇典型的量化/趋势策略分析文章。
作者通过拟人化的表达，让原本很硬核的商品期货分类更容易被读者理解。
文章的目的并不只是讲趣味，而是为交易决策提供分层和分类框架。
整体上，它是在回答：哪些商品品种更适合成为“长期伴侣”，哪些更像“一夜情”式的短线交易对象。
如果一句话概括，就是：这是一篇用趋势策略视角给商品期货分性格、做分类的交易分析文章。