年度研究目录与分层解读

Carver 新书把仓位、成本和交易管理放到台前；它是培训线索，不是新策略论文

Not another one! My fifth book...

Rob Carver

一句话先讲结论

Carver 介绍的新书面向不能加杠杆、不能做空的股票、ETF 和加密现货交易者，允许主观选择机会，但要求仓位、成本和风险按规则管理。对于已有系统化经验的量化研究员，新增价值更可能在培训与执行规范，而非一条可马上复现的 Alpha。这里完整解析的是作者公告，不是未读整本书的书评。

它到底在问什么？

如果交易方向来自直觉，哪些环节仍必须标准化？作者试图把寻找交易的判断与管理交易的纪律分开，尤其给没有衍生品杠杆的普通账户一套可执行约束。

作者具体怎么做？

1. 公告称 The Art and Science of Trading 已完成校样，计划十二月一日正式出版；这是作者当时的发布说明，本次不核实购书供货。
2. 目标场景是多头、资本约束下的股票、ETF 与加密现货，作者说它比自己此前作品更入门，使用直观解释和表格而非主要依赖公式与 Python。
3. 内容主题包括稳健回测、分布不确定性、Kelly、成本、头寸调整与半自动交易。推荐语强调交易全生命周期，但这些属于提前读者评价，不是本次对具体章节的独立验证。
4. 作者自己也表示，若读者已熟悉其旧作、只做杠杆期货且完全系统化，并不一定需要这本书；这为研究员判断阅读优先级提供了边界。

关键结果

怎么理解？

对团队而言，可以从这篇建立一张培训清单：入场观点、仓位、成本、退出、风险变化后的调整，是否各有负责人和明确规则。很多系统把大量精力投入信号，却让后面几步靠默认参数，最终收益来源便难以解释。 不过，规则化不等于正确。一个错误仓位模型也可以执行得极其一致；Kelly 对收益估计误差尤其敏感，不能仅因为书中讨论它就直接用于满额风险预算。资深研究员应把公告当成寻找清晰教学表达的线索，而不是把作者资历与推荐语替代对具体方法的审阅。

最大限制

整本书未取得和阅读，章节方法、示例表格与任何效果不能冒充已核验。本文所有内容边界以公开公告为准，也不评价未读内容是否优于作者旧作。

复现与研究价值

若用于培训，先选交易成本和风险变化后的头寸调整作为试读主题，用团队现有案例检查讲法是否能转成具体清单；再决定是否扩展。不要为了给公告补“实验结果”而编造收益表。

原文与核查

公开新书公告完整解析；未读整本书，不作为全书书评。

原始文章 ↗

作者说明：各书适合什么读者

返回全年目录 ↑

夏普从 0.63 归零：先修复历史成分名单，才有资格讨论股票信号

Ghost Members. Recipe for Reconstructing Historical Membership of S&P 500 from Public Sources

Carlos García Arano

一句话先讲结论

作者为 2009—2026 年重建了 856 家发行人的标普 500 月度成分历史，成功匹配 850 家；把真实历史股票池放回原策略后，此前 0.63 的净夏普降到接近零。最重要的修正不是补几个退市价格，而是同时解决当时谁在指数里、退市公司是谁、同一个股票代码是否已经换了公司这三个问题。

它到底在问什么？

免费行情很容易下载，但今天的成分名单不能代表十年前的投资机会。研究员究竟需要怎样的身份和日期记录，才能让回测中的每一只股票确实是当时能选到的那家公司？

作者具体怎么做？

1. 长期历史来自 fja05680/sp500 社区仓库，较近期用公开的指数增删记录独立重建，合并成 2009—2026 年月度成员表。符号附带的退市年月后缀属于信息，不能清洗时随手删掉。
2. 显式调用包含退市公司的历史列表，再按公司名称查询 SEC。只查询存续股票会遗漏死亡样本；只按代码查 EDGAR 又可能命中后来使用相同代码的另一家公司。
3. 存续公司通过 SEC company_tickers.json 直接解决约 87% 的匹配，其余通过公司名称找 CIK。候选 CIK 必须存在与该公司指数成员窗口重叠的 10-K、10-Q 申报，不能只凭名字相似接受。
4. 最后保留 850 个有依据的映射，明确排除 6 个无法可靠识别的发行人，并用来源和代码不同的两套重建检查原策略是否得出相近结论。

关键结果

怎么理解？

这篇把数据工程变成了可证伪的研究假设。错误的代码映射比缺一行数据更危险：系统不会报错，却会给一个真实公司安上另一家公司的价格和财报。CIK 与成员窗口交叉验证的价值，是让这种看似完整的数据也必须通过经济身份检查。 独立重建使策略都失去优势，是很有力的敏感性证据，但不是名单完全正确的证明。两份来源可能共享上游错误；CIK 也通常标识申报主体，不自动解决同一发行人的多类股票。将发行人、证券、上市地点和指数席位拆开管理，才能避免把身份匹配率当成完整回测可用率。

最大限制

公开文件只有月度精度，不能直接用于日级指数纳入交易；6 个排除样本仍可能非随机。正文自身名单差额存在算术不一致，代码回收示例的具体交易所身份也应回查。本次读完文章，未独立逐行核对作者仓库或重跑前篇策略。

复现与研究价值

先为每次成员增删保存公告日、生效日、证券永久 ID、CIK 和原始证据，再抽样审核退市、并购和代码复用情形。把不同股票池的入选数量、行业敞口和策略收益逐项桥接；月频结果通过后再决定是否购买日级数据。此为未执行方案。

原文与核查

公开正文完整解析；未下载重跑作者成员文件及前篇策略。

原始文章 ↗

历史成分社区仓库

SEC 存续发行人代码映射

返回全年目录 ↑

财报后漂移：9.6 个百分点的组间优势，调整市场敞口后只剩 0.1

Post-earnings-announcement drift decomposed by earnings predictability and gross profitability

Serhat Girgin / QuanterLab

一句话先讲结论

把 S&P 500 公司按“盈利可预测性 × 盈利能力”分成 9 组后，未对冲的 42 日 PEAD 策略里，稳定高盈利组平均年度收益 +6.6%，不稳定低盈利组 −3.0%，看起来差了 9.6 个百分点；但前者平均净多 38%，后者净空 31%。每天扣除这部分净敞口对应的指数收益后，两组变成 +2.4% 和 +2.3%，差异只剩 0.1 个百分点。

它到底在问什么？

PEAD 是否对不同公司一样强？盈利更稳定、盈利能力更强的公司，业绩超预期后是不是更容易继续漂移？这关系到在财报信号上再加质量筛选，究竟能不能增强 Alpha。

作者具体怎么做？

1. 使用历史时点的标普 500 成分股。按过去 8 个季度盈利预测误差的稳定程度（至少 4 季度），与毛利润／总资产，各分三档，交叉形成 9 组。财务数据仅在 SEC 接受日期之后使用；这里的盈利能力不是毛利率。
2. 信息公开的首个交易日收盘入场，盘后公告顺延；分别持有 5、10、21、42 个交易日。多空组合买显著超预期、空显著低于预期，另比较最强正向意外与全部公告都买。
3. 2006—2025 年逐年检验。72 个研究设置加上 9 个市场敞口调整重跑，共 81 项登记研究。所有结果与排除窗口一并报告；登记指历史窗口评分前冻结规则，不是历史发生前的前瞻注册。

关键结果

怎么理解？

最重要的拆解：看起来像“盈利质量增强 PEAD”的差异，主要被市场净敞口解释了。“多空”只表示允许做多和做空，不代表多空等额，更不代表市场中性。不同公司群体以不同频率触发正负信号，分组也顺便改变了市场方向暴露。 另一个有意思的结果：筛选最强正向意外后，投入资金的回报更高，但平均闲置资金也更多。现金不计收益，使整个组合反而落后。“更好的交易”不等于“更好的组合”；筛选的价值还取决于剩余资金如何配置，不能默认放大少量持仓就能无成本解决。

最大限制

市场调整仅在 42 日持有期执行，且不是逐股 Beta 对冲。全公告多头缺少同一组股票直接持有的基准，不能完全区分公司群体本身的收益与公告时点增量。成本未包含市场冲击；数据和平台结果未由本站独立复现。

复现与研究价值

A 股复现价值高，优先借鉴对照设计：盈利意外 × 盈利稳定性 × 盈利能力，同时做市场、行业、Size、Momentum 调整，并补上同组直接持有基准。尤其应区分业绩预告、快报和正式财报的首次信息时点，避免把已公开的盈利变化再次算作新信息。

原文与核查

已核对原文方法、表 2–6、讨论与登记说明；未独立执行作者回测。

原始文章 ↗

返回全年目录 ↑

100 个 AI 投资人格年化 29.5%，却与一个普通提示的选股重合 92%

Do LLM “Crowds” Produce Investment Signals? An Empirical Test

Steven Edwards；导读 Quantpedia

一句话先讲结论

100 个 GPT-4o 投资人格各选 50 只美股，取提名最多的 50 只后，市值加权组合年化 29.5%，SPY 为 15.3%，六因子 Alpha 仍约 9.65%；但它与一个没有人格设定的普通提示组合重合 92%。最清楚的结论是角色数量没有带来多少选股多样性，而不是已经证明收益全部来自科技 Beta：原作者明确说，单一市场周期无法判定剩余 Alpha 到底来自信息、遗漏因子还是行情巧合。

它到底在问什么？

同一个大模型扮演价值、成长、逆向等不同投资者，能否像真正的智慧群体一样汇集独立信息？这里要分开两个问题：组合是否赚钱，以及一百个人格是否比一个普通提示多提供了信息。

作者具体怎么做？

1. 作者构造 100 个不同投资哲学人格，每个要求选 50 只美国上市股票，合计出现 1,059 个不同代码；以出现频率最高的 50 个组成共识。
2. 评估三个加权方案，公开导读重点报告市值加权结果；回测从 2024 年 1 月开始，共 561 个交易日，作者以模型标示的 2023 年 10 月知识截止时间安排检验区间。
3. 用 Fama–French 五因子再加动量做收益归因，同时查看入选成分及普通单提示对照，检验人格的边际贡献。
4. 对人格子集进行 bootstrap，25 个人格已能复现约 88% 的最终成分，完整组合与普通提示有 92% 重合；所有 50 只也都是标普成分，显示强烈知名公司集中。

关键结果

怎么理解？

对量化研究员，真正能带回去的是实验对照：在搭建几十个 Agent 前，先做一个不扮演角色的朴素版本，看看复杂架构究竟改变了什么。如果最终都在重复同一批大公司，增加人格很可能主要增加调用成本与看起来充分的讨论，而不是独立信号。 但这里也要比导读的强结论谨慎一步。知名科技股集中可以解释为何怀疑风格行情，尚不能证明剩余 Alpha 必然虚假。下一步应匹配行业、规模、成长、质量和实际权重，再跨不同市场环境比较；同时冻结具体模型快照和提示生成日期，知识截止标签不能单独保证完全不存在后训练信息或版本变化。

最大限制

SSRN 原文页返回 403，本次完整解析公开导读并区分其转述与作者更谨慎的结论，未核验原始全部提示、权重、股票池和代码。样本只有一个主要市场环境；成分重合率不是完整的独立信息检验，训练截止也不是无泄漏的充分证明。

复现与研究价值

将预算相同的单模型重复采样、多角色、不同模型、不同独立信息源四组放在同一个事前确定的美股候选池中，冻结提示和可见日期。先比较成分/权重/预测误差相关，再比较风格中性、净费用的样本外组合表现；不要只增加角色个数。

原文与核查

公开导读与其所引作者摘要/结论完整解析；SSRN 全文受限，未独立重跑。

原始文章 ↗

原工作论文 SSRN 6543239

返回全年目录 ↑

PEAD 平均年收益从 −0.5% 变 +2.2%：入场日期变了，实际上连组合定义也变了

Post-earnings announcement drift 2006-2025

Serhat Girgin / QuanterLab

一句话先讲结论

同一历史标普股票池，季度初统一建仓的 PEAD 多空网格平均年收益 −0.5%；改成各公司财报已知后的首个收盘入场，平均变 +2.2%，十日持有达到 +3.1%。但这不只是把同一批交易提前：筛选从季度前五/后五变成滚动历史分位，持仓数与净多空也随消息变化。论文识别了事件时点的重要性，尚不能把全部改善都归为“更早入场”。

它到底在问什么？

大型股财报漂移究竟消失了，还是慢频组合形成时已经错过可捕捉窗口？回答前必须确保比较的事件年龄、筛选规则和风险暴露可拆开。

作者具体怎么做？

1. SUE 为实际 EPS 减一致预期，除以公司过去八次惊喜的波动，至少四次历史才可评分；作者避免价格缩放与供应商拆股重述基准混用。
2. 季度版本每季初取过去九十天报告，行业内买五个最大、空五个最小惊喜，固定持有后空仓到下季。
3. 公告版本以过去 365 日行业惊喜池的 80/20 分位为阈值，正负号须与方向一致，已知公告后的首个收盘进入，所以排除隔夜跳空和首日反应；每公司只许一个未平仓。
4. 成本按流动性分单边 1.5/3/6bp，空头年借费 50bp，记录 4,400 个计划窗口中 3,990 个执行、410 个因行业最低十五公司门槛排除。

关键结果

怎么理解？

这篇胜在把形成日和事件日的区别量化，而不是泛泛说 PEAD 有或没有。一个因子按季度可算，不代表它在季度初仍有信息；事件信号的研究坐标首先应该是公开时点，而不是方便的数据频率。 但因果解释需要进一步收窄。两种版本同时改变阈值、资金使用率和净仓位，不能称为只移动一个日期的严格消融；全网格净多比例与收益低相关，也不能代替逐日 Beta 对冲。作者把既有历史按顺序冻结记录，确实约束了程序流程，却不是在 2006 年真正预注册未来测试；附录对此诚实说明，应保留。

最大限制

供应商一致预期历史、EPS 重述、事件时间戳及平台代码未独立复核；借费常数不反映稀缺，冲击成本缺失。行业分类变化令部分行业样本较短。所谓 90% deflated-Sharpe 数字也不是策略真实有效的客观后验概率。

复现与研究价值

做四格实验：固定同一筛选只改日期、固定日期只改筛选，再对照资金利用率和 Beta 中性版本。特别核查科技的 +10.5% 在逐日敞口扣除后剩多少；真正价值在于事件时间对齐，而非直接采用最好行业格。

原文与核查

公开研究全文、所有主要表及附录说明已读；未独立运行平台。

原始文章 ↗

返回全年目录 ↑

AI 研究系统的核心不是多跑回测，而是阻止错误结果进入决策

The Quantish Research Harness

Quantish

一句话先讲结论

一个加密策略原本报告累计收益 +139%，订单对账才发现保证金设置让 63% 的计划入场没有执行；修正后基准收益降到 +81.6%，回撤反而加深。Quantish 因此把 AI 研究助手放进预注册、代码审核、订单核对和样本外检验的固定流程：文章真正有价值的不是声称 AI 找到两条策略，而是展示哪些检查曾把漂亮结论推翻。

它到底在问什么？

当 AI 可以快速改代码、跑参数、写解释，研究团队如何阻止它把实现错误、单月好运和反复试验包装成稳定策略？

作者具体怎么做？

1. 看到结果前先把假设、数值接受标准和停止条件提交 Git；新功能默认关闭，关闭时要求原基准保持不变，避免实验污染已经接受的版本。
2. 影响判决的脚本必须以哈希通过独立对抗审核，才允许运行。回测后先检查新代码是否真正触发、计划订单是否对应成交或明确拒单，再讨论收益。
3. 参数扫描寻找附近设置共同有效的区域，而不只报最优点。只有预先选定的候选进入隔离样本外，按费用、滑点和借券成本计算，并报告相对基准差值的置信区间。
4. 将失败试验也保留永久记录与证据包；一个 41 次调参研究的全部样本内赢家在样本外反转，于是保留旧基准，而不是继续扫描直到出现想要的答案。

关键结果

怎么理解？

最值得移植的是“先验证试验确实发生”。编译通过、云任务成功、出现净值图，只能证明程序跑完；如果仓位、拒单或新分支触发率错误，后面的 t 值再严谨也只是分析错误对象。订单不变量通常比再加一个高级统计检验更早救命。 不过，哈希审阅与预注册不是自动免疫系统。审核者可能共享同一错误，研究员也可能不断启动新的预注册项目来消费同一份样本外。真正需要持久记录的是整个研究族的尝试次数、数据接触历史和失败原因，而不只是单个获胜项目的完整日志。

最大限制

文章是系统作者自述，没有公开完整代码、两条策略交易流水或独立复核，因此不能据此认定其策略可部署或收益可信。bootstrap 如何处理时间依赖、整个研究族如何校正多重检验，也未充分展开。

复现与研究价值

可先落地最小版本：策略规格锁定、默认关闭实验开关、目标仓位—订单—成交三段对账、参数试验账本和一次性留出集。让助手生成结论前强制输出未成交比例、收益贡献最集中的月份与净成本差，再由人决定是否推进；不必照搬完整平台。

原文与核查

公开工程文章全文已读；未获得作者完整系统与交易记录。

原始文章 ↗

返回全年目录 ↑

黄金宏观支持分数在1996—2026年预测下一季度金价的相关性超过25%，但单一黄金合约的策略Sharpe只有0.5

Gold and macro factors

Ralph Sueppel（Macrosynergy）

一句话先讲结论

一句话先讲结论：作者以美国政策宽松、美元稳定性担忧和全球经济悲观三类宏观主题合成黄金支持分数；1996—2026年该分数与下一季度COMEX黄金期货收益的相关性超过25%、月度方向准确率和均衡准确率均超过55%。按月末信号、次月持仓、10%波动目标的长短模拟，长期Sharpe约0.5、Sortino约0.7、累计非复利收益超过200%，但没有扣交易成本且只有一个合约，故它是低频宏观信号的候选证据，不是可直接下单的金价预测器。

它到底在问什么？

慢频宏观信息能否在金价及金相对股票表现上提供可交易的前瞻信息，而不是只对历史叙事做解释？

作者具体怎么做？

1. 将构成变量按概念、主题、总分三层等权聚合，并对慢频宏观变量做滚动标准化与±3σ截尾。
2. 用月末分数预测下月、季度末分数预测下一季COMEX黄金期货收益，报告相关性与方向准确率。
3. 构造10%波动目标的长短及只做多、0到2倍风险暴露模拟；月末调仓并假设1日滑点，但不扣交易成本。
4. 再将黄金与标普期货构成相对收益目标，检查绝对黄金分数能否迁移到跨资产配置。

关键结果

怎么理解？

文章的优点不是一串宏观故事，而是明确说明了慢变量为何不宜用短样本机器学习优化，并用概念等权降低事后拟合。弱点也很明确：三大主题和许多成分指标本身具有研究者自由度，且长样本中黄金的大行情并不多。对组合经理而言，最应检验的是信号是否在黄金相对权益、通胀冲击和实际交易成本后仍有增量，而不是只看绝对黄金的历史曲线。

最大限制

作者不扣交易成本、买卖价差和期货滚动执行成本；文中多个频率、指标和策略变体带来多重检验风险。底层宏观数据和版本修订可影响点时点可得性，且30年样本中的独立极端周期很少。单一合约策略的容量、保证金和风险预算也未建模。

复现与研究价值

以实时vintage宏观数据复建每个成分并锁定发布滞后；预先选择月度或季度频率、仓位函数和成本模型，在近年留出样本验证。与通胀、实际利率、美元趋势等简单基准做增量回归，并将黄金信号放入多资产风险预算，报告对组合Sharpe、回撤与换手的边际贡献。

原文与核查

公开正文完整阅读；未取得底层实时数据和代码。

原始文章 ↗

返回全年目录 ↑

股价能帮忙估计经济，但不是因此就能预测股价

What Daily Stock Returns Tell Us About the Economy

Larry Swedroe；研究：Fabrizio Ghezzi

一句话先讲结论

这项研究把日频美股和低频宏观发布放进同一个状态空间模型，得到的经济活动因子与月度 CFNAI 相关约 0.80，对下一月 CFNAI 的解释力约 50%；但它并不能预测股票收益。值得借鉴的是如何用金融市场补充经济实时估计，不是把‘经济预测有效’直接翻译成‘股市择时有效’。

它到底在问什么？

GDP 和就业发布慢、频率低，投资者却每天都在吸收新信息。作者想知道，日度股价中有没有可提取的真实经济信号，以及它究竟反映未来现金流，还是只反映折现率变化。

作者具体怎么做？

1. 使用 1950—2019 年样本，把日频 S&P 500 与不同发布频率的实体经济指标合并；正文强调按发布时点使用初值。
2. 通过 Kalman 框架提取共同状态，再观察它与传统景气指标的同步关系和预测关系。
3. 分别预测实体活动、现金流、股票收益及通胀；不能只展示最成功的一类预测目标。

关键结果

怎么理解？

这篇最有用的区分是信息提取与收益预测。股价能够及时反映现金流消息，恰好可能使这些消息难以继续预测收益；一个不错的经济实时估计器，并不欠我们一条赚钱曲线。对研究团队而言，它更可能用于情景分析和宏观风险监测。 真正需要核验的是增量信息：把股票输入拿掉，仅保留同样的宏观发布，再比较预测误差。CFNAI 等指标与模型输入共享宏观成分，较高相关性并不全是股市贡献。此外，要区分实时过滤和全样本平滑；后者会用到之后的数据。状态自相关接近 0.99，也可能部分来自建模时的平滑约束，不能单凭持久性认定抓到了经济基本面。

最大限制

完整原论文及实时版本数据库未逐项核验；正文预测解释力不是交易回测，亦没有给出经济监测转换成仓位规则的净收益。

复现与研究价值

未执行的研究方案：固定发布日期版本，比较宏观单独模型与加入股票模型的滚动实时预测误差，再检验是否改善风险预警；最后才单独设计交易实验，不把宏观预测分数冒充策略表现。

原文与核查

收录解读正文完整阅读；原论文未完整核验。

原始文章 ↗

收录原文

返回全年目录 ↑

基准相关 99.44%，仍能凭空制造 0.66% 的 Alpha

CAPM after Markowitz: Portfolio Choice Meets the Market

Denis Joly

一句话先讲结论

作者在严格满足 CAPM 的八资产人工总体中，只把真实市场换成不完整代理，保持所有资产收益和协方差不变：代理与真实市场相关 90.30%，最大表观 Alpha 已达 3.36%/年；即使相关高达 99.44%，也能出现 0.66%。因此回归剩余收益首先是‘相对这个基准的剩余’，不是自动获得了独立选股能力证明。

它到底在问什么？

Markowitz 给定预期收益和协方差后求最优组合，CAPM 则问什么预期收益能使所有人的最优需求与市场供给一致。本文重点解释从组合选择到资产定价多加了什么，以及实证时丢失了什么。

作者具体怎么做？

1. 构造八资产正定协方差及供给权重，以 2% 无风险利率、6% 市场风险溢价生成满足 CAPM 的预期收益。
2. 删除私人企业与房地产等成分构造代理，解析计算定价误差，隔离代理错误而不引入抽样误差。
3. 再用固定版本 French 六个规模×账面市值比组合做真实数据回归：分别报告个体稳健区间与经典 GRS 联合检验。

关键结果

怎么理解？

这对量化团队的直接用途是改写业绩归因语言：先说明基准资产范围、权重、频率和币种，再谈 Alpha。用沪深300解释小微盘组合、用股票指数解释多资产策略，残差很容易同时包含缺失风险暴露，不能把正截距统称为研究能力。 文章也谨慎区分两种统计检验：个体区间采用 Newey–West，经典 GRS 的精确 F 分布却仍有独立同分布及正态条件。不能因为图上的区间稳健，就把联合 p 值也称为同样稳健。代理问题既不能被忽略，也不应成为所有策略回测的免责借口；应该用预先指定、经济上合理的多个基准检查结论敏感性。

最大限制

收录全文与公式阅读，作者代码未独立运行。人工总体只展示可能机制，不证明实际 Alpha 都由代理误差造成；长样本平均关系也可能掩盖时变暴露。

复现与研究价值

未执行方案：对同一策略固定交易流水，预先指定宽基、规模风格及行业等嵌套基准，比较截距与残差，并用稳健联合检验和分阶段归因报告对基准选择的依赖。

原文与核查

收录全文完整解析；配套代码未独立运行。

原始文章 ↗

返回全年目录 ↑

十币周频动量只有 0.37 夏普；但这次“复现失败”本身也有成本和口径问题

I built paper-spec crypto strategy on 5.8 years of data. It's lost money every year since 2024

Patrick Mortenson

一句话先讲结论

作者用 10 个主流币，每周买过去一周最强的 3 个、卖最弱的 3 个，2020 年末至 2026 年 9 月的 303 次调仓只得到 0.37 年化夏普、41.7% 最大回撤；2025 年亏 24.0%，2026 年前 34 周亏 11.1%。但标题说“2024 年以来每年亏损”，正文 2024 年却是 +0.4%，成本计算也疑似未按组合权重汇总：这是一份值得追查的失败报告，尚不足以宣判加密截面动量已失效。

它到底在问什么？

文献中的短期加密动量优势，在较新的大币种样本里能否直接复制，而不靠调参数挽救？

作者具体怎么做？

1. 币池是 BTC、ETH、SOL、XRP、DOGE、BNB、ADA、AVAX、LINK、LTC，行情采用 Binance 现货日收盘，区间 2020-10-31 至 2026-09-02。每七天排序一次。
2. 买前三、卖后三，每腿占组合六分之一，中间四个不持有；持有一周后更新。文章假设每次全部换手，单边成本 0.15%，同时用永续合约执行费率描述成本，却没有加入资金费。
3. 先汇总 303 个周收益，再逐年拆分：2020 年仅八周收益很高，2021 接近平，2022—2023 较好，2025—2026 明显亏损。
4. 作者把较差结果解释为可能的套利竞争、机构化或币池过窄，但没有分别检验这些机制，也选择不继续扫描参数。

关键结果

怎么理解？

逐年拆解比一个总夏普更有价值：较早的八周暴涨可能长期支撑总样本均值，而对当前部署者帮助不大。不过，低胜率本身不证明套利耗尽；动量可以依赖少数大赢家，必须同时看盈亏比、收益尾部和每年风险暴露。 更重要的是执行口径。文章称六腿完全轮换导致每周约 1.8% 组合成本；按其每腿六分之一、来回 0.30% 的文字定义，总资产口径应先权重加总，不能直接六倍。另一个问题是用现货价格模拟空头永续，而默认资金费多空抵消；不同币种资金费并不相同。这些问题未修复，失败可能同时含有信号衰减和记账偏差。

最大限制

十个现存大币的回看选择有幸存者偏差；没有逐笔代码、永续收益及资金费核验；文章所谓真实夏普大于零的 81% 概率未说明统计假设。终值 1.47 的“约 6.8% 年化”也只是作者近似报告。

复现与研究价值

先核查六腿加权成本、持仓延续时的真实换手、可做空日期和资金费，再用当时可交易币池重做原规格。冻结规则后分别报告 2020—2023 与 2024 以后净收益；比较基准差异时，不把增加币种或重扫窗口当成无代价修复。以上未执行。

原文与核查

公开正文全文已读并检查内部数字一致性；未取得作者本地回测 JSON。

原始文章 ↗

返回全年目录 ↑

EigenScore 是量化编程练习场，不是用 Elo 证明投资能力的研究论文

EigenScore is Live: The First Rated Contest Platform for Quants

Vertox

一句话先讲结论

EigenScore 首发提供 50 道量化题，分精确答案、预测和决策优化三类，并计划用两小时五道题的竞赛累积 Elo 评分。它适合检验概率、数值和建模基本功；公告没有证明高排名能预测真实交易绩效，也没有公布判题器独立验证，所以不能把“量化竞赛评分”当成研究员的 Alpha 分数。

它到底在问什么？

量化能力很难只靠简历和自述判断，能否建立有固定问题、隐藏测试和持续评分的公开练习环境？这是训练与评估工具问题，不是市场定价问题。

作者具体怎么做？

1. 作者称首发题库有 50 道原创题，覆盖概率、组合数学、鞅、随机微积分、期权定价、组合优化、时间序列与数值方法。用户在浏览器提交 Python。
2. 标准题利用容差检查数值答案，预测与优化题使用不同的相对基准。若要比较能力，需要进一步知道各题基准、隐藏测试分布和不同题型分数如何合成。
3. 公告介绍限时、限内存的隔离虚拟机运行，每次提交后销毁环境；另有两小时、五题的同时竞赛及持续更新的 Elo 等级。
4. 所有题目、参考解和测试由作者制作；首发公告征求错误判决和不清楚题意的反馈，意味着题库和评分机制仍处于早期迭代。

关键结果

怎么理解？

对研究团队，最合适的用法是把题型映射到具体短板：概率推导、估计误差、数值稳定性、约束优化。比起只看总分，复盘同一道题为何失败，往往更能指导培训。短时竞赛尤其擅长测熟练度，却未必能测数据取证、金融制度理解和长期研究纪律。 评分质量也有自己的模型风险。参考答案错、容差过窄、训练分布与隐藏测试不一致，都会让排名反映判题机制而不是能力。对于预测和决策题，还应检查是否存在可利用的固定随机种子、重复提交反馈和基准信息泄漏。公告尚未给出这类验证。

最大限制

这是一篇产品上线公告，不是实证论文；本次未注册、提交代码或审计虚拟机安全。正文称 9 月 8 日为周一，与 2026 年日历不符，不能将该句作为可靠的活动时间提醒。

复现与研究价值

若用于团队培训，可先选少量已知答案的题检查容差和重复性，再按知识模块记录错误而不直接按总 Elo 排人员。招聘时仍需另测真实数据清洗、研究审计和解释能力；不要让游戏化分数替代工作样本。

原文与核查

公开上线公告完整阅读；未实际使用或安全审计平台。

原始文章 ↗

EigenScore 平台

返回全年目录 ↑

Dalio“15条独立收益流”在可交易ETF架上只剩3.3个有效赌注：三基金ERC年化8.00%，十五基金仅3.78%

Dalio Holy Grail walked 2008-2025

Serhat Girgin（QuanterLab）

一句话先讲结论

一句话先讲结论：将可交易ETF按Dalio图示统一到10%波动率后，2008—2025年十五只基金的平均两两相关性为0.257，只相当于3.3个独立赌注，2022年降至2.1；在18个季度再平衡、点时点ERC样本外窗口中，SPY/TLT/GLD三基金组合年化8.00%、Sharpe 0.88、累计+299.5%，而十五基金ERC仅3.78%、0.60、+94.9%，三基金在18期中胜16期。结论不是“少持仓必然更好”，而是相关资产的名义数量不等于有效独立风险源，盲目把高度重叠的ETF塞进风险平价会压低回报。

它到底在问什么？

Dalio的“15条不相关收益流能显著降风险”在真实、流动、可交易ETF架上能否成立？扩大菜单的分散化收益是否足以补偿其对长期回报的拖累？

作者具体怎么做？

1. 预先固定3/5/7/10/15基金菜单；每季仅利用当日可得的252日收益估计ERC权重，随后走一年样本外，连续18个窗口。
2. 同时把每只基金缩放到10%波动率并等权，用平均两两相关性换算有效下注数，直接对应Dalio的理论图。
3. 统一计入分配与10bp单边成本，比较菜单宽度的年化、Sharpe、回撤、逐年度胜负和经六条规则族调整的DSR。
4. 以15基金逆波动组合为相关性盲对照，检验协方差矩阵是否改变结论。

关键结果

怎么理解？

这篇最有用的是把“持有多少只”改写为“持有多少个有效赌注”。不过作者的三基金恰好高度受益于2008后长债和黄金的历史表现，不能据此推导任何未来三资产配方。研究更适合作为组合构造诊断：先看相关性结构与边际风险贡献，再决定是否值得增加一只看似不同、实则冗余的基金。

最大限制

菜单是作者定义的流动ETF集合，成员资格与资产类别选择仍具主观性；18个年度窗口未覆盖更早的结构性通胀时期。ERC协方差窗口、再平衡频率和成本假设也可能改变排序；源策略的历史搜索不可知。完整代码和逐季权重未公开，因而不可独立逐笔核验。

复现与研究价值

在自己的可投资池按点时点数据计算有效下注数、边际风险贡献和资产类别聚类，而非直接照搬SPY/TLT/GLD。用滚动不同协方差窗、收缩估计、风险预算约束和税后成本比较3/5/7/10/15的宽度前沿；在中国、全球债券及商品的独立样本外时期检验结果。

原文与核查

公开全文、方法、表格和逐窗口记录完整阅读；未独立重跑。

原始文章 ↗

返回全年目录 ↑

隔夜轮动号称每年翻倍；90 日选股并不自动消除筛选偏差和开收盘成交风险

2x Your Portfolio Every Year: How I Turbocharged the Overnight Effect

Stuart Farmer

一句话先讲结论

作者先按 2020—2025 年隔夜表现挑出十只股票，得到未扣费的 727.6% 年化，再改用过去 90 个交易日排名、每 7 日更新持仓，并假设每次买卖各 5bp，宣称仍接近每年翻倍。但他明确说这些参数是“找到最好”的设置，滚动计算并不等于未调参的样本外；极高收益首先要求核查价格复权、股票池和开收盘可成交量，而不是相信标题。

它到底在问什么？

股票收盘到次日开盘的收益差异，能否通过动态选股持续捕捉？核心不是市场整体存在隔夜溢价，而是过去最会隔夜上涨的股票是否还能在下一段时间继续如此。

作者具体怎么做？

1. 第一步在 2020—2025 年选择隔夜总收益最高的十只完整存续股票，另列上市或退市导致历史不完整的股票组，展示未扣费结果。
2. 将收益的自然对数取四次方作为分数，按分数分配权重，删除低于 1% 的权重后再归一化。四次方的选择来自作者偏好的尖锐程度，不是预先证明的最优经济形式。
3. 滚动版本每七日使用此前 90 个交易日重新选择股票，设置市值下限十亿美元；持仓仍每天收盘买、次日开盘卖，因此选股七日更新不代表每七日才交易。
4. 模拟单边 5bp、来回 10bp 摩擦。行情依赖 Massive 数据，完整策略和 notebook 位于付费订阅区，公开另有数据下载工具。

关键结果

怎么理解？

文章最有研究价值的方向是检验隔夜收益的截面持续性；最危险的跳跃，则是从指数隔夜溢价直接跳到数倍年化。极端赢家可能集中在低价格、复权事件和开盘跳变较多的证券，少数错误数据就会被四次方加权进一步放大。 真实下单还存在时点约束：若用当日最终收盘价确定名单，又假定同一个收盘价成交，收盘竞价订单截止时间可能不允许这一过程。开盘价也不是无限容量的报价。先证明信号形成时已经可知、目标股当时满足市值过滤，再讨论手续费能否低到 5bp，顺序不能反过来。

最大限制

公开正文足以解释规则，但完整代码和明细图表未核验；未见完全冻结规格后的独立持出期、点时股票池、实际开收盘订单与容量检验。作者对做市商行为的机制猜测不是本文已识别的因果证据。

复现与研究价值

用未复权成交价建立现金流，再独立处理拆股和分红；剔除明显坏价，并按开收盘成交额限制参与率。冻结 90/7 与加权规则，保留真正未接触时段，同时对收盘提前形成信号、次日执行和 10—30bp 摩擦做压力测试。以上尚未执行。

原文与核查

公开正文完整解析；付费代码及图表详细绩效未核验。

原始文章 ↗

公开行情处理工具 massivepull

文章引用的隔夜机制工作论文

返回全年目录 ↑

纯噪声也能被 AI 做出 2.12 夏普：不仅要记录试了多少，还要记录拼了多少

A Sharpe of 2.1 From Nothing: The Second Number Your Agent Doesn't Log

Jonathan Kinlay

一句话先讲结论

在按构造没有收益可预测性的 12 组模拟数据上，研究 Agent 做出的组合样本内夏普平均 2.12，样本外只有 0.18、且误差很大；单靠试验次数能解释约 54% 的样本内分数，再把最终拼入多少个子信号算进去，就能解释约 88%。因此日志只记跑了几次回测还不够：把一堆幸运赢家组合起来，也会制造漂亮但不真实的分散收益。

它到底在问什么？

AI 提高研究速度后，到底更容易发现真实规律，还是更有效率地把噪声选成 Alpha？如果所有调用都可记录，能否据日志测量这台研究机器的过拟合能力？

作者具体怎么做？

1. Agent 每轮最多提交 25 个表达式、最多 12 轮，只看到匿名样本内评分，测试集文件物理隔离；每轮假设和调用记录保存，策略按一天滞后构建资金中性排序组合。
2. 每次最终报告三条信号，但 Agent 的信号内部可以是多个表达式相加。模拟实验中，中位试验数为 146，最终组合实际上约有 12.5 条相加子腿，而机械搜索通常只有 3 条。
3. 在没有 Agent 的零 Alpha 数据上，单独模拟从 N 条随机表达式取最好的 k 条再平均，得到选择加组合的基准曲面；按 Agent 实际 N 和 k 预测夏普 1.86，对照实际 2.12。
4. 再以 1,280 只 NASDAQ 股票、2018—2023 数据作现实检查：Agent 训练夏普 3.10，留出为 0.72，但不同搜索组样本外差异落在较宽置信区间内，不能据此认定 Agent 更差。

关键结果

怎么理解？

最重要的贡献是把“研究自由度”从单个候选数扩展到组合结构。均值选高以后，再靠部分低相关腿降低波动，会把同一份样本内好运包装成风险分散。纠正时必须让随机基准拥有与真实搜索相同的表达式语法、加总能力和组合选择过程。 作者也做了很好的自我否定：用模拟过拟合夏普直接从真实训练夏普扣掉，碰巧对 Agent 接近，却在其他组明显失准，因此它不能预测未来业绩。另一个泄漏筛查因为构造方式注定难以触发，作者明确承认无效。这些负结果比一个漂亮的“AI 风险折扣公式”更可信。

最大限制

只有单循环研究助手和少量独立面板；模型中途切换，具体快照日志不完整；真实股票集带幸存者条件，测试期可能在模型训练语料内。本文未独立运行仓库；模拟零 Alpha 依赖生成器确实没有未预期预测结构。

复现与研究价值

给研究日志增加最终表达式树、实际子腿数、被拒试验与模型版本，并在进入真实数据前先让完整流程跑零 Alpha 面板。将整套选择和组合机制一起校准；不把 2.12 当统一扣减，也不让研究助手用经济故事替代独立验证。

原文与核查

作者公开全文及限制完整解析；未独立执行仓库。

原始文章 ↗

作者代码与预注册日志

返回全年目录 ↑

真正的All Weather在扣融资后落后60/40：毛收益只多0.11个百分点，0.93个百分点的借款成本把年化变成7.02%

All Weather built and tested against inverse vol, ERC and a 60/40

Serhat Girgin（QuanterLab）

一句话先讲结论

一句话先讲结论：作者用SPY、TLT、IEF、GLD、DBC五腿重建真正的All Weather——即ERC风险平价按60/40波动率杠杆，而不是零杠杆的All Seasons配方；2008—2025年18个样本外窗口中，融资前All Weather年化7.95%，仅比60/40的7.84%高0.11点，但按每年起点的3个月国库券利率+50bp计融资后降至7.02%，落后60/40 0.82点。融资成本年化0.93点大于毛超额，是否收费足以反转结论。

它到底在问什么？

零杠杆的All Seasons固定配比常被误当作Dalio的All Weather。若把风险平价杠杆、真实无风险利率和借款利差计入，All Weather还能否在相近波动率下胜过60/40？

作者具体怎么做？

1. 固定五只流动ETF及18个年度样本外窗口；季度更新权重，所有估计只用当时已有数据。
2. 比较固定All Seasons、逆波动、无杠杆ERC及杠杆ERC；仅杠杆ERC按点时点国库券+50bp扣融资。
3. 将所有策略总收益和10bp成本统一处理，与同口径60/40比较年化、波动、Sharpe、回撤及逐窗口差。
4. 分解融资在各年造成的拖累，检查未收费、固定利差和真实利率的结论是否一致。

关键结果

怎么理解？

最值得读的是它纠正了一个常见概念错误：All Seasons不是All Weather。后者的经济核心是借款，所以省略融资成本等于省略策略本体。此研究的7.02%不应被理解为对风险平价的一般否定；它显示的是在这五腿、这套目标波动和这段利率路径下，毛alpha没有覆盖融资。

最大限制

杠杆倍数每年锁定、权重季度更新的执行约定并非唯一实现；60/40未按同样10bp成本扣费会略微偏向基准。五ETF并不覆盖完整机构级All Weather资产池，18个窗口也高度依赖长债与商品阶段。完整代码、逐笔权重和融资执行细节未公开。

复现与研究价值

复现时分离目标波动、权重优化和融资三层；对每期保存目标杠杆、现金余额、融资利率、换手与净杠杆。以SOFR/回购、不同杠杆上限和成本模型做压力测试，并把60/40按相同交易成本处理；随后在非美资产池和2022后高利率留出期验证。

原文与核查

公开全文、方法和表1完整阅读；未独立重跑。

原始文章 ↗

返回全年目录 ↑

股债相关从正转负确实改变风险，但“负相关拖累收益”是需要纠正的叙述

Stock-Bond Correlation: The Sign Flips and So Do Its Drivers

Ali H. Askar；原研究 David G. McMillan

一句话先讲结论

导读报告美国股债相关在 2000 年前后由 +0.22 变成 −0.24，50/50 组合月波动由 2.72% 降至 2.42%，月均收益也由 0.52% 降至 0.29%。两件事同时发生，不等于负相关导致收益下降：相关系数直接进入组合方差，不直接决定固定权重的算术平均收益。文章把“需要更多股票追上旧收益趋势”说成负相关的代价，这一步超出了证据。

它到底在问什么？

股债能否互相对冲不是永恒属性；随着通胀、利率和经济冲击变化，相关结构会不会长期换挡，风险预算该如何跟着变化？

作者具体怎么做？

1. 按各国可用数据考察 1980—2023 年 G7 市场，比较长期相关和动态相关。多数市场在约 2000 年转负，日本更早，意大利仍大体为正，不能把美国经验当成统一世界规律。
2. 用滞后通胀、产出、二者波动、实际利率及通胀—产出相关解释股债相关，并用结构断点模型允许系数跨时期改变。
3. 导读称实际利率是较稳定的相关解释变量，通胀和增长的方向及显著性更依赖时期；这是约化回归相关，不等于已识别哪一种宏观冲击造成变化。
4. 最后比较 50/50 组合的收益、波动与协方差贡献。匹配同一全样本波动目标所需美国股票权重由早段 41% 变为后段 54%，不能与另一幅追踪收益趋势的 80% 权重混为同一目标。

关键结果

怎么理解？

这篇最值得保留的是“驱动因素自己也会变化”。把长期负相关写进协方差矩阵，然后机械增加股票风险，容易在通胀冲击重新占主导时暴露系统性弱点。风险测试至少应包含股债一起下跌的状态，而不是只看平均相关。 同时必须修正文中的因果捷径。对固定权重组合，算术期望收益由各资产期望收益加权决定；相关下降通常带来方差下降，并非自动拖累收益。后段平均收益较低可以来自股票、债券的收益环境变化。拿旧趋势线要求新组合追上，是另一种目标设定，不能由此声称负相关失去了分散好处。

最大限制

已读完整导读，原论文完整估计未独立复算；动态相关本身是估计量，宏观回归又有结构断点与修订数据问题。文中多个组合目标和因果表述容易混淆，本解析不沿用其“负相关减少分散收益”的说法。

复现与研究价值

将预期收益、单资产波动和相关三个输入分别改变，做风险预算敏感性表；用只含当时可见数据的滚动估计检验是否改善目标波动控制。不要用全样本断点事后识别的状态直接指导历史仓位。

原文与核查

公开导读全文解析；原论文表格与估计未独立复算。

原始文章 ↗

返回全年目录 ↑

总结果过关，年份与排名却露馅：别让自动判决替你停止思考

Backtest Said "SURVIVES." Per-Year Numbers Said No. I Learned to Trust the Second One

Jan Heger

一句话先讲结论

一个价格形态的完成率为 30%，高于随机对照的 19%—20%，自动脚本判定有效；但七年中有三年贡献为零。另一个价位筛选在样本内外都找到赢家，赢家排名的跨期相关却是 −0.54。问题不是总数算错，而是把集中发生的现象和每期重新挑出的赢家，误认成了可以向前执行的稳定规律。

它到底在问什么？

自动研究系统能否用一个 SURVIVES 标签概括策略有效性？如果算法只看平均优势，就可能漏掉时间集中和选股规则在样本外悄悄改变的问题。

作者具体怎么做？

1. 作者先检验 zone-cycle 价格往返模式，真实样本完成率约 30%，控制组约 19%—20%，聚合判决通过。
2. 将结果拆成七年，贡献依次为 91、0、63、0、0、34、13。正文未说明这些贡献值的货币或频数单位，因此只能按作者的贡献序列理解，不能当成年收益率。
3. 另一项实验比较不同价位组，脚本声称样本内外最好组都优于其他组；作者进一步计算两个时期价位表现排名的相关性，得到 −0.54。
4. 作者据此增加年度贡献和排名稳定性关卡，让它们有权推翻聚合判决，而不是只放到附录。

关键结果

怎么理解？

第二个错误比第一个更明确：若样本外又重新找赢家，那么所谓样本外测试其实仍在使用答案。正确问题是，用样本内锁定的价位和规则，在下一段数据上是否仍有优势；排名相关可以揭穿这种看似严谨的比较。 但“必须多数年份赚钱”不能成为所有策略的普遍公理。尾部对冲和危机趋势可能本来就靠少数年份兑现；某年没有交易机会也不同于有大量机会但收益为零。时间拆解应结合事先提出的经济机制、暴露和机会数，而不是再制造一个偏好平滑曲线的新筛选器。

最大限制

文章未公开样本资产、时间区间、控制组构造和检验显著性，也没有完整交易规则。七年贡献的单位未说明，因此本篇可作为审计案例，不能据其数字复现一个可交易策略。

复现与研究价值

对现有研究报告同时输出按年机会数、风险投入、收益贡献和冻结名单的下一期表现；再做留一年剔除检验，观察结论是否由单一年份决定。任何新的稳定性阈值也应在下一轮测试前锁定，不要看完结果再调整门槛。

原文与核查

公开正文完整解析；无法据正文重建原始两项实验。

原始文章 ↗

返回全年目录 ↑

比特币高波动会延续，但 96% 的状态留存里藏着滚动窗口重叠

Volatility Clustering in Bitcoin: Regime Persistence as a Forecast

Ali H. Askar；原研究 Borrego Roldán

一句话先讲结论

导读将比特币滚动波动率分成低、中、高三档：一小时数据、24 期窗口下，高波动下一小时仍为高波动的概率为 96.29%，随后 48 小时平均绝对涨跌为 4.42%，低波动时为 2.39%。但分档阈值用全样本算出，且相邻波动窗口共享 23 个小时数据；这些结果说明状态有持续性，却不能直接证明一套已可实盘的预测模型。

它到底在问什么？

现在波动很高，能否据此预测未来价格变动的幅度，从而调整风险？注意这是幅度问题，不是预测比特币下一步上涨还是下跌。

作者具体怎么做？

1. 原研究以 2018 年 8 月至 2024 年 11 月比特币数据计算滚动收益标准差，再取对数，考察一小时到日线等不同频率和窗口。
2. 用全历史的 20/80 分位阈值把当前滚动波动分类，数相邻观测的转移次数得到三乘三矩阵。24 小时窗口的低、中、高留存率分别为 95.05%、97.15%、96.29%。
3. 比较状态之后的绝对价格变化：小时模型考察 48 小时，日线模型主要考察七日；高低组在均值和离散程度上都不同。
4. 导读明确指出全样本阈值使用了未来资料，滚动阈值修复在原研究中仅为建议，并未实现；因此公开矩阵属于回看估计。

关键结果

怎么理解？

最容易被忽视的是机械平滑。24 小时标准差下一小时只换掉一个观测，即使原始收益独立，波动估计也会高度相关。长窗口比短窗口更持久，并不能单独证明市场记忆更强。应让同样滚动窗口作用于适当的模拟对照，再测新增的真实聚集。 风险应用仍然合理：当前高波动通常值得降低名义仓位，但模型价值要体现在未来风险校准，而不是状态分类准确率。若一个模型永远预测下一小时状态不变就已经很准，复杂转移矩阵需要证明比这个廉价基准更好。文章用全样本阈值的问题也不能被“波动聚集是常识”抵消。

最大限制

本次读完导读，未取得原研究代码并重算；重叠预测区间使极大 t 值的独立样本解释存疑。导读声称两小时和两百小时持续都“同样一致”也过于宽泛：几何模型允许两者，但概率并不相等。

复现与研究价值

用仅截至当时的数据更新分位阈值和转移矩阵，对比恒定状态、EWMA 和简单 HAR 类预测；采用不重叠检验段或保留依赖的重抽样。报告未来绝对收益预测误差、风险区间覆盖率和风险目标偏离，不把预测幅度直接变成买卖方向。

原文与核查

公开导读全文解析；原研究数据与代码未独立核验。

原始文章 ↗

返回全年目录 ↑

月度 TAA 改成每日全仓调仓：毛收益没改善，额外成本却超过每年 2%

Does Trading TAA Strategies More Often Improve Performance?

Allocate Smartly

一句话先讲结论

从 90 条月度 TAA 中随机抽 5 条组成等权组合，重复 1,000 次后，作者发现把全组合从月末调仓改成半月、每周或每天，并未改善毛表现；每天调仓的额外摩擦拖累超过每年 2%。这并不否定分批执行：把资金拆成每月各调一次的子组合，与整笔资金反复交易，是两种完全不同的换手结构。

它到底在问什么？

更快响应信号是否能让慢频策略更好地避险？还是月度信号里的日常变化主要制造反复进出，从而多付成本却没有增加预测信息？

作者具体怎么做？

1. 在所跟踪的 90 条月度策略里随机选择五条，每条权重 20%，构建 1,000 个组合；因此检验对象是策略组合而不是某一条最佳模型。
2. 对每个组合分别模拟月末、半月、每周和每日交易。每次按当天重新计算信号，不只是延迟执行月末旧信号。
3. 先不加摩擦看毛效果，再按单边 0.1%、来回 0.2% 加入交易摩擦。作者称更高频率在毛表现和最大回撤上也没有带来改善。
4. 周频采用归一化交易日 5、10、15、21，半月为 10、21，日频并非所有自然交易日都必然纳入；这属于平台近似日历，不应称为精确每周同一星期交易。

关键结果

怎么理解？

最值得理解的是研究对象变了。月度信号的窗口长度没变，但每天按微小排名变化重新下单，会不断交易临界点噪声；如果毛收益本来就没有增加，降低佣金只能少输一点，不能替它创造优势。 同时，月末相对其他日期的历史优势可能贡献了部分差距。分批执行是在接受一定历史收益损失的同时分散单一日期风险；高频全仓执行则额外增加大量换手。两者的收益与风险交换条件不同，不能用同一句“交易更频繁”描述。

最大限制

公开正文的细表以图片呈现，本次没有逐格读取；回测完整区间与随机组合依赖结构未在正文充分交代。90 条平台存量策略本身可能经过历史筛选，结论不等于所有月频策略都无法改为快频。

复现与研究价值

对自己的模型固定信号与样本，分别测试月末、错日分批和全仓快频，并报告排名变动引起的无效换手、信号延迟、成交成本与危机期表现。加入小额不交易区间后再比较，而不是只通过缩短调仓间隔来宣称提高反应速度。

原文与核查

公开正文、计算说明完整解析；图片细表未逐项核验。

原始文章 ↗

返回全年目录 ↑

土耳其双动量实际赚11.7%，但择时增量还没证明

Dual Momentum for a Collapsing Currency

Michael Emre Tulum

一句话先讲结论

2013—2026 年土耳其样本，十二资产双动量扣10bp交易成本后实际年化11.7%，明显超过存款和持美元；但同资产池每周等权也有9.2%，两者差异的 t 值仅约1.1。更扎实的结论是跨资产分散和纪律有用，不能把约2.5个百分点差额直接宣布为已验证动量 Alpha。

它到底在问什么？

高通胀下究竟用里拉、美元还是黄金存钱？文章把问题从猜货币方向改为购买力管理：安全资产并非固定身份，过去安全的资产可能在另一个政策阶段持续损失实际财富。

作者具体怎么做？

1. 每周三分别按10周、25周动量排序，各买前三名等权，两个速度各占一半；ETF 只在成立后进入。
2. 选中资产若名义动量不为正，对应份额退入近期动量更强的里拉存款或美元侧安全资产。
3. 报告实际购买力、等权对照、黄金对照、2023年后阶段与10/25bp成本压力；事后改过滤门槛明确标为变体。

关键结果

怎么理解？

这篇对资产配置很有价值：记账单位、信号单位和评价单位分别决定策略在优化什么。名义里拉动量会包含汇率趋势，这对里拉消费的投资者并非错误，但不能再称为纯资产动量。实际财富口径还揭露了‘存款净值永远上涨’与购买力大跌可以并存。 2023年后的表现显示分散约束的代价：单个资产最多三分之一，即使存款成为最佳资产，也不能全仓。另一个需要审计的细节是防御替代份额可能重复落入存款，规则是否始终维持单资产上限，必须从代码确认，而不能只靠‘三个槽位’推断。存款期限、提前支取和逐周复利也会让纸面路径优于可实施账户。

最大限制

单一国家约十三年历史，未含税且税种差异不能统一打折。存款按周复利近似偏乐观，完整银行存款组合不能按描述直接每周自动执行；作者用简单 t 检验，需考虑依赖与厚尾。

复现与研究价值

未执行方案：先审计重复防御分配和存款真实期限，采用块重采样检验择时相对等权；冻结规则后扩展到其他高通胀国家，以新增国家而非本样本调门槛验证机制。

原文与核查

收录全文及方法脚注完整解析；代码未独立运行。

原始文章 ↗

作者代码与预登记记录

返回全年目录 ↑

GPT 新闻情绪仍有漂移收益，但最赚钱的部分也最难交易

Can ChatGPT Forecast Stock Price Movements?

Elisabetta Basilico；研究：Alejandro Lopez-Lira、Yuehua Tang

一句话先讲结论

研究用 GPT-4 判断公司新闻情绪：立即价格反应的组合日胜率高达 93.3%，但那不是逐只股票预测准确率，也不是可执行收益。真正延后交易的隔夜新闻多空策略，毛日收益约 34bp、Sharpe 2.97，其中空头贡献 26bp、多头仅 8bp；往返成本升到 20bp 后，策略不再盈利。读它应关注消息时间戳和融券条件，而不是被‘九成准确率’带走。

它到底在问什么？

语言模型能否把新闻转成有方向的信号？更关键的是，市场消化之后还剩多少漂移可供交易，以及这些收益是否已经被成本和信息竞争吃掉。

作者具体怎么做？

1. 样本包含 2021 年 10 月至 2024 年 5 月的 159,137 条观测、4,123 家公司；输入主要是公司名和新闻标题。
2. 按消息公布时段分组；延后交易以当时可见新闻为依据，隔夜新闻在开盘后交易，收盘后新闻推迟到下一次开盘。
3. 分别统计组合日方向命中、毛收益、长短腿贡献与成本敏感性，并检查后续年份是否衰减。

关键结果

怎么理解？

这篇最值得带走的是研究分解。情绪分类准确、即时价格响应强、延后漂移赚钱，是三个层次；前两层不能替代第三层。小股票更强也有两面性：可能反映信息消化慢，同时意味着价差、冲击和可借券规模更不友好。 我还会追问模型版本与真实知识边界。作者以模型知识截止时间安排样本，有助于控制未来信息，但不等于已经证明训练数据绝无泄漏；版本冻结、提示词、重复调用和新闻去重仍需审计。年度 Sharpe 随时间下降与 AI 普及相符，却不能单靠这条时间趋势识别因果，市场环境和新闻构成也在变。

最大限制

本次完整阅读收录解读，未复核论文全部附录和原始订单路径；报道中的成本测试不等于已经完整纳入股票逐券借贷费、借券失败及市场冲击。

复现与研究价值

未执行的研究方案：冻结模型及提示词，用带精确到达时间的新闻做逐日留出，加入可借券清单、涨跌停与成交量约束；与词典和较小模型同成本比较，并单独报告多头可实现版本。

原文与核查

收录解读全文阅读；原论文全表及实现未完整核验。

原始文章 ↗

收录原文

返回全年目录 ↑

Boundary 不是“贵了就卖”：它判断的是趋势在估值极端处是否更容易反转

Boundaries of Time Series Momentum

Matti Suominen / Erik Hjalmarsson；导读 Quantpedia

一句话先讲结论

这篇不是给 CAPE 设一个贵便宜阈值，而是把股票估值和期限利差相对历史区间的位置合成 Boundary，检验过去涨跌的方向在极端状态下是否反转。论文报告加入边界相关变量后，动量收益预测回归的 R² 最多相对提高 550%；这是解释力相对增幅，不是策略收益增加 550%，更不是已经验证了“Boundary 超过 1 就反向交易”的统一交易规则。

它到底在问什么？

同样是过去一年上涨，为什么有时代表趋势延续，有时却接近反转？作者想用股票和债券的估值状态解释动量为何不是在所有市场环境里都同样有效。

作者具体怎么做？

1. 原论文使用美国及 20 国数据，以 CAPE 或股息率代表股票估值、长短国债收益率差代表债券估值状态；考察的是未来十二个月的市场及动量收益。
2. 先平滑估值，再按历史区间缩放到 −1 至 +1，Boundary 是股票估值位置平方加期限利差位置平方。因此高估与低估都可能处于边缘，它不是单向的昂贵程度指标。
3. 原文历史归一化使用十年或二十年窗口，本文说明这一原始设计，不要求中国短样本必须照搬。改成 24 或 36 个月属于新的适配假设，需要单独检验，而非论文推荐值。
4. 检验的关键是边界与过去市场收益的交互：边界越极端，原来趋势方向是否越容易逆转。统计关系通过回归建立，不应直接跳过仓位映射和执行成本变成硬反转策略。

关键结果

怎么理解？

经济上最有意思的不是价值因子和动量因子简单相加，而是价值状态可能改变动量的含义。若价格上升同时把估值、利率和政策反应推到极端，再继续追涨的风险便不同于正常扩张时期。这是一条条件机制解释；并不意味着任何昂贵市场马上下跌。 对现有研究，首先应该问“这个边界是否真的改变动量的条件收益”，然后才问“用什么仓位交易”。连续缩放、只降风险和硬反转承担的假设依次增强：硬反转不但相信趋势失效，还相信反向收益足够覆盖成本。短样本极值容易由一个异常点决定，24 与 36 个月之间结果差异若很大，应看作估计不稳定，而不是挑较好的一个。

最大限制

已读导读并核查原论文关键定义与回归，未逐表复算原数据。长周期重叠收益、持久估值变量和窗口选择使统计推断复杂；不同规格样本长度也可能变化，不能只看最大 R² 增幅。宏观指数结论直接外推个股，仍缺少独立证据。

复现与研究价值

先固定当前可用样本内的少数窗口，不用全历史搜索最优值；对个股保留同一个市场级状态作为条件变量，检验组内动量收益，再比较连续减仓与硬反向。报告触发次数、各次事件贡献及扣费结果，特别标出是否由一轮行情驱动。这里只提出方案，不引用此前未在本次核验的本地回测数值。

原文与核查

Quantpedia 正文完整解析；Wiley 原论文关键定义、回归和稳健性段落核查，未独立复算。

原始文章 ↗

正式论文全文：Boundaries of Time-Series Momentum

工作论文 SSRN 6867878

返回全年目录 ↑

Podcast：从市场问题到量化交易系统

Podcast: From market problems to quantitative trading systems

Quant Beckman、House of Quants

一句话先讲结论

量化交易应从可解释的市场问题出发，经经济机制、统计模型、可靠代码、执行和风险控制形成工程流水线。

它到底在问什么？

如何将行为、结构或市场微观结构问题转化为可证伪、可执行并能经受运气检验的交易系统？

作者具体怎么做？

1. 从行为/结构/微观结构问题提出经济与统计假设
2. 预先定义目标函数、约束、分散化价值、适用市场状态和证伪标准
3. 点时数据摄取与时间戳控制→surprise测量→成交量确认→信号生成→执行/风险
4. 用stationary bootstrap生成替代收益历史，检验是否依赖幸运路径

关键结果

怎么理解？

机制含义是指标只是机制的症状；点时控制、随机重采样和执行日志是防止未来函数与Texas sharpshooter的关键。

最大限制

播客/讲义性质；无完整数据、参数、成本、样本区间和OOS绩效，不能证明策略可交易。

复现与研究价值

建立点时业绩公告数据库，预注册假设和目标，复现signal、成本、延迟、walk-forward、bootstrap及跨市场测试。

原文与核查

public_full_transcript

原始文章 ↗

返回全年目录 ↑

魔法公式拆开后，质量腿反而胜出：S&P 500 口径下20个逐年样本外窗口，ROIC单因子年化11.73%，比等权双因子高2.18个百分点

Magic Formula tested against each half: quality alone beat the combination

Serhat Girgin（QuanterLab）

一句话先讲结论

一句话先讲结论：作者把Greenblatt魔法公式拆成质量（ROIC）、便宜（EV/EBITDA倒数）和50/50组合三本30只等权、年度换仓的S&P 500组合；2006—2025年20个一年期样本外窗口里，质量单因子累计+818.9%、年化11.73%，双因子累计+520.1%、年化9.55%，质量高2.18个百分点且最大回撤较浅（-52.9% vs -64.0%）。但这不是“价值因子已死”的定论：原文同页的图表标签与文字有互相矛盾之处，且它用大盘股、ROIC和EV/EBITDA替代了Greenblatt原始定义。

它到底在问什么？

Greenblatt的核心命题不是单独质量或单独便宜有效，而是两者合在一起比任一腿更好；在相同可得信息、持仓数、成本和换仓节奏下，便宜腿是否真的给质量腿增量？

作者具体怎么做？

1. 在每个年度锚点，用已公开的SEC acceptedDate-gated财务数据计算ROIC与EV/EBITDA倒数，并使用当时的S&P 500成员，避免事后成分股。
2. 分别按质量、便宜、两因子标准化分数等权合成排序；三组均选前30只、等权持有一年。
3. 把20段一年期样本外日收益拼接，统一计入股息和10bp单边成本，并比较年化收益、波动、Sharpe与最大回撤。
4. 再以20个年度窗口胜负和5,011个配对日收益的概率检验，检查组合差异是否只是少数时期推动。

关键结果

怎么理解？

这篇真正值得量化研究员看的不是“质量战胜价值”这个吸睛标题，而是一个标准的消融实验：只改变因子权重，其他研究管线锁死。它也暴露出研究阅读中很重要的一点：原文摘要和表1支持“质量优于组合”，但页面另有将Magic Formula Sharpe标作0.65、并把“Magic − Quality CAGR gap”写成+2.2pp的反向标签；两者都与表1的9.55%和11.73%不一致。本站采用可交叉计算的表1差值11.73%-9.55%=+2.18pp，并将该内部矛盾视为可复现性扣分，而不是替作者选择更好看的数字。

最大限制

第一，原始Magic Formula是EBIT/EV与EBIT/(净营运资本+净固定资产)并面向更广的可投资股票池；本文改为大型S&P 500、EV/EBITDA倒数和ROIC，外推到原策略并不成立。第二，20个年度窗口不等于20个独立市场；组合构造、winsor化、delisting处理和完整代码未公开。第三，10bp成本对30只年换仓的大盘股合理但未做容量、冲击成本与税费压力测试。第四，正文内部统计标签冲突，需在复现前先向作者核对导出表。

复现与研究价值

复现时应先固定原始与本文两个定义：分别以PIT S&P 500和更广泛股票池重建；把ROIC、EBIT/EV、EV/EBITDA倒数逐项替换；保留每次可得公告日、退市回报、成分变动和交易成本日志。随后做1990年以来滚动样本外、行业中性与市值中性分层，并检验质量/价值相关性、因子暴露和不同持有期下的增量信息系数。

原文与核查

公开正文、方法、表1与逐窗口日志完整阅读；发现原文内部标签矛盾，未独立重跑。

原始文章 ↗

返回全年目录 ↑

复制国会议员交易没有alpha：17,859个披露事件中，买入一年相对SPY中位数-5.36%，买卖差仅1.13个百分点且不显著

What Happens After Congress Buys or Sells a Stock? Evidence...

QuanterLab Research

一句话先讲结论

一句话先讲结论：对2020—2025年17,859个可投资国会普通股披露事件，按首次披露后可交易收盘价进入，一年后买入的S&P相对收益中位数为-5.36%、卖出为-6.39%，买减卖仅+1.13个百分点、t=1.15；即使给追随者不可能拥有的交易日信息，买入仍落后5.71点、卖出落后6.67点，复制披露交易并不是有效策略。

它到底在问什么？

国会议员的买卖是否在披露后仍可预测股票收益？披露延迟究竟是策略失效的原因，还是交易本身没有可追随的收益信息？

作者具体怎么做？

1. 从国会披露记录提取普通股交易，排除一年收益未成熟、无交易价格和跨拆股窗口的事件。
2. 按披露日、股票和一年持有期计算相对SPY的收益，以披露日聚类计算不确定性。
3. 同时报告交易日进入的前视反事实，检验披露延迟是否完全解释结果。

关键结果

怎么理解？

这篇最好的地方是把可执行的披露日策略和不可执行的交易日反事实分开。很多‘跟踪政客交易’的传播内容只讲交易发生时的表现，却忽略公众知道信息的时间；这里即使给了交易日信息，结果也没有变好，说明不能把披露延迟当作唯一借口。它不否认利益冲突可能存在，只是否定了简单披露复制的投资叙事。

最大限制

研究使用原始收盘价和特定普通股筛选，未包含期权、基金和无法识别标的；政治交易披露仍可能有漏报、金额区间和选择性报告问题。

复现与研究价值

扩展到不同持有期、行业和交易规模；将披露延迟、价差和大额订单容量纳入，并与随机同日股票和内幕Form 4基准做配对比较。

原文与核查

公开正文、样本构造和结果完整阅读；未独立重跑。

原始文章 ↗

返回全年目录 ↑

加密微观结构预测，可能只是波动率换了名字

Crypto Isn't Structurally Alien: Roll/VPIN/Amihud Predict Distribution Shifts

Ali H. Askar

一句话先讲结论

一项五币种研究用微观结构指标预测未来分布变化，波动率方向准确率约 58%；但这篇复核指出，最重要的 Roll 特征本身高度依赖波动率，而报告为‘交易毒性偏高’的 VPIN 均值约 0.47，甚至低于其高斯噪声基准 0.50。真正值得保留的是跨币种风险预测线索，不是已经发现了加密价格方向 Alpha。

它到底在问什么？

传统微观结构指标搬到分钟加密行情后，名称是否仍对应同一种经济量？如果改变了公式，还能否用期货市场的数值直接比较信息交易强弱？

作者具体怎么做？

1. 先按论文打印公式做代数拆解，检查单位、符号和成交量是否真的进入指标。
2. 再用随机过程构造无信息基准：该逐栏 VPIN 中成交量约掉，高斯标准化价格经正态分布函数转换后，对应期望 0.50。
3. 检查 1,500 分钟标签重叠、多个币种和窗口检验，以及特征重要性究竟支撑哪一种解释。

关键结果

怎么理解？

最值得抄走的是指标的零假设审计。一个听起来经济含义很强的名称，不能替代公式；先做无信息模拟，常常比把指标塞进更复杂模型更能避免错误解释。不同聚合顺序还会改变指标水平，跨市场比较前必须统一定义。 但文章自己的批判也要分层。T/1,500 是非重叠块数量，不是普适、精确的有效样本量，最终显著性应依赖实际测试切片和块重采样。BTC/ETH 特征重要性较高也只是预测关联，受相关变量替代影响，不能据此证明它们是唯一的信息源或存在因果传导。

最大限制

完整阅读收录批判文章；底层 SSRN 论文及原始分钟数据未独立复算。文章近似显著性和模拟数值不能冒充本项目实证。

复现与研究价值

未执行方案：统一成交量单位与 VPIN 聚合方式，加入当前波动、EWMA/GARCH 和自相关基准，以非重叠外测或带隔离期的块检验比较增量预测；最后再设计风险交易用途。

原文与核查

收录全文完整解析；原论文数据未独立复算。

原始文章 ↗

底层研究 SSRN

返回全年目录 ↑

优化需要五百年？真正的问题是把估计误差当成事实

Markowitz, Estimation Error and 1/N

Denis Joly

一句话先讲结论

同一个股票—国债—石油优化器，仅换成另一种合理美股收益口径，股票权重就从 37.6% 降到 26.1%，估计收益风险却几乎不变。著名的‘需要500年数据才能赢等权’只是特定50资产校准，另一校准约44年；文章要说的不是停止优化，而是最优权重的精确外观远强于输入信息的真实精度。

它到底在问什么？

Markowitz 解决的是信念已经给定之后如何组合资产，实际投资还要先估计信念。把样本均值和协方差当真值，优化器会如何放大最不可靠的部分？

作者具体怎么做？

1. 固定 1983—2006 年样本和多头约束，只替换股票数据定义，观察权重和目标函数的变化。
2. 检视滚动输入下的权重分布，同时把目标权重变化与按持仓漂移计算的真实换手区分。
3. 在公开行业组合上检查等权结果，并将无约束、约束与最小方差规则作为敏感性对照。

关键结果

怎么理解？

权重大幅变化、目标值变化很小，常说明最优点附近很平。这时公布一组精确到小数点的配置容易误导；研究更应该展示可接受邻域、约束敏感性和输入不确定区间。降低复杂度、收缩协方差和限制杠杆，是对不同误差来源的回应，不是同一种修补。 等权也不是没有观点：资产池如何定义就是先验。把一个行业拆成三个子行业，会在等权下提高它的总配置；因此等权优势可能来自分类和再平衡，而非天然中立。对用户当前短样本研究，我会缩小问题、加强约束和对照，不会照文章把10年甚至数十年窗口机械搬过来。

最大限制

原文部分资产是近似代理：WTI 现货没有期货展期与抵押收益，国债收益率重建不是实际持券。500年结论条件化，不能当通用最低数据门槛。

复现与研究价值

未执行方案：在现有样本长度内比较等权、风险权重、收缩最小方差和有限偏离基准，使用同一成交成本，重点报告权重稳定性、邻域表现及样本外误差，不挑最高历史 Sharpe。

原文与核查

收录全文完整解析；配套程序未独立重跑。

原始文章 ↗

返回全年目录 ↑

外汇预测该看邻近市场，但三种时钟不能混成一条策略

FX Edge Lives in Other Markets (cross-asset series)

Ali H. Askar

一句话先讲结论

同样一组外汇期货，只用汇率之间的网络，Sharpe 为 0.16；加入股票、债券和商品邻居后升到 0.66。这是跨资产信息有用的线索，但不是现成净 Alpha：相关全资产组合是日频毛回测，在约 3—5bp 的成本压力区间内便从盈利走向亏损。文章另两种外汇研究分别使用月频资金流和日频利率图，不能把它们的最好数字拼成一个策略。

它到底在问什么？

货币价格反映资本流动、利差和全球风险，单看某一汇率自己的价格会不会遗漏更早到达其他市场的信息？作者把三个预测层次和实际流动性连接起来。

作者具体怎么做？

1. 月频研究覆盖 28 国、1989—2019 年，检验股票及债券收益差相对随机游走的外测误差。
2. 日频图方法将货币作为节点、利率作为节点特征，明确决策与执行存在时滞，但回测不含完整成本且假设融资可得。
3. 跨资产期货网络用八种动量描述邻居，再预测目标次日风险标准化收益；比较仅外汇网络与全部资产网络。

关键结果

怎么理解？

这篇的优点是把‘预测失败’定位到信息集与频率：月度 G10 股汇回归不成立，并不能推翻日度跨资产网络。反过来，跨资产模型有效，也不能证明图神经网络不可替代，简单滞后回归或共享风险因子可能解释相当部分。 作者把报价撤回视为网络断边，是很好的执行提醒，但统计关系网络与真实流动性网络仍是两种对象。前者的边来自共同价格行为，后者来自可成交报价；风险管理需要分别建模，不能把相关性矩阵直接当交易可达性。尤其是不同市场收盘时区，若没做同步信息集，会制造看似领先的虚假边。

最大限制

收录综述完整阅读，所引多篇原论文未全部独立核验。不同成本口径、年化比例及融资假设不可混用；高风险调整比率不代表可按比例无限加杠杆。

复现与研究价值

未执行方案：固定共同时间戳，先以简单跨资产滞后模型做基准，再比较图结构的净增量；按市场逐项计价差、合约换月与融资，并报告压力期成交约束。

原文与核查

收录综述全文解析；多篇底层论文未全部独立核验。

原始文章 ↗

返回全年目录 ↑

可公开交易的Form 4买入信号只在披露后1—5日显著：7,405个事件1日+0.534%、5日+1.009%，21—63日漂移无法确认

Form 4 Insider Trading in Python: A Filing-Date Event Study

Mikhail Makeev

一句话先讲结论

一句话先讲结论：作者以首次可交易的披露后时点而非内幕人交易日进入，对2022Q1—2026Q2的7,405个C-suite公开Form 4买入信号计算SPY调整收益；1日CAR均值+0.534%（双向聚类t=6.46）、5日+1.009%（t=5.05），但21日CAR+0.980%和63日CAR+1.103%的区间均跨零，63日BHAR均值仅+0.104%、中位数-3.605%。因此它支持短期披露关联，不支持可直接交易的一至三个月alpha。

它到底在问什么？

内幕人买入披露后是否还有外部投资者可捕捉的异常收益？若用交易日进入、把重复发行人当独立样本或只看市场模型残差，会把效果高估多少？

作者具体怎么做？

1. 下载SEC季度文件，筛选符合条件的公开买入，并将多条记录聚合到经济/统计事件单位。
2. 用文件日建立首个可执行入场，计算1、5、21、63个交易日的SPY调整CAR和复利BHAR；对公司行动和异常价格区间做局部排除/标记。
3. 以CIK和入场月双向聚类，而非把7,405行视作独立观测；并比较交易日的前视反事实、市场模型敏感性和同股票匹配安慰剂。
4. 公开代码、测试、结果工件、运行清单和种子，明确它是事件关联而非有成本的组合回测。

关键结果

怎么理解？

这篇比大多数“跟踪内幕交易”文章成熟得多，因为它先回答能不能交易，再回答有没有统计关联。短期结果可以作为事件研究发现，不应被改写成“买入Form 4、持有三个月”的策略。尤其是交易日与披露日差异、CAR与BHAR分歧、以及市场模型从+1.103%变成+6.560%的对照，都是研究报告必须展示的脆弱性。

最大限制

样本不是点时点证券宇宙：Yahoo覆盖、当前ticker映射和公司行动处理可能带来选择偏差；没有精确接受时间，只能用日历日和下一交易日近似。没有组合权重、交易成本、冲击、税费或容量模型，不能外推净收益。多个期限、估计量和子组的区间未做全面多重检验；披露日也不能识别因果。

复现与研究价值

直接运行作者release并锁定manifest；替换为PIT CIK-证券映射、CRSP或等价公司行动数据与精确EDGAR接受时间。随后预先规定事件聚合、持有期、流动性/市值分层和组合权重，加入可执行收盘/开盘价、价差、冲击和退市回报，再在未见季度验证。

原文与核查

公开全文、方法、结果与开源复现说明完整阅读；未独立运行。

原始文章 ↗

返回全年目录 ↑

Keller的单只金丝雀门槛在2022年保住回撤，却在复苏期长期错过风险资产：把阈值从1只调到2只后，17个样本外年度年化由5.49%升至9.01%

The Crash Switch Worked and the Strategy Starved Anyway: Keller's Menu Tested

Serhat Girgin（QuanterLab）

一句话先讲结论

一句话先讲结论：在Keller BAA-G4的固定ETF菜单上，作者只把“任意1只金丝雀转弱就防守”的发布版门槛B=1调为“至少2只同时转弱”B=2；2009—2025年17个逐年样本外窗口中，B=2累计+333.4%、年化9.01%，高于B=1的+148.1%、5.49%，而2022年两者都实现+1.1%、避开60/40的-18.1%。代价是B=2的全样本最大回撤更深（-24.2% vs -18.6%）：这不是“放宽门槛免费提高收益”，而是把单个利率/海外市场噪声触发的长期防守，换成更高的复苏参与率。

它到底在问什么？

发布版BAA-G4把一只金丝雀跌破阈值视为整体风险开关。若这个单点否决主要来自债券或海外资产，而非美股崩盘，它是否会把组合过早、过久地锁在防守端？

作者具体怎么做？

1. 将Keller已公布的ETF名单作为固定宇宙，月末计算进攻、金丝雀和防守规则；不重建指数成分，不引入选券自由度。
2. 每个年度以前两年信息形成锚点、随后一年样本外，连续走17个窗口；总收益计入分配，单边换手扣10bp并另计状态切换成本。
3. B=1和B=2使用完全相同的月末信号与持仓选择，仅比较防守门槛；将同日收益配对，以区块bootstrap估计B=1胜过B=2的概率。
4. 拆分2023年前后，并统计单只否决的来源，确认收益差是危机保护失效还是复苏参与率不同。

关键结果

怎么理解？

这是一篇很好的“参数诊断”而非新策略论文：它没有拿2022年回撤去换更多风险资产，而是问发布规则为什么在2023后一直不回到风险资产。研究也提醒读者不要只抄页面最醒目的统计卡：卡片把B=1/B=2 Sharpe和“B=1−B=2 CAGR gap”的符号标反了；表1和表3一致显示B=2为0.68、B=1为0.52，年化差为9.01%-5.49%=+3.52个百分点。本站按可交叉计算的表格写结论，并把该内部不一致列为可复现风险。

最大限制

第一，门槛B=2是作者围绕同一数据选择并注册的对照，虽然样本外窗口事前冻结，但设计前的搜索次数未知，原文因此未做deflated Sharpe。第二，固定ETF菜单和2009后样本覆盖的主要是美国低利率到加息周期，未覆盖更早的通胀/熊市结构。第三，B=2最大回撤-24.2%高于B=1的-18.6%，风险偏好不同的投资者未必愿意交换。第四，实际基金税费、买卖价差和更大规模冲击未全面展开。

复现与研究价值

复现应逐月保存四只金丝雀的原始读数、状态、换仓、费用和进攻/防守持仓；分别测试B=1/2/3/4并在真正未见时期选择，而不是在全样本择优。进一步将单点否决拆为权益、利率、信用和海外四类风险触发器，检验“BND主导”是否仍存在；同时以风险预算和尾部损失约束比较B=1、B=2及连续仓位版。

原文与核查

公开正文、规则、表1至表4与逐窗口结果完整阅读；发现统计卡标签矛盾，未独立重跑。

原始文章 ↗

返回全年目录 ↑

Sharpe 相同，不代表每一段时间都赚得一样稳

The Sharpe Stability Ratio: Evaluating the Sharpe Ratio Temporal Consistency

Portfolio Optimizer；介绍 Bajo Traver 与 Rodriguez Dominguez 的 SSR

评价策略不能只问全样本赚了多少，还要问收益是否集中在少数阶段。稳定性指标是补充，不是自动选出更好组合的开关。

2 分钟看懂

一个策略平时不赚钱、只在危机时大赚，另一个慢慢赚钱，全样本 Sharpe 相同，你需要的是哪一个？

把整段收益压成一个 Sharpe，会丢失收益发生的时间结构。把滚动 Sharpe 画出来又不等于解决统计推断。

1. 计算同口径的滚动 Sharpe
2. 比较平均水平与预设基准
3. 修正重叠窗口的自相关
4. 结合策略角色解释稳定性

不能推出什么

更高 SSR 不等于更低回撤；示例配置不能直接当投资建议。窗口、基准和估计方法都要预先固定。

研究用途

研究报告并列展示全样本、分阶段和回撤，而不是再加一个可以事后挑高的指标。

详细讲解

核查记录

导读完成：核对网页相关方法、结果与限制段落；未逐图及逐行代码审计，未独立复现

返回全年目录 ↑

150年跨国证据：起始名义长债收益率几乎决定未来十年名义回报，却对真实回报没有保护；通胀超过约6—8%后真实债券收益转负

The Safe Assets: 150 Years of Bonds and Gold Across Sixteen Countries

Beyond Passive Investing

一句话先讲结论

一句话先讲结论：16国1870—2020年的2,084个重叠十年长债样本显示，起始长债收益率对随后十年名义回报的拟合斜率约为1、半数样本误差在1个百分点以内；但起始收益率对随后通胀几乎没有信息，因此真实回报差异主要由通胀决定，债券在各国通胀约6—8%后真实回报转负。黄金全样本真实年化仅1.04%、波动接近股票，若剔除1968—1981年解除价格钉住后的单次重估，真实回报略负。

它到底在问什么？

出生国会不会决定债券和黄金的长期购买力？起始债券收益率到底预测未来收益，还是只预测名义票息，而通胀风险没有被定价？

作者具体怎么做？

1. 在16国、每个起始年构造十年滚动长债回报，并按本国CPI转化为真实回报。
2. 回归未来十年名义/真实回报对起始收益率，分解实际回报方差为通胀与债券市场行为。
3. 以年度收益减起始收益率对收益率变动回归，估算利率重估的隐含久期。
4. 分通胀桶比较真实债券与股票收益，并将黄金法定钉住期排除在“可交易趋势”之外。

关键结果

怎么理解？

这篇的价值在于把常见的“债券收益率就是未来回报”改得更精确：对名义回报几乎如此，对真实回报却不是。黄金部分同样克制，拒绝把行政定价时期伪装成市场趋势。它适合用于长期配置的情景框架，而非拿150年样本直接推一个精确阈值。

最大限制

十年窗口高度重叠，2,084个观测实际只有约200个独立十年，显著性不能按行数直觉解读；早期国债期限与可交易性不完全一致，战争、资本管制和货币改革难以标准化。黄金可自由交易样本有限，6—8%通胀阈值是渐变交叉而非稳定交易信号。

复现与研究价值

用点时点收益率曲线和本国通胀预期复建非重叠持有期，按期限、汇率对冲和信用风险拆分。配置层面应把实际利率、通胀状态、久期暴露和黄金制度可交易性分开建模，并在当前市场用可交易ETF/期货成本验证。

原文与核查

公开全文完整阅读；未取得原始历史数据库和代码。

原始文章 ↗

返回全年目录 ↑

一万两千个特征的优势，可能来自截距和 Sharpe 算法

Does Complexity Actually Help? The Virtue-of-Complexity Autopsy

Ali H. Askar

一句话先讲结论

文章转述对‘复杂度美德’的复核：同一风险标准化市场收益上，12,000 特征模型 Sharpe 约 0.485，买入持有约 0.549；允许不受惩罚的截距、先合成预测再算 Sharpe 后，复杂度越高越好的曲线明显改变。但它也提醒，简单模型 0.699 的漂亮结果是网格最优值，不能拿事后最优简单模型去公平击败预设复杂模型。

它到底在问什么？

更多参数真的提高市场择时能力，还是正则化、截距约束与统计汇总方式制造了增长曲线？这是模型研究设计问题，不是简单与复杂的立场争论。

作者具体怎么做？

1. 在共同评价期与共同标准化收益上重建买入持有和模型基准，避免把 Sharpe 本身误称为相对改善。
2. 改变截距处理：均值非零时不应让斜率被迫替代截距；比较固定为零、受罚与不受罚设定。
3. 统一随机种子聚合口径，并检查超参数选择、宏观发布日期滞后及交易成本。

关键结果

怎么理解？

最重要的迁移是固定比较协议。增加参数时，种子数量、集成方式、调参预算、截距和信息发布时间必须一起锁定，否则复杂度这个横轴同时改变了别的条件。预测精度与可交易组合质量也应各自明确，不能混用平均指标和合成策略指标。 不过文章自己的‘只有合成后 Sharpe 才能交易’措辞过强：选定一个种子的模型同样可以交易，平均种子 Sharpe 可以回答随机训练过程的期望质量；它只是不能被当成集成组合 Sharpe。公允结论是两种评估对应不同问题，必须同时披露，而不是其中一种永远无效。对复杂模型的反驳也不能靠简单模型事后择优来完成。

最大限制

完整阅读收录批判文章；未逐行重跑原论文与复核论文代码。复杂度理论的假设和此实证实现需要区分，不能由一个实现争议否定所有高维模型。

复现与研究价值

未执行方案：同一发布日期数据、同一嵌套外测与调参预算，固定种子后同时报告单模型分布和等权集成，所有模型采用一致截距约定与净成本评价。

原文与核查

收录批判全文解析；原研究和复核代码未独立重跑。

原始文章 ↗

返回全年目录 ↑

行业轮动在19个样本外年度比九行业等权高1.37个百分点年化，但它同时改了26处设置，不能把收益全部归因于“regime”

Regime-Based Sector Rotation Beats the Index at Full Deployment

Serhat Girgin（QuanterLab）

一句话先讲结论

一句话先讲结论：在九只Select Sector SPDR固定池、2006—2024年19个逐年样本外窗口中，作者的regime轮动组合累计+614.0%、年化10.90%、Sharpe 0.67，优于九行业季度等权的+463.4%、9.53%、0.58，年化差1.37个百分点、最大回撤少14.0点（-39.8% vs -53.8%）。但两臂不只差一个regime开关：轮动臂同时加入10个分类器、三条行业篮子、路由和持仓集中等26处变化，所以证据支持“这个完整设计优于等权”，不支持“regime识别器单独创造了1.37个百分点”。

它到底在问什么？

当行业轮动不是降仓到现金、而是始终满仓地在风险偏好、周期和防御三组行业之间切换时，能否相对九行业等权提高风险调整收益？

作者具体怎么做？

1. 每年锚点以前两年信息供拟合成员使用，随后一年样本外；共19段，所有锚点在评分前登记。
2. 对照季度持有九行业等权；实验臂使用10个regime模块多数投票，次日才执行状态切换，避免同日信号收益。
3. 拼接两边样本外日收益，计入分配和成本；对4,762个配对交易日进行区块bootstrap，并检查逐窗口胜负和前后半段。
4. 将完整设计与等权比较，同时公开26处实现差异，限制单一因子的归因。

关键结果

怎么理解？

这是很好的反面教材：标题说“regime rotation beats index”，正文却诚实披露它是一个多组件系统对另一个简单组合的比较。读者应把10.90%对9.53%当作端到端策略差，不要写成“10个regime分类器证明有效”。页面统计卡把两组Sharpe和CAGR差的方向标反，表1、图1和表3相互一致地支持轮动胜出；本站采用可复算的表格而非卡片标签。

最大限制

无记录的设计前搜索无法做多重检验折价；分类器默认参数、月度再拟合与多数投票本身都可能包含调参。19年并非独立样本，SPDR流动性和行业定义也不代表A股行业轮动。更重要的是，26处设计差异使归因不成立，且未披露完整可执行代码和逐日持仓。

复现与研究价值

复现应先做最小消融：固定三行业篮子和3只持仓，只加入单一regime规则；再逐个增加分类器、投票和路由，报告每一步的增量、换手和成本。随后以同一行业分类在A股及欧洲市场做完全冻结的样本外测试，并检验市场beta、成长/价值和动量暴露是否解释收益。

原文与核查

公开全文、表格和逐窗口结果完整阅读；发现页面统计卡与表格标签矛盾，未独立重跑。

原始文章 ↗

返回全年目录 ↑

Wealth management with macro factors

Wealth management with macro factors

Eric Brine、Fabio Cereda、Ralph Sueppel

一句话先讲结论

宏观支持分数转化为低频资产权重后，2000—2026年7月显著优于等权配置，但为未扣交易成本和风险管理成本的毛收益估计。

它到底在问什么？

能否用宏观环境变化系统性调整现金与风险资产配置，改善长期财富积累？

作者具体怎么做？

1. 构建35个点时宏观因子并顺序标准化
2. 按经济理论对每一资产类别采用概念平价平均
3. 将资产支持分数与现金分数输入SoftMax并季度再平衡

关键结果

怎么理解？

机制是不同资产对增长、通胀、金融条件、期限溢价和避险环境敏感度不同；现金作为共同替代项可在支持分数普遍偏弱时提高权重。

最大限制

因子选择有理论及潜在事后偏差；可能遗漏因子；未计交易成本、滑点、容量和风险覆盖；工业金属单资产预测不显著；数据存在访问门槛。

复现与研究价值

取得JPMaQS数据，复刻35因子、SoftMax、季度再平衡及一天滞后；加入成本、风险目标、滚动窗口和半样本检验。

原文与核查

public-original-read

原始文章 ↗

返回全年目录 ↑

动量股只在回撤15%后买入，单策略指标不如追高版，却提供不同的入场时间与股票池；作者只给出机制证据，未公布完整回测表

Momentum Mini-Portfolio Development - Part 2: USA Pullback Momentum

TradeQuantiX

一句话先讲结论

一句话先讲结论：作者将传统横截面动量的“突破追高”改为“距年度高点至少回撤15%才买”，并明确承认该pullback版单策略总体指标不如无回撤过滤版；其主张是组合层面的入场与持仓分散，而非单策略alpha更高。作者报告回撤版平均盈利交易约+30%、平均盈利持有51日、亏损约-10%，5—10日固定持有也呈正期望，但没有公开完整年化、Sharpe、样本期、成本或明细表，因此只能把它视为待独立复现的策略假设。

它到底在问什么？

在高动量股票上等待回撤再进入，是否能形成与“创新高买入”不同的有效入场机制，并在动量系统簇中提高路径分散化？

作者具体怎么做？

1. 以横截面动量排名产生候选池，再加入距离年度高点的回撤阈值，分别比较有无该条件。
2. 扫描0%到30%的不同回撤深度，观察交易数量、闲置现金、净值路径和持仓重叠，而不是只挑单一最优阈值。
3. 对入场后5、10、21、63、126日固定持有测试，并用回到不同N日高点的退出检验短期回撤是否快速修复。
4. 将pullback、无pullback美国动量和TSX动量组合，比较相关性、股票重叠与风险调整组合指标。

关键结果

怎么理解？

这篇的好处是作者没有把“分散化”偷换成“指标更高”：他明确说无回撤版单策略更强，想要的是不同的进入价、交易时点和持仓名单。问题也在这里——组合分散化只有在同一完整市场、相同成本、相同仓位下量化后才是可检验命题。文章强调“2026年YTD超过100%”同时承认想法源于当年3月讨论，这正是需要严格隔离事后观察与开发选择的场景。

最大限制

结果图表和原始数据不完整，无法核验样本期、股票池幸存者偏差、滑点、停牌/退市处理和参数搜索次数。15%阈值虽有扫参，但最终选择仍基于历史偏好；“正期望”没有置信区间或多重检验调整。与其他系统的相关性也不等于未来组合增益。

复现与研究价值

用点时点美国股票池重建12-1动量、15%回撤与无回撤规则；预注册样本外期、持仓数、换手和成本。对0—30%阈值做walk-forward参数冻结，报告暴露、空仓时间、交易重叠、因子暴露和组合边际Sharpe；然后以加拿大/欧洲市场作为真正独立验证。

原文与核查

公开文章正文完整阅读；完整图表数值与付费材料未取得。

原始文章 ↗

返回全年目录 ↑

赢过 80 个随机价位仍不够：两跳滑点让 PF 从 1.34 缩到 1.07

Two Strategies Past 80 Meaningless Versions of Themselves. Control Group Told Them Apart

Jan Heger

一句话先讲结论

作者把价位触发规则改成 80 个无意义偏移，发现朴素反应策略的 PF 1.03 被 31 个随机版本打败；更复杂的穿越规则 PF 1.34，80 个对照都没超过它。但加入两跳滑点后，后者 PF 也只剩 1.07，单笔利润从 7.03 美元降至 1.78 美元。统计上不像随机结果，与经济上足够厚，是两个门槛。

它到底在问什么？

一条价格规则的正回测，到底来自特定价位的信息，还是任何差不多的规则在这段市场里都能赚钱？

作者具体怎么做？

1. 朴素“价位反应”规则样本内 PF 1.03、样本外 0.98，七年中四年为正；80 个随机桶中有 31 个产生更高的最佳单元成绩。
2. 另一个加入穿越几何与状态过滤的规则有 514 笔交易，作者报告完成率或胜率 58.4%、PF 1.34，超对照约 3.29 个标准差，零个对照更好。
3. 作者再看年度与样本外，称七年中六年为正，样本内外 PF 分别 1.29、1.38。
4. 最后加入两跳滑点，胜率降至 53.1%，PF 降至 1.07，单笔收益只剩 1.78 美元，显示执行误差可能吃掉大部分优势。

关键结果

怎么理解？

随机对照的价值在于让研究员回答一个更窄、更有意义的问题：不是“赚没赚钱”，而是“宣称有用的那部分信息有没有贡献”。但对照构造本身也是假设。偏移后若交易频次、距离或持仓时间明显不同，就不是只移除了信息，还改变了风险结构。 “零个超过”也不能写成绝对保证。八十个版本之间往往相关，标准差尾概率未必正态；有限样本置换检验通常还需要有限次数修正。文中较复杂规则已经调过几何和过滤条件，其全部搜索历史是否也在对照里重放，是决定证据强度的关键。

最大限制

文章未披露具体品种和完整触发规则，对照的独立性与搜索预算不能核查；完成率与胜率用词混合。作者称已进入实盘，不等于本次已经核验实盘收益。

复现与研究价值

为现有策略设计保留交易频次、持仓和波动暴露的置换对照，把所有参数优化放入每个对照内部；同时给出滑点曲线和打平成本。将“信息检验通过”与“可交易成本预算通过”分别标记，避免一个总分掩盖薄边际。

原文与核查

公开正文全文解析；未核验隐含规则和实盘账户。

原始文章 ↗

返回全年目录 ↑

优化器跑完还很分散，不代表已经找到稳健参数区

Metaheuristics for Rule Optimization — With Diversity as the Guardrail

Ali H. Askar

一句话先讲结论

四种优化器各跑 31 次，差分进化平均年化 107.36% 看似最强；统一到同一口径后，BTC 买入持有约 104.2%，领先其实只有约 3.2 个百分点。更有价值的是记录种群多样性，但文中 80%—85% 的剩余分散几乎全由均线长度贡献，止盈止损维度只占未标准化指标约 0.07%，不能据此宣布整个参数空间都稳健。

它到底在问什么？

找最优参数的算法是否稳定、探索了哪些区域、最优值是否只是随机种子的最大值？作者拆解一个八参数 BTC 均线策略研究，重点不在给优化器排榜。

作者具体怎么做？

1. 每算法用 50 个个体、1,000 代、31 个随机种子搜索四均线长度和四出场参数。
2. 训练用八个重叠窗口的平均收益打分，这属于样本内多阶段目标加单次留出，不是每次训练后独立测试的滚动外测。
3. 记录各代参数分散，核对计量单位、年化与累计收益、最优种子选取位置和风险基准。

关键结果

怎么理解？

种群轨迹值得保留，但高分散不是稳定平台的充分证据：可能有多个好区域，也可能是噪声大导致选择压力弱，甚至是算法尚未收敛。应同时观察每个区域的外测收益、邻域敏感度和种子分布，不能只看一个探索百分比。 文章对成交的解释也需谨慎：用上一根完整收盘确认交叉，同时假定成交在同一收盘，并不会自动消除时点问题。必须说明收盘前能否形成信号、实际下单方式和下一可交易价格。至于由最好减均值反推种子标准差，只是分布近似，真实偏态回测结果不必符合正态最大值公式。

最大限制

收录全文解析；底层优化论文、真实五分钟成交路径未独立重跑。部分表格最佳数值相互不一致，不能自行挑最有利版本。

复现与研究价值

未执行方案：先按参数范围归一化分散度，记录全部搜索和种子；用嵌套训练选择配置，最后留出不再调参；以对数财富、回撤和换手联合检验，并将信号成交推至下一可交易时点。

原文与核查

收录批判全文解析；底层试验未独立运行。

原始文章 ↗

返回全年目录 ↑

先有理论也要记搜索账，方法论文章本身也得过检验

Model-Based or Data-Mined: Lotter's Framing of the Whole Problem

Ali H. Askar

一句话先讲结论

文章讨论 Lotter 的模型驱动与数据挖掘框架，最实用的结论是：从十种经济机制中挑一个赢家，也是在做多重搜索，不能因为先有理论就免检。文中依据课件直方图目测现实检验 p值约0.085，只能算图读近似；其进一步提出回撤按时间平方根机械换算，则不应作为通用规则使用。

它到底在问什么？

一张像趋势或双顶的图，能否区别于随机路径？一个有机制故事的规则，又能否在完整研究流程的试错后仍显示净优势？

作者具体怎么做？

1. 将机制写成可证伪条件和数学或程序规则，先声明什么结果会否定它。
2. 用随机或重采样对照检验统计量，并登记所有模型家族、资产、过滤器及窗口搜索。
3. 把收益方向、执行成本与仓位复利分开；课件图读数只用于解释，不当作精确可复現绩效。

关键结果

怎么理解？

我同意最核心的要求：机制能压缩搜索空间，却不能抹除试验次数。机制也应有反例，例如预期哪个资产、哪个时期无效，而不只是收益出现后解释得通。这样才可能让机制对未来研究产生约束。 但这篇值得保留批判距离。零漂移布朗运动某些极值尺度可与√T相关，不意味着有漂移、复利、自相关或路径依赖的策略最大回撤一律按√T换算；Calmar也不能据此自动修正。图上几个频谱柱的均值和标准差，更不能替代带依赖结构的正式多频率检验。审查别人课件的文章，同样需要满足自己提出的证据标准。

最大限制

课件本身未逐页独立核验，p值及仓位法回撤是作者图读近似；不应将约43%或48%的课件收益作为可部署预期。

复现与研究价值

未执行方案：建立完整试验登记，保留序列依赖的块重采样，并以固定长度外测比较回撤；不同资金管理只在同一底层交易信号、费用和风险预算下评价。

原文与核查

收录全文完整解析；底层课件未逐页复核。

原始文章 ↗

返回全年目录 ↑

行业动量并非整月有效：月初第1日做多赢家有效、随后第2—3日应反转，三段拼接后长短年化5.99%、Sharpe 0.55

Sectoral Intramonth Momentum Cycle: Exploiting Turn-of-the-Month Patterns in Sector ETF Strategies

QuantPedia

一句话先讲结论

一句话先讲结论：以月末252日收益排名九只Sector SPDR、每次做多前三并做空后三，样本1998年12月—2026年6月显示动量只在新月第1交易日为正，随后第2—3日反转，且月末前第10至第5交易日再次为正；将三段按正确方向拼接，行业长短组合年化5.99%、Sharpe 0.55，市场中性版3.77%、0.54，月内实际持仓不足一半交易日。结论很有意思，但日历日多重筛选、未扣借券和交易成本、以及研究期包含异常发现后数据，都意味着它尚不是可直接实盘的alpha。

它到底在问什么？

行业横截面动量是否像个股动量一样集中在少数月内交易日？若月初存在快速反转，能否通过切换方向而不是整月持有提高动量的风险调整收益？

作者具体怎么做？

1. 在每个交易日相对月末的位置上，汇总同一252日行业动量组合的平均收益，寻找月内收益集中和符号翻转。
2. 分别交易新月第1日的动量腿、第2—3日的反转腿和月末前10至5日的动量腿。
3. 三条腿使用同一个前一月末排名，避免在持有窗口内重新计算信号导致的前视问题。
4. 将非重叠的三段拼接，并与只持有单腿的市场中性和行业长短版本比较年化、波动、Sharpe和回撤。

关键结果

怎么理解？

这篇的真正研究价值是提出“信号方向取决于日历位置”，而不是又找到一个整月行业动量。第2—3日反转尤其需要谨慎：先在图上查看每天平均收益、再选出三段拼接，本身具有显著的数据挖掘自由度。Nathan、Suominen、Tasa的个股月末研究为预月末腿提供了外部动机，但不能自动验证行业ETF月初反转。

最大限制

窗口选择、前三/后三、252日回看和两种基准产生多重检验，文中未给出预注册或deflated Sharpe。交易成本未含ETF价差、空头借券费、月初换向和可执行收盘/开盘假设；相邻月收益和行业ETF共同冲击也降低独立观测数。样本末端2026年数据较短，跨市场和近年样本外均未验证。

复现与研究价值

用1998—2015发现、2016—2026冻结验证，或逐年walk-forward选择窗口而非全样本选日。实施时使用可成交价格和完整借券/融资成本，报告每腿贡献、换手、容量和因子暴露；在欧洲、A股行业ETF或行业期货上检验月初反转是否存在。

原文与核查

公开全文完整阅读；未独立重跑。

原始文章 ↗

返回全年目录 ↑

AI 因子确实拥挤，但不能因此断定是模型权重造成的

Your Research Agent Is an Undisclosed Factor Exposure - And So Is Everyone Else's

Jonathan Kinlay

这篇的反转是：AI 生成的组合很像，但按公开因子文献构造的对照组合更像。拥挤是真问题，归因不能跳步。

2 分钟看懂

两个 AI 团队交出相似策略，是共享模型导致的，还是它们都读了同一批经典论文？

只测 AI 与 AI 的相关性，无法区分模型特有偏差与公开投资知识本来就集中的事实。

1. 统一信号语言与股票数据
2. 各研究运行生成策略组合
3. 加入随机表达式与文献对照
4. 分别检验拥挤现象和拥挤成因

不能推出什么

单一模型家族、统一价格信号语言和小样本运行限制因果解释；不是跨所有大模型的定论。

研究用途

和 LLM Crowds 一起读：先看最终持仓与收益相关性，再讨论人格或模型的差异。

详细讲解

核查记录

导读完成：核对网页相关方法、结果与限制段落；未逐图及逐行代码审计，未独立复现

返回全年目录 ↑

同样月涨幅，先涨后跌与先跌后涨不是同一因子

Price-Path Convexity: A New Cross-Sectional Anomaly

Ali H. Askar；研究：Huseyin Gulen、Michael Woeppel

一句话先讲结论

研究把股票月内起终价格中点与日收盘均值作比较，低凸性组下一月约1.24%，高凸性组约0.41%，多空毛差约0.84%/月；控制上月涨跌及常见特征后，每高一个标准差凸性，对应下月收益低约45bp。它值得研究的是路径信息的增量，但‘控制现有因子后仍显著’不等于已经排除所有风险，更不等于净成本可交易。

它到底在问什么？

传统一个月收益只看两端，会把月中冲高后回落和月中跌深后反弹视为一样。投资者是否过度外推最后一段走势，让路径形态包含下一期反转线索？

作者具体怎么做？

1. 用一致复权口径的月内日收盘构造指标，月末形成截面，下一月观察收益。
2. 在上月收益组内再比较凸性，检验是否只是传统短期反转重命名。
3. 做截面控制和调查预期关联，再单独评估真实投资池、换手、借券及成本。

关键结果

怎么理解？

这类因子最值得问的是信息压缩：一个月里按时间加权的涨跌，是否比只看月收益更好地描述近期买压。双重排序和控制最近1、5、10日收益有助于排除最直接的替代解释，但并不会穷尽所有路径特征或成本来源。 原博客说‘没有因子解释’和‘风险故事失败’过于绝对。有限因子集的残差、衰退期较强和调查相关支持行为机制，却不是唯一因果证明。博客给出的近似分解还存在量纲疑点：括号是价格变化而外部系数无量纲，不能直接等于无量纲凸性。实现应从清楚的首末中点定义入手，不照抄该近似式。

最大限制

收录解读完整阅读，原论文全样本和数据清洗未独立重跑；毛多空、短持有与全市场股票的交易成本是关键缺口。

复现与研究价值

未执行方案：在事前可交易个股池用复权价格构造原定义，与最近多日反转和日收益加权模型做同风险比较；固定月内采样和调仓时点，检查借券、涨跌停与费用后的增量。

原文与核查

收录正文完整解析；底层论文数据未独立复现。

原始文章 ↗

返回全年目录 ↑

黄金比特币轮动年化80%的背后，是选窗和高波动

Dual Momentum Between Gold and Bitcoin (Two Stores of Value)

Ali H. Askar

一句话先讲结论

黄金和比特币每周择强、两者都跌则现金，十个回看窗口里最好的8周版年化79.91%，最大回撤仍−43.94%；4/8/12周组合加20%预测波动上限后，年化降至12.01%、回撤−12.27%。前者是同一样本选出的高风险峰值，后者才展示风险约束的代价；两者都没有因此获得独立外测证明。

它到底在问什么？

把两种‘价值储藏’资产结合，究竟分散了风险，还是轮流承担比特币高波动？绝对动量的退场速度够不够，波动上限又如何改变资金使用？

作者具体怎么做？

1. 在2018年底至2026年4月尝试1、2、3、4、6、8、12、20、24、28周窗口，公开整张参数表。
2. 分别运行纯切换与4/8/12周组合，检查表现是否集中于2024年后的少数上涨阶段。
3. 用选中资产过去12周波动缩放仓位，比较收益、波动和回撤下降幅度，并审计代理拼接和成本。

关键结果

怎么理解？

真正应复制的是整张参数表，而不是8周。若只有少数相邻窗口超过基准，应考察是稳定区域还是某轮币价行情的恰好匹配；组合窗口也若见过结果才选，不能自动消除选择偏差。基准还应做同风险控制，否则容易把降低仓位收益误说成模型优劣。 博客对 Sharpe 的批评也有一处不能照用：以复合年化收益除波动并非标准算术超额收益Sharpe，简单从全期年化减5%也不是重算历史无风险调整。应在每期加入实际现金利息并减同期无风险收益，再计算标准Sharpe；不能把文章的0.80敏感性算式当准确修正结果。

最大限制

收录批判文章完整解析，原Quantpedia实现未独立重跑；IBIT成立前是代理，现货、BITO展期和ETF实际收盘成本不能互换。20%历史估计上限也不能保证未来实现风险不超标。

复现与研究价值

未执行方案：固定窗口集合后保留新时段，统一可成交代理与现金收益，比较同波动基准；记录周三收盘信号至真实成交时滞，并对跳跃及突然相关性上升压力测试。

原文与核查

收录全文和参数表解析；原始代码未独立复现。

原始文章 ↗

返回全年目录 ↑

VIX 加速动量只在单选 ETF 上赢了，选两只就没了

VIX and Trend Following Revisited: Nearly a Decade of Out-of-Sample Evidence

David Mesicek

一句话先讲结论

2017 年 8 月至 2026 年 6 月，按 VIX 状态改变动量窗口、每月只持第一名 ETF 的策略，10bp 成本下年化 14.09%，超过固定十个月窗口的 9.87%；但各持两只 ETF 后变成 10.30% 对 10.40%，优势消失。前者经济差异明显，却由少数换仓月份贡献，配对 t 检验 p=0.1696，不足以宣布 VIX 普遍改善趋势策略。

它到底在问什么？

高波动时市场领导资产可能切换更快，能否缩短动量观察窗口，提高反应速度？文章重访 2017 年公开的想法，重点检查发表之后的新数据，而不是再挑一个最好看的历史窗口。

作者具体怎么做？

1. 月末识别 VIX 状态并计算相应窗口的资产动量，下一月执行持仓；108 个信号月只对应 107 个已完成收益月。
2. 同一资产池同时运行 Top 1、Top 2 与各自固定窗口基准，比较净收益和换手。
3. 逐月分解相对收益，进一步做状态、年份、成本及显著性检验，区分几次关键选择和稳定普遍增益。

关键结果

怎么理解？

最有价值的设计是同时展示 Top 2。它说明信息价值可能集中在第一、第二名的少数排序反转，而不是所有资产趋势识别都变好了。对实际组合，如果既有配置本来就比较分散，不能直接套用全仓单选的改善幅度。 另一方面，不显著并不等于确定无效：月度差值稀疏，有效样本远少于 107。更合理的是把它保留为待验证假说，并问优势是否主要由疫情后的少数重排贡献。文章是旧想法的 ETF 代理延伸，不是原始资产和执行实现的逐项复现；‘发表后数据’比样本内强，但仍应审计这次代理和规则是否事后选择。

最大限制

极端 Red 状态只有三个完成收益月；公开正文未给出足以逐项重建的全部状态阈值与窗口映射。不能自行补一个 VIX 阈值当成作者参数。

复现与研究价值

未执行的研究方案：取得完整阈值与代理代码，冻结后做留年检验；报告去掉最大几个相对收益月的结果，再在相同风险与换手预算下比较固定窗口集成，检验收益究竟来自 VIX 还是一般的快慢动量混合。

原文与核查

收录全文解析；原始 2017 策略完整代码未核验。

原始文章 ↗

收录原文

返回全年目录 ↑

A股因子择时没赢等权，不代表所有条件配置都无效

Factor Timing Mostly Fails — the Honest Version

Ali H. Askar；研究：Chuan Shi 等

一句话先讲结论

文章转述2000—2020年A股前1000只股票、七个多头因子的研究：估值、动量、波动和情绪择时都没可靠胜过等权，等权本身相对市场约0.27%/月、t=3.98。另一项美国研究却在主导共同因子上发现预测性；两者不矛盾，真正问题是你在给哪些风险维度择时，而不是‘择时’这个标签本身对错。

它到底在问什么？

已有一篮子有效因子后，是否还值得动态调整权重？即使理论最优权重依赖条件收益和协方差，现实估计误差会不会比理论增益更大？

作者具体怎么做？

1. 对同一资产池构建因子，固定信息发布时间、权重归一化和等权基准。
2. 比较各择时信号多种窗口的增量收益和稳健误差，而不是只选最好的窗口。
3. 将个体因子择时与主成分降维后的共同风险择时分开，检查信息是否集中于少数可预测方向。

关键结果

怎么理解？

这篇最实用的是把基准放严。我们不需要证明某个因子下月收益可预测，而是证明这种预测能改善既有组合的净效用；预测与其他仓位高度重复时，即使显著也未必值得换手。低维条件配置可以减少估计成本，但主成分必须只用训练数据形成，否则也会前视。 文中仍有夸张需要校正。共同波动高并不证明逆波动相对权重全是噪声；等权也不是‘没有任何可过拟合成分’，因子筛选本身就是研究选择。SDF方差由1.67到2.96，更不能直接说Sharpe上限近乎翻倍，在其他归一化相同时对应的是平方根关系。研究应保留这些条件，避免用口号替代比较。

最大限制

收录全文解析；两项底层研究未统一复算，市场、时间、长短仓与成本口径不同。失败的有限信号不能证明所有择时不可能，理论上限也不是已实现收益。

复现与研究价值

未执行方案：用当前A股个股因子库建立固定等权/等风险基准，只允许有限幅度偏离；在嵌套外测中比较个体和共同成分择时，记录选择次数、净换手收益与风险目标。

原文与核查

收录综述全文解析；底层论文尚未全部独立核验。

原始文章 ↗

Factor Timing and Factor Allocation

返回全年目录 ↑

夏普估计不一定是钟形曲线；但拟合 5,000 次重抽样不等于拥有 5,000 份市场证据

Sharpe Ratio Distribution: When Normal's A No-Go, Why Not SHASHo?

Krzysztof Ozimek

一句话先讲结论

作者对两年标普日收益的夏普估计做 5,000 次 bootstrap，发现四参数 SHASHo 分布的 GAIC 优于正态，于是提出用它重写 p 值、临界值、检验功效和最低记录长度。值得关注的是夏普估计的偏斜和尾部，不是立刻替换标准检验：5,000 次来自同一短历史的重抽样，不能增加原市场样本的信息量，也不能保证尾部概率已校准。

它到底在问什么？

即使对自相关、偏度、峰度修正夏普方差，最后仍用正态近似是否会忽略估计分布形状？短样本尤其可能不满足漂亮对称的钟形直觉。

作者具体怎么做？

1. 作者以两年标普日收益反复计算夏普，做 5,000 个 bootstrap 估计，再通过 GAMLSS 拟合其无条件分布。
2. SHASHo 使用位置、尺度、偏斜与尾部四个参数，均值并非直接等于位置参数，需要由全部形状推导；作者称四参数显著、GAIC 比正态更好。
3. 利用该分布到标准正态的变换，作者计划推导单侧检验、临界值、功效与最低记录长度；本篇是四篇系列的第一篇，没有完整展开后续校准实证。

关键结果

怎么理解？

这个问题确实值得问：报告夏普 1.5 时，如果估计分布明显右偏，用对称误差条可能给错误印象。但让一种四参数曲线更贴合 bootstrap 直方图，只完成了拟合，不是检验有效性。真正重要的是在已知真夏普的模拟下，名义 5% 检验是否真的约 5% 误报。 还有一个实践陷阱：把 bootstrap 出来的 5,000 个高度共享同一原样本的估计，当作独立真实观察去计算参数显著性，会夸大证据。应区分条件于这份历史的拟合精度，以及换另一段市场后形状参数是否仍稳定。尾部越灵活，短样本估计风险也越需要控制。

最大限制

本篇只给研究动机和初步拟合，没有具体收益区间、重抽样保留时间依赖的方式、GAIC 数值或外部校准。不能凭系列开篇宣称 SHASHo 已普遍优于成熟夏普推断。

复现与研究价值

在厚尾、自相关和状态变化的已知生成过程上比较正态修正、块 bootstrap 与 SHASHo 的误报率和区间覆盖；把分布选择放在训练阶段，测试阶段只检验覆盖。若改善仅是样本内拟合，应保留更简单稳健方法。

原文与核查

系列第一篇全文解析；未将未读后续篇章内容算作已验证结论。

原始文章 ↗

所讨论夏普方法论文

返回全年目录 ↑

预测市场会动多大，比预测涨跌更容易；但“趋势”标签可能只是幅度标签

Market Regimes and Changing Market Dynamics

Relative Value Arbitrage

一句话先讲结论

这篇比较两种状态识别：用神经网络判断次日 ETF 波动是否超过阈值，以及用熵识别收益分布是否变厚尾。前者最佳配置相对朴素分类器改善 15.4%，但“超过 0.5% 就叫趋势”并不说明价格有可持续方向；后者补充波动率看不到的形状，也没有直接证明能提前规避危机。两者更适合作为风险描述候选，而非现成择时 Alpha。

它到底在问什么？

只用牛熊或高低波动描述市场，是否漏掉了策略真正敏感的特征？均值回归系统关心路径形状，尾部风险系统关心极端概率，两者未必由同一个状态指标解决。

作者具体怎么做？

1. 第一篇覆盖 SPY、QQQ、DIA、IWM 的 2000—2024 年日数据，输入包括宏观公告及 VIX、RSI、ATR，使用 0.5%、0.75%、1% 的移动阈值。
2. 综述报告 SPY 在最低阈值下相对朴素模型改善 15.4%，不同阈值下 AUC 达 0.67—0.74；其他 ETF 改善较弱，不能只拿最好一格代表系统水平。
3. 第二篇在 1998—2025 年巴西、美国、日本与中国指数上，用厚尾核估计滚动密度及差分熵，再与方差、尾指数比较；模拟与历史危机用于展示分布形状变化。

关键结果

怎么理解？

第一类模型如果确实能预测高幅度环境，可以用于调整止损距离或风险预算，但不能只因状态叫 trending 就加方向仓。应看标签与最终交易路径的关系，并用只预测下一日波动的简单模型作为对照，检验复杂分类是否多做了有用的事。 熵的解释也应更严谨：差分熵随尺度改变，不是天然去除了波动率的“纯复杂度”。固定方差时正态分布的熵有特定极值性质，但厚尾与熵高低不一一对应。真正应检验的是标准化后的分布形状信息，是否在方差之外改善尾部概率或风险区间校准。

最大限制

已读综述全文，未逐表重算两篇底层研究。最佳格的搜索校正、宏观公告可见时点、熵窗口与核参数均需原文复核；回看能识别危机不等于事前预测危机。

复现与研究价值

分别冻结两个目标：次日幅度分类和下一期尾部覆盖。让前者与朴素波动预测比较，后者与标准化收益尾部指标比较，按危机前后而非全样本平均报告效果。只有改善风险决策后，再讨论是否加入交易系统。

原文与核查

公开综述完整解析；底层两篇论文未逐表审计。

原始文章 ↗

ETF 状态分类原研究（JRFM 19(4),262）

返回全年目录 ↑

三篇机器学习交易论文都被自己的数字击穿：98.7%准确率可能不如‘什么都不报’，而且没有成本模型就没有交易结论

How to Spot a Fake ML Trading Paper

The Scientific Trader

一句话先讲结论

一句话先讲结论：作者逐项审计三篇宣称92%—98.7%准确率的ML交易论文，发现一个标签只是同一价格构造出来的均线交叉，零信息‘预测上一根’基准就有97.5%；另一个操纵检测样本的基准率是一笔操纵对638,000笔正常交易，什么都不报也有99.99984%准确率，说明分类准确率和交易收益都不能脱离基准率与成本。

它到底在问什么？

机器学习论文里的高准确率究竟代表可交易信息，还是类别不平衡、循环标签和缺少成本模型造成的幻觉？

作者具体怎么做？

1. 从论文数据表提取正类基准率，先算什么都不报的准确率。
2. 检查标签是否是特征的函数，寻找循环标签和未来数据泄漏。
3. 要求把方向准确率转换成含点差、滑点、融资和换手的净收益，否则不接受交易edge结论。

关键结果

怎么理解？

这篇是今年最适合放在AI研究看板里的方法审计之一。它没有讨论哪个模型更强，而是先问：基准率是多少、标签怎么来的、预测时点是什么、成本有没有被减掉。对于LLM生成的交易论文，四个问题比模型架构名称更重要。尤其要警惕准确率很高与收益很高之间的偷换。

最大限制

文章是对三篇论文的二次审计，没有重跑其完整数据和代码；精确率反推假设论文指标口径一致，不能替代原论文复现。

复现与研究价值

为所有AI交易论文建立四项入门审计：多数类基准、标签因果方向、时点可得性、成本后净收益；任何一项缺失都只给方法分，不给可交易推荐分。

原文与核查

公开正文完整阅读；按公开数字复核算术，未重跑三篇原论文。

原始文章 ↗

返回全年目录 ↑

分批止盈让盈利变亏损？这篇案例最大的疑点是只改赢家、不重放路径

I Scaled Out to Raise My Win Rate. It Didn't Move — and It Cost Me $115,000

Jan Heger

一句话先讲结论

作者给 3,966 笔期货交易加上“盈利十点先平一半、剩余保本”的规则，称总收益从 +98,683 美元变成 −16,336 美元，胜率仍是 58%。它提醒我们提前兑现可能砍掉右尾，但文末复现步骤要求重新定价赢家、保持输家不变，这不是一般有效的分批退出模拟：输家也可能先碰止盈再反转，必须重放所有交易路径才能确认这 11.5 万美元差额。

它到底在问什么？

提升持仓体验的分批止盈，是否真正提高策略期望收益？衡量对象应是完整收益分布，不是平掉一部分后感觉更安心。

作者具体怎么做？

1. 作者给出六年半、3,966 笔、单合约基准，胜率 58.0%、PF 1.75、总收益 98,683 美元，平均每笔 24.88 美元。
2. 对同样交易应用半仓十点止盈与剩余仓保本，报告总收益 −16,336 美元、胜率仍 58.0%，差额约 115,019 美元，正文按 115,020 近似。
3. 作者把损失归因于赢家右尾被提前截断，举例本来可赚较大目标的交易，途中回撤触发保本而错失后续上涨。
4. 但公开“可复现”步骤仅要求入场、退出、方向、规模，并称重新定价赢家、输家不变；这些字段不足以知道中途路径与触发顺序。

关键结果

怎么理解？

“砍右尾”确实是趋势和突破策略应检查的风险，但不是所有分批退出必然降低收益的定理。早平一部分同时改变亏损尾部、资金占用和再入场机会；只盯本来最大的赢家会产生反向选择偏差。 因此这篇最好的用法不是抄结论，而是把它当作反事实回测审计题。必须按同一价格路径对两套退出规则逐笔并行模拟，再解释哪些原赢家变小、哪些原输家转正、哪些触发保本。没有这张转移表，“体验优化损害收益”的故事仍可能混入不对称计算。

最大限制

未披露完整品种、价格频率和触发顺序，单合约如何实现半仓也需说明。文章对赢率不变的解释不足，公开复现步骤可能系统性低估分批变体；本次没有交易流水，不能确认原程序是否也犯了该错误。

复现与研究价值

获取逐笔或足够细的 OHLC 路径，保守处理同一根内同时触及止损止盈，并统一费用、最低合约和再入场约束。用原赢家/输家与新赢家/输家的四格收益归因验证差额；若路径不可得，就不能据终点收益模拟这种退出。

原文与核查

公开正文全文解析并检查复现逻辑；原始交易路径未取得。

原始文章 ↗

返回全年目录 ↑

议员 ETF 跑赢 SPY 近 13 点，扣掉更高 Beta 后 Alpha 却接近零

Autopsy No.005: The congressional-trading ETF that beats the market

Morgue Labs

一句话先讲结论

NANC 在文中样本累计涨 108.8%，SPY 涨 96.1%，看上去证明跟随议员有效；但 NANC 对 SPY 的 Beta 为 1.138，回归年化 Alpha 为 −0.89%、t=−0.37。换 QQQ 作基准，Alpha 又变成 +1.84% 但仍不显著。最稳妥的结论是这 40 个月没有识别出超越风险暴露的选股能力，而不是证明议员信息永远无用。

它到底在问什么？

主题基金的跑赢究竟是主题信息有效，还是在行情有利时多承担了科技和市场风险？真实产品业绩也需要匹配风险的反事实基准。

作者具体怎么做？

1. 以 2023-03-31 至 2026-08-11 的 40 个左右月度观测比较 NANC、SPY、QQQ，区间不含基金成立后的最初七周，末期也并非完整月末。
2. 分别回归 NANC 对 SPY 和 QQQ 的月收益，报告 Beta、截距与 t 值，不只选择有利于结论的一种基准。
3. 检查科技和通信权重及大型科技持仓，用持仓风格解释为何 Nasdaq 比大盘更相关；同时讨论另一议员主题产品 KRUZ 的表现。
4. 作者承认这是收到问题后进行的描述性分析，没有预注册，也不是机械复制披露交易策略的干净实验，因为 NANC 还含主动管理决策。

关键结果

怎么理解？

这篇适合用来训练对真实产品的归因习惯：回测可能有数据偏差，真实基金也仍可能只展示幸运风格暴露。收益来源解释应从简单可买基准开始，而不是先为主题编一个信息优势故事。 但作者一些修辞也比证据更强。不同党派组合表现不同不必然否定全部信息优势，它们可能持仓、执行和披露结构不同；相关基金是否停止、其价格终点是否代表清盘也应查基金正式公告。本解析保留回归能支持的窄结论，不把“另一产品失败”当因果实验。

最大限制

40 个月对 Alpha 的估计很不精确；作者给出的年化区间约 −5.5% 至 +3.9%。单因子、未扣无风险利率、可能非整月观测均需改进；本次未独立核验基金最新费率、存续状态和完整净值，因此不转述为当前产品事实。

复现与研究价值

用正式 NAV 总收益与完整月末数据复核，并加入市场、行业、规模成长等暴露；按披露可见日构造机械组合，与基金主动选择部分分离。至少报告两种匹配基准和置信区间，避免只展示战胜 SPY 的累计曲线。

原文与核查

公开正文全文解析；未独立下载基金净值或核查最新存续状态。

原始文章 ↗

返回全年目录 ↑

CTA ETF不必因只做大市场就失效：控制大类风险预算后，容量加权趋势Sharpe 0.71，几乎追平全市场等权的0.69

The Rise of CTA ETFs

Concretum Research

一句话先讲结论

一句话先讲结论：作者在1995—2026年78个期货市场上比较等风险与容量加权趋势；若让所有市场共用一个总风险预算，等权Sharpe 0.93显著高于容量加权0.54，但这主要因为36个商品合约在等权下占近半风险。把股、利率、外汇、商品四大类各固定25%风险后，等权Sharpe 0.69、容量加权0.71几乎相同；与100% SPY叠加时，容量加权CTA将组合Sharpe从0.78提高到1.20、最大回撤从50.8%降到29.0%。所以ETF的流动性约束未必损害趋势alpha，真正关键是不要让容量权重改变经济风险结构。

它到底在问什么？

ETF型CTA只能交易深度高、容量大的期货，是否因此会失去传统CTA利用小众市场的分散化优势？

作者具体怎么做？

1. 用5个月EWMA给每个期货做多/做空，按63日风险缩放，次日执行、每日再平衡。
2. 先在全局1%日风险预算下比较EW与CW，再在四大类各25%风险、商品三子类均分的分层风险预算下重做。
3. 以固定仓位至信号翻转替代每日调仓，检查结论是否依赖高频权重更新。
4. 选择各框架最佳趋势流，与100% SPY以100%/100%资本效率叠加并月度再平衡，比较组合Sharpe与回撤。

关键结果

怎么理解？

这篇最好的部分不是“CTA ETF可行”的营销结论，而是展示了容量研究最容易犯的错误：把市场内容量权重与市场间风险预算同时改变。全局EW的0.93并非纯粹是小市场更好，而是商品数量多、风险占比也更高。分层预算后0.69对0.71才回答了ETF投资者真正的问题。

最大限制

容量代理使用σ×成交量而非可交易参与率、冲击成本或持仓集中度；所有结果毛收益，ETF管理费、期货展期、佣金和融资均未全面计入。78市场的可得性随时间变化，趋势参数和风险目标也未做真正外部样本验证；100/100叠加隐含资本效率和杠杆约束未展开。

复现与研究价值

用合约逐日成交量、持仓量、价差和参与率限制构造真实容量约束，加入市场特异成本和ETF费用。分别冻结大类预算、市场内权重与趋势参数，在近年留出期验证；对叠加组合报告保证金、尾部相关性及2008/2020/2022启动期的实际风险。

原文与核查

公开全文完整阅读；未独立重跑。

原始文章 ↗

返回全年目录 ↑

长期买虚值期权会付出波动溢价，但“月亏 68%”不能代替真实期权链检验

Autopsy No.003: Buying options for the big win

Morgue Labs

一句话先讲结论

作者用 2006—2026 年指数与波动率资料模拟每月买虚值宽跨，报告 5% 虚值组合平均每月损失约 68%，并把原因归为隐含波动长期高于随后实现波动。但这是用波动率模型给期权定价的模拟，不是逐张真实期权成交记录；它能提醒“有限亏损不等于便宜”，还不能证明所有买方策略都没有条件优势。

它到底在问什么？

反复付一笔小权利金等待大行情，能否靠少数彩票式赢家补足日常损耗？要比较的不只是收益凸性，还包括为了获得凸性实际付了多少钱。

作者具体怎么做？

1. 作者比较隐含与随后实现波动，报告前者平均高约 3.4 个波动点，并在 82% 的日子差值为正。波动差与方差风险溢价并非完全相同量纲。
2. 按模型模拟 5% 与 10% 虚值月度宽跨，称前者平均权利金收益约 −68%，后者接近完全损失。正文没有完整展示每月期权链与现金流。
3. 再按期限结构倒挂的恐慌状态拆分，作者称最有利状态仍损失约 55%；具体筛选阈值和交易时点需看实现。
4. 文章另批评 gamma squeeze 研究的未来事件定义与散户损失文献，但未在正文给出足够可核查书目信息，不能把这些不同市场样本自动合并为对全部买方的证明。

关键结果

怎么理解？

最基本的逻辑是正确的：凸性有价格，买到极端大涨可能性不代表得到正期望。截图只展示成功者，也确实会严重夸大买方长期体验。但风险溢价是对尾部风险和保险需求的补偿，不足以推导所有期权买入都错误；以保险目标买入和以独立获利目标买入，应使用不同评价基准。 研究上必须警惕“模型给出的坏结果”被描述成市场已彻底证伪。VIX 对应的是一篮子方差预期，不是任一虚值看涨或看跌的实际报价；忽略偏斜也不保证对两翼统一偏向买方。更不应从买方负期望直接跳成推荐卖方，卖方承担的极端损失和保证金压力正是溢价来源。

最大限制

公开正文缺少可运行定价代码、真实合约链和所引散户论文的完整验证；日内交易者损失比例不能自动归为期权买方结果。本文解析的是作者论证及局限，不独立确认其所有数值。

复现与研究价值

用真实点时期权链，固定 moneyness、到期日和入场时点，按买卖报价执行，分别报告权利金收益与资本占用收益。分离无条件长期买入、事件条件买入与保险用途，检验尾部收益和最大追加资金需求，而不是只看平均亏损比例。

原文与核查

公开正文全文解析；未取得完整定价代码和真实期权数据。

原始文章 ↗

返回全年目录 ↑

新闻正负组次日差 0.45%，但只有三篇以上报道的公司日才出现

Does AI Still Read the News Better Than the Market?

Tommi Johnsen / Svetlana Shasharina

一句话先讲结论

作者在 2026 年约六周、850 家美国公司的新闻中发现：每天至少三篇报道的公司，正负新闻组次日收益差约 0.45 个百分点；少于三篇的组没有可辨识效果，第二天又回吐约三分之一。更关键的是周末新闻没有同样即时关系，提示模型可能部分在读“已经涨了”的报道。它支持继续研究新闻覆盖与信号可信度，不支持把 0.45% 当每日可赚收益。

它到底在问什么？

大模型新闻效应是否随着普及消失？作者进一步发现，情绪分数的分母把一条新闻和许多条一致新闻混成同样强的分数，可能遮蔽真正有信息的样本。

作者具体怎么做？

1. 夜间收集约 850 家公司的标题，让模型只确认新的、具体、可核实且与目标公司相关的信息，约八成被视为中性；六月末增加公司归属过滤，排除代码歧义。
2. 按公司日形成情绪分数，再分至少三篇和少于三篇两组，分别观察当日、次日与后续收益差。
3. 作者报告覆盖充分组次日差 +0.45%，第二日方向部分反转；还检查大公司，认为反转不只是微盘报价反弹。
4. 用一千次两类打乱对照：公司内跨日期打乱破坏时点，公司日内跨公司打乱破坏对象。真实结果超过两类随机范围，但这是六周内的统计证据。

关键结果

怎么理解？

实务上最有价值的是保留证据数量。仅输出 −1 到 +1 的标准化情绪，会让稀疏公司的极端值冒充高信心；可以把条数、独立媒体数、新事件数与分数一起交给预测系统，而不是只按幅度排序。 不过，多篇新闻也可能是同一消息复制，而非独立确认。覆盖数还与公司规模、财报日和波动有关，三篇门槛可能是在选择更活跃事件。周末对照提出逆向因果疑问，但周末与交易日的新闻类型不同，不能单靠它证明当日关系全部来自报道价格。标题时点与交易时点仍是更直接的检验。

最大限制

不同模型、币池之外的公司样本和价格频率与原论文不一致，作者也不称精确复现。新闻归属过滤中途改变、样本短、分组门槛事后发现；没有实施交易策略、费用与隔夜日内分解，不能据此宣布原论文的效应衰减预测已被推翻。

复现与研究价值

冻结公司归属与新闻去重规则，按最早公开时间分盘中、盘后和周末，并让三篇阈值接受后续数据检验。比较独立事件数与转载数，按行业与财报日匹配对照，再检验从实际可下单时刻起的增量收益。

原文与核查

公开正文完整解析；作者更详细技术附录未取得，未重跑新闻模型。

原始文章 ↗

返回全年目录 ↑

30个品种、5个日滞后时，全条件Granger要塞149个控制变量而失明；PCMCI用父节点筛选把检验能力从约40%恢复到80%以上

Stop Using Pairwise Granger: PCMCI for Financial Causality

Ali H. Askar

一句话先讲结论

一句话先讲结论：对30个金融时间序列、5个日滞后的网络，pairwise Granger会把共同风险因子和间接链路误报为因果，FullCI虽控制这些伪边却需149个控制变量、在高维模拟中检测能力从5变量约80%降至20变量约40%。PCMCI先用PC1筛出少量候选父节点，再用MCI同时控制目标与驱动的父节点；文中引用实验显示高维时真实链接检出仍超过80%、且假阳性率回到名义水平。它不是可直接交易信号，而是把“宏观/跨资产谁驱动谁”的候选关系从相关性噪声中缩小的研究工具。

它到底在问什么？

如何在大量、高自相关金融序列中识别有方向的滞后关系，同时避免pairwise Granger的共同因子伪边和FullCI的维度灾难？

作者具体怎么做？

1. PC1从所有变量的滞后项出发，逐步条件化并剔除独立项；阈值故意偏松，以避免漏掉真实父节点。
2. 对每条候选边做MCI检验，同时条件化目标的父节点和驱动变量的父节点，后者用于吸收自相关。
3. 按关系近似线性/非线性选择ParCorr、GPDC或CMI条件独立检验；非线性检验需要更多样本。
4. 将存活边当作下一轮可检验假设，而非直接把网络边转成交易规则；在滚动窗口、不同变量集和缺失共同因子压力下复核。

关键结果

怎么理解？

对量化研究员，最可迁移的结论不是“换成PCMCI就发现因果”，而是不要把变量宇宙扩张后仍用pairwise显著性画关系图。PCMCI的价值在研究治理：明确候选父集、控制维度、FDR和变量遗漏。它也很适合AI研究：先让模型提出变量，再用点时点数据和因果筛选压缩为少量可验证假设。

最大限制

文章主要是方法解释，性能数字来自气候/合成网络实验而非金融实盘；金融中潜在共同驱动、结构突变和同期反馈更严重。父集选择本身有阈值、最大滞后和变量宇宙自由度，滚动重复尝试仍会产生多重检验。PCMCI不解决交易成本、预测稳定性或经济可解释性。

复现与研究价值

用tigramite在预先冻结的跨资产变量池运行：先以ParCorr、固定滞后和FDR阈值得到候选边，再只对候选做经济机制与样本外预测检验。把变量遗漏、窗口长度、滞后上限和结构断裂做敏感性矩阵；任何存活边都要在不同市场/时期和可执行交易成本后再评估。

原文与核查

公开文章完整阅读；引用方法论文和实验未独立运行。

原始文章 ↗

返回全年目录 ↑

若把股价当作长期现金流现值，市场隐含的贴现率减增长率年际波动只有约±20bp；而国债利率本身常动±50bp——“精确”到令人不可信，说明不能把平滑估值比直接当预期收益率

Excessively Volatile? Or Inexplicably Precise?

Alex Chinco

一句话先讲结论

一句话先讲结论：Chinco用长期现金流现值逻辑反问一个估值悖论——从指数价格与长期增长预期反推的贴现率减增长率，年际变化看似可被锁定在约±20bp；但无风险利率一条腿本身常年动约±50bp。若风险资产的折现率和增长预期必须以超过0.9的相关性逐年精确抵消，才能维持这种稳定，就比“市场过度波动”更难解释。对量化估值，这篇的警告是：不要把价格/股利、CAPE或任何平滑比率机械翻译为一个精确的预期回报点估计。

它到底在问什么？

股票市场到底是“价格过度波动”，还是在给长期贴现率与现金流增长的差分定价时表现出不合理的精确性？这一悖论会如何限制估值信号的解释？

作者具体怎么做？

1. 从股权现值恒等式出发，将价格变化拆为现金流、预期增长与贴现率的联合变化，而不是把价格/股利的倒数直接命名为预期回报。
2. 量化所需精度：在给定估值倍数和目标误差下，r−g只允许很小漂移；文章给出约±20bp的精度示例。
3. 把该精度与政府债券风险自由利率年际约±50bp的可观测波动对照，指出风险资产折现率不太可能更稳定。
4. 检验替代解释：若r与g共同移动抵消，需要增长预期与利率长期相关性超过约0.9；文章认为观测长期增长预期不支持这种持续强共振。

关键结果

怎么理解？

这不是“估值无用”的结论，而是对解释口径的约束：估值比率可作为缓慢移动的状态变量、横截面排序或风险情景输入，却很难在时间序列上给出精确的未来年化回报。最常见错误是把r−g当r、再假设g固定；文章提示这会把不可观测的增长变化错误归为风险溢价变化，也会使均值回复回测显得比经济含义更确定。

最大限制

本文不是预注册实证研究，使用的数值为说明性尺度，未给完整样本、数据版本、估计器、标准误或交易成本；长期增长预期不可直接观测，Gordon近似对股利/回购、期限结构、结构性断点都敏感。相关性0.9的讨论是模型条件，不能当成已被拒绝的统计检验。

复现与研究价值

把估值研究改为区间和情景：对r、g分别设定可观测代理和误差带，报告P/D隐含r−g而非单一“预期收益”。在收益预测回测中加入期限利率、增长预期修订、通胀和股利/回购定义的逐步消融；横截面估值与时间序列估值分开评估，并以长期持有、成本后效用而非短期t值判断。

原文与核查

公开网页正文阅读；网页抓取结构受限，未独立重算。

原始文章 ↗

返回全年目录 ↑

长期股票回报不是“约7%”：16国共同1900—2020样本从美国实际年化+6.7%到葡萄牙-0.3%，11国出现过亏损的30年窗口

150 Years of Global Stock Returns - The Birthplace Lottery

Beyond Passive Investing

一句话先讲结论

一句话先讲结论：JST数据库16个可连续观察股票市场中，早期完整样本澳洲实际年化7.2%、葡萄牙0.9%；在所有市场共同的1900—2020窗口，美国+6.7%、葡萄牙-0.3%、法国也为负，11/16市场曾有实际财富下降的30年期。对1989年日本投资者，单押本国31年没有一个年末回到起点、2012年实际-63%，而等权持有16国、年度再平衡的世界组合约增至8倍。所谓长期股权溢价是跨国家路径平均，不是单个出生国投资者的保证。

它到底在问什么？

长期持有本国股票的风险是否被“股票长期约7%回报”这一跨国/跨样本平均数系统性掩盖？真正按投资者本币与本国通胀衡量时，全球分散化买到了什么？

作者具体怎么做？

1. 对各国股票计算真实复合增长率而非年收益算术均值，避免把波动拖累误称为投资者实际收益。
2. 统计最长实际水下期和最差30年实际年化，以投资寿命而非全样本均值衡量尾部。
3. 为每个本国投资者构造未对冲全球等权组合，转换成本币并以本国CPI通缩，和本国股票直接比较。
4. 对1948德国货币改革、战时行政汇率和缺失/消失市场做标注、剔除和幸存者偏差讨论。

关键结果

怎么理解？

文章最重要的提醒是区分ensemble average与time average：跨国平均回报不是任何一个投资者实际能经历的路径。它并不证明等权全球组合永远优于市值权重或本国市场，但强烈反驳“长期就无需分散化”的叙事。对于A股投资者，外推时更需单独处理资本管制、汇率可得性与投资者实际可买的海外资产。

最大限制

早期指数、汇率和通胀数据质量不均，十六个连续市场有明显幸存者偏差；战时行政汇率和德国1948货币改革难以完全可比。世界等权年度再平衡忽略税费、资本流动限制和真实可投资性，样本也不能直接代表新兴市场。

复现与研究价值

用可投资的本币全球ETF/期货或MSCI历史代理，按中国投资者的资本项目、额度、汇率对冲和税费重建可执行版本。用市值权重、等权、区域上限与再平衡成本做并列压力测试，并把本国集中度写入长期情景与退休风险预算。

原文与核查

公开全文完整阅读；未独立重建数据库。

原始文章 ↗

返回全年目录 ↑

OHLC成本模型在稀疏交易资产上会把真实1.00%有效价差估成0.04%；EDGE用离散成交修正后在160万股票月中相关性78.9%

Bid-Ask Spread From OHLC: The GMM Estimator That Beats Roll/CS

Ali H. Askar（解读Ardia、Guidotti、Kroencke）

一句话先讲结论

一句话先讲结论：传统Roll、Corwin–Schultz等OHLC价差估计默认价格连续观察，交易稀疏时会把“没有成交导致没有bid-ask bounce”误读为低价差；模拟里Corwin–Schultz在真实1.00%价差、极稀疏成交下仅报0.04%。EDGE以开盘/收盘碰到高低点的概率修正离散性，并用GMM组合多组矩；在1993—2021年约164万美国股票月对TAQ有效价差基准的相关性为78.9%，高于Abdi–Ranaldo的68.1%、Roll的55.2%和CS的45.5%。

它到底在问什么？

没有逐笔报价数据时，如何仅用OHLC估计资产特异的有效价差，且不系统性低估低流动性资产的回测成本？

作者具体怎么做？

1. 从OHLC构造价格跳动与高低点关系，估计多种价差矩；对负估计按惯例截断为零。
2. 用开盘/收盘恰为高低点的频率修正成交不连续造成的协方差衰减。
3. 根据估计方差以GMM组合不同OHLC矩，令小价差和大价差状态自动偏向更精确的构件。
4. 在已知真实价差的模拟中改变成交频率，再在CRSP股票月对TAQ交易-报价匹配的有效价差验证。

关键结果

怎么理解？

这不是一个alpha因子，而是回测中最容易被忽略的“成本输入质量”问题。对小盘、币圈、海外市场和分钟策略，若价差估计在最差的资产上系统趋零，任何漂亮净Sharpe都不可信。EDGE应当进入成本敏感策略的基础研究管线，但不能替代市场冲击、参与率和限价成交模型。

最大限制

EDGE仍假设基本价格无序列相关、bid-ask bounce均值为零且与基本收益无关；强动量、跳跃和微观结构噪声会造成偏差。它估的是样本窗平均有效价差，不是特定订单、特定规模的可成交成本；负估计截断仍可能有小样本上偏。美国股票TAQ结果也不保证迁移至A股、期货或加密资产。

复现与研究价值

在自己的OHLC数据按日/小时/分钟分别估计EDGE，并用少量真实成交/报价做校准；将有效价差、冲击、佣金、融资和成交概率拆开。对每个策略按流动性分组重算净收益与容量，并将估计窗口和频率冻结后做样本外成本压力测试。

原文与核查

公开解读完整阅读；未独立复现原论文模拟或TAQ结果。

原始文章 ↗

返回全年目录 ↑

Bond indices and systematic duration management

Bond indices and systematic duration management

Elena Sueppel

一句话先讲结论

五类点时宏观因子构成的久期信号，通过期限桶再权重或利率互换覆盖可提升GBI Broad历史收益，但预测优势和实际净收益仍需成本复核。

它到底在问什么？

能否利用通胀、信用、房价、曲线估值和经济意外动态调整被动政府债指数久期？

作者具体怎么做？

1. 构建五类宏观因子并顺序标准化、截尾至±3标准差
2. 五因子等权形成综合久期信号
3. 分别在1—5年与10年以上期限桶间换权，或用10年IRS payer/receiver覆盖

关键结果

怎么理解？

高于目标通胀、房价快速增长和偏紧融资通常降低久期；较高期限溢价、较陡曲线及通胀/消费下行意外支持增加久期。

最大限制

因子和权重未统计优化；存在隐性事后偏差；主要覆盖G4；未完整披露冲击成本、保证金、融资和互换滚动成本；方向准确率仅略高于50%。

复现与研究价值

复刻五因子、tanh映射、期限桶和IRS覆盖；加入DV01、保证金、融资、滑点和交易成本，并做单国、半样本和危机期检验。

原文与核查

public-original-read

原始文章 ↗

返回全年目录 ↑

策略 B 是否优于 A，要看收益分布；但事后市场状态不是可提前下单的信号

Trading Strategy Comparison: Is B Really Better Than A?

Krzysztof Ozimek

一句话先讲结论

论文把 2002—2025 年标普样本分成 146 个向前测试窗口，发现 SVM 与买入持有的优劣会随状态和评价维度改变。最值得注意的不是某个模型赢了，而是它比较的 IR* 把负均值窗口全部压成零，且“状态”取自当段已经实现的收益与波动；所以它更适合事后解释表现，不能直接据此说知道下一段该选哪条策略。

它到底在问什么？

用一个全样本夏普给策略排名，会把不同环境下的均值、离散程度和失败概率压在一起。是否可以分别建模这些维度，让研究员知道优势来自更高平均表现还是少数极端好窗口？

作者具体怎么做？

1. 策略层以 160 日训练、40 日测试非重叠推进；技术指标只用滞后值，缩放与多空阈值在训练内确定。
2. 每个测试窗口计算非负 IR*，再用包含零点质量与正值 Gamma 部分的 ZAGA 分布，把位置、离散和零概率与策略及市场状态联系起来。
3. 作者在六个状态点比较条件均值、方差和均值/标准差，报告不同维度不必由同一策略占优。本文关注的是这套比较结构，不把拟合值当交易收益率。

关键结果

怎么理解？

从单一分数升级到分布，方向有用，但首先要选对被建模的对象。如果原指标把亏损尾部截掉，漂亮的条件密度也可能掩盖投资者最关心的差异。建议同步保留窗口净收益、最大回撤和亏损严重度，不让 IR* 成为唯一判决变量。 状态变量的时点尤其关键。用窗口结束后才知道的涨跌和波动解释谁赢，是合理的归因；拿同一状态去安排窗口开始时仓位，就是未来信息。另一个推断疑问是文中用拟合分布直接抽样、统计两者差值符号，再称 p 值：这与在零假设约束下构造频率学检验并非自动等价，还应把参数估计误差和同窗口配对依赖纳入。

最大限制

本次读作者介绍并核查原论文关键方法和结果，未复算；没有可据此确认的扣费实盘优势。条件点可能组合各变量相同分位而非实际常见联合状态，极端外推与模型分离问题需要谨慎。

复现与研究价值

先用配对窗口差值做简洁诊断，再考虑分布模型是否增加解释力；若用于策略配置，所有状态必须在窗口开始时可知，且分布模型只能在更早窗口训练。以保留配对和时间依赖的重抽样检验差异，并报告模型不确定性而非只报拟合参数的模拟结果。

原文与核查

作者短文完整解析；原论文关键定义、方法和结果核查，未独立复算。

原始文章 ↗

原论文与 PDF

SSRN 版本

返回全年目录 ↑

Skewness as a Hidden Driver of Anomaly Returns

Skewness as a Hidden Driver of Anomaly Returns

Larry Swedroe

一句话先讲结论

许多异象可能隐含暴露于少数极端正偏股票；偏度管理提高了18类异象的毛收益，但交易成本后增益大幅收缩，需核查多重检验和规模暴露。

它到底在问什么？

经典异象是否由少数极端右尾股票驱动，显式管理预期偏度能否改善多空组合？

作者具体怎么做？

1. 对形成后的股票收益按99%、95%、90%分位数winsorize，检验右尾贡献
2. 用滞后波动率、动量、过去收益、规模、行业和交易所变量预测下一月偏度
3. 多头取高预期偏度tercile，空头取低预期偏度tercile并做因子/ spanning检验

关键结果

怎么理解？

行为机制是投资者为彩票型正偏资产支付溢价，压低其未来平均收益；偏度管理通过多头偏向右尾、空头回避右尾捕获不对称性。

最大限制

这是二次解读；文章未完整说明多重检验校正、退市处理、借券成本和空头约束；第一阶段偏度预测能力可能弱，收益可能混入规模、流动性和动量暴露。

复现与研究价值

取得原论文和CRSP/Compustat数据；复刻18异象、三种winsorize和偏度预测；加入成本、借券、容量、多重检验和大市值子样本。

原文与核查

public-secondary-summary-read

原始文章 ↗

返回全年目录 ↑

通胀罗盘押注单一行业：最重要的不是高收益，而是 TIPS 信号究竟代表什么

Taming the Wildcard: David Varadi's "Inflation Compass"

Allocate Smartly；策略 David Varadi

一句话先讲结论

Inflation Compass 用股票趋势判断增长，再用五年盈亏平衡通胀和行业相对表现判断通胀，月度选择一个主要行业或国债。独立测试发现换成通胀互换或央行预测后表现下降，尤其慢速预测更弱；这说明市场价格信号很重要，却不能证明赚到的全是通胀信息，也可能包含流动性和危机路径。原文自己提醒它经常全仓单一行业，是高波动风险资产，不是完整配置方案。

它到底在问什么？

增长与通胀四象限要实时交易，究竟用什么可见信息判断当前象限？用市场隐含通胀可能更快，却混入风险溢价和流动性。

作者具体怎么做？

1. 用 S&P 500 趋势代理增长；行业通胀信号比较能源、金融、工业、材料与必需消费、医疗、公用事业的相对表现。
2. 定义通胀上行为五年 breakeven 高于 2%，且 breakeven 或行业隐含通胀至少一个在上升，再按增长通胀状态选能源、科技、公用、消费或国债等工具。
3. 每月末收盘更新，原版扩展至 1990 年，增强版平均不同窗口减少单一参数风险；作者把 2003 年以前视作未用于原策略的历史扩展，但不是未来实时样本。
4. 替换为五年通胀互换和 Cleveland Fed 预测再测。互换替代降幅较小、央行预测较大，提示速度与市场特有因素都可能重要。

关键结果

怎么理解？

代理替换是很好的稳健性检验，因为经济故事若真是通胀，就不该只在一种带特殊流动性扭曲的指标上成立。但不同代理不完全等价，互换有交易对手和供需因素，月度预测有滞后；表现变差不能自动判为过拟合，也不能自动证明原指标拥有独家 Alpha。 另一个更实质的风险是状态到行业的映射。能源在过去的再通胀环境强，不保证结构变化后仍是最佳表达。参数平均只分散窗口风险，不分散行业定义、工具选择和经济机制风险；把多个窗口平均后仍全仓能源，不是组合已经充分分散。

最大限制

公开正文未逐格核验全部绩效图片、原始策略完整参数及早期 breakeven 代理；ETF 成立前历史拼接需审计。历史扩展与未来样本外必须区分，单一行业大仓位也有显著路径风险。

复现与研究价值

把通胀代理、增长代理、行业映射分别做替换检验，固定风险目标并与简单行业动量及静态风险资产对照。检查 2008、2020 等少数节点贡献，考虑多行业分散，而不是只选历史最好的通胀工具。

原文与核查

公开正文和风险讨论完整解析；图表全数值及原始实现未核验。

原始文章 ↗

返回全年目录 ↑

均值回归筛选别只看 p 值：教程的半衰期代码也需修正

Testing for Mean Reversion: ADF, Hurst Exponent and Half-Life

Quantt

一句话先讲结论

这篇把 ADF、Hurst 和半衰期串成筛选流程，但不能原样复制代码：它用 −ln2/(ρ−1) 近似半衰期，却拿精确公式 −ln2/lnρ 作示例。ρ=0.4 时前者约1.16期，后者约0.76期，差距不小。适合当诊断清单，不适合把‘三项通过’直接当成可交易证据。

它到底在问什么？

价差看起来在来回波动，究竟是稳定回复、随机游走，还是一次结构变化？即便统计上回复，速度和幅度又是否足以覆盖持仓成本？

作者具体怎么做？

1. 根据经济含义预先选择是否含常数、趋势及差分滞后，运行 ADF 并检查残差；不能为了显著反复换设定。
2. 在指定尺度区间估计增量方差斜率，观察 Hurst 对窗口与微观结构噪声的敏感性。
3. 拟合 AR(1) 时用正确离散半衰期并给区间，再单独做成本、结构稳定与样本外交易检验。

关键结果

怎么理解？

另一个重要代码问题是‘趋势’示例只给随机游走加了固定漂移。对增量方差而言，固定漂移不会改变随机部分的尺度律，不能用它证明 H>0.5；Hurst 反持续也不等同于存在稳定、可交易的长期均值。读教程时要把对象是价格、增量还是残差说清楚。 对配对残差尤其应使用协整检验对应的临界值，不能把拟合出来的残差当预先固定序列直接套普通 ADF。扫描上千配对后最显著的 p 值还经过了选择，需要校正或保留独立外测。日内买卖价反弹会形成漂亮的反持续，却可能正好等于付出价差，交易经济性必须另证。

最大限制

原教程部分说法过于绝对：统计显著并非所有交易策略的必要条件，长期半衰期也不在所有投资期限下无用。半衰期是条件均值衰减，不是保证或平均首次回归时间。

复现与研究价值

未执行方案：修正公式与漂移示例，对预设经济价差分别进行协整、结构变化和块重采样检验，再用可成交买卖价评估净回归幅度及持有成本。

原文与核查

收录教程正文及代码解析；未运行模拟。

原始文章 ↗

返回全年目录 ↑

机器学习在金融里的复杂度税并不会靠更炫的模型消失：200根bar从5个参数扩到40个，OLS方差项由0.025升至0.20；搜1000个模型、仅500个独立样本时，泛化误差上界约0.20

The Mathematics of Machine Learning, for Traders

Ali H. Askar

一句话先讲结论

一句话先讲结论：这不是一篇发现新alpha的论文，而是一份给交易研究员的“复杂度定价表”——在线性平方损失的理想设定下，估计d个参数的额外方差精确为σ²d/n；作者举例n=200、σ²=1时，5参数为0.025、40参数为0.20，后面35个参数必须额外降低至少0.175的偏差才值得。更一般地，若从1000个候选配置中挑选、只有500个近似独立样本，95%置信下有限类泛化界约为0.20；样本扩至50,000才约0.02。对金融ML，含义不是“不能用复杂模型”，而是必须把有效独立样本、搜索自由度和成本后的冻结样本外表现放在同一张账上。

它到底在问什么？

为什么一个在历史样本上拟合得很好的预测器会在下个月失效？交易研究中，参数、特征、模型网格和模型集成各自通过什么机制消耗样本外可信度？

作者具体怎么做？

1. 先区分不可消除的Bayes误差、函数形式造成的偏差，以及有限样本估计参数带来的方差。
2. 在线性OLS特例中以σ²d/n量化每增加一个自由度的方差成本；复杂度只有在足够降低偏差时才有净收益。
3. 用交叉验证估计未知风险，但金融时间序列不得随机打散；采用按时间切分、purge和embargo，避免标签区间重叠造成泄露。
4. 将模型搜索的选择偏差用有限类界或VC维表达：候选集合越大、有效独立样本越少，训练—真实风险差越大。
5. 对随机森林区分树数与树间相关：B增大只能消除(1−ρ)/B项，ρ项是不可由堆树数消除的下限；再据稀疏性选择L1/L2并做冻结样本外检验。

关键结果

怎么理解？

这篇材料最有用的地方，是把研究流程里的直觉变成量纲：alpha研究不是“能否把模型做得更复杂”，而是“独立信息量能否支付复杂度税”。它也解释了两个常见误判：第一，树很多不代表集成充分独立，相关性ρ决定方差地板；第二，CV分数不是策略收益，尤其不能用随机K折替代带purge/embargo的时间序列验证。实务上，应该把候选数、特征版本、调参次数、调仓规则和成本假设都登记为搜索自由度，而不是只对最后胜出的模型报告Sharpe。

最大限制

全文为作者的教学型理论说明，未给出可下载数据、完整代码或某一金融策略的可复现绩效；σ²d/n、有限类界和VC维率依赖独立性、损失函数与模型类假设，在重尾、非平稳、强自相关金融序列中只能提供方向性约束。文中给出的泛化界通常较松，不能反推出某策略“真实alpha为零”。

复现与研究价值

将现有每个ML信号接入研究账本：记录有效独立样本估计、特征数/模型数、所有试验与停止规则；采用walk-forward的purged CV作为调参层，最后保留一段从未参与选择的冻结样本。对集成额外报告成员预测相关矩阵和加入第N个成员后的边际IC/净Sharpe；若收益来自稀疏特征假设，用稳定选择与跨市场/跨期验证检验s远小于p是否真的成立。

原文与核查

公开全文完整阅读；理论/算例已核对，未独立回测。

原始文章 ↗

返回全年目录 ↑

OU 给你回复速度，不会自动给你一条套利策略

The Ornstein-Uhlenbeck Process in Finance: Theory, Simulation and Calibration

Quantt

一句话先讲结论

OU 模型最实用的地方是可用精确离散转移做模拟和标定：半衰期等于 ln2/θ，长期方差等于 σ²/(2θ)，不是把瞬时波动 σ 直接当价差的长期波动。本文是模型工具教程，没有真实交易收益；是否有稳定均值、结构是否变化，必须在把模型变成仓位之前另外验证。

它到底在问什么？

如何用尽量少的参数描述价差被拉回中心的速度与不确定性，并从离散行情反推出连续模型参数？

作者具体怎么做？

1. 使用精确离散公式：下一期为长期均值加衰减后的当前偏离，再加具有正确转移方差的高斯噪声。
2. 拟合 x下一期=a+b×x当前，按 θ=−lnb/Δt、μ=a/(1−b) 和创新方差恢复连续参数。
3. 检查参数、残差、采样间隔和结构稳定，再考虑用于价差风险或利率模型，而非仅凭拟合成功判断交易机会。

关键结果

怎么理解？

原文代码在 b≤0 时称序列‘非均值回归’，这句话太宽：负系数且绝对值小于1的 AR(1) 仍可平稳振荡，只是不符合这个连续标量 OU 的采样形式。把模型不适用与经济现象不存在分开，是使用模型的基本边界。 另外，文中 OLS 用残差自由度校正方差，而条件高斯极大似然使用不同分母，所以有限样本波动参数并非严格完全相同；更重要的是 b接近1 时 μ和θ高度不稳定。只输出一个漂亮半衰期不足以管理真实仓位，应同时给参数区间和不同窗口敏感性，并检查价差构造是否提前看过全样本。

最大限制

高斯、常参数和连续路径会低估跳跃及厚尾；观察间隔不等时不能直接套等间距代码。物理测度标定的利率回复参数也不能不加处理直接用于风险中性债券定价。

复现与研究价值

未执行方案：先做预设价差的稳定性检验，再比较精确OU与简单AR基准；使用参数重采样区间、跳跃压力和真实价差成本检验交易门槛，不把理论标准差直接当止损保证。

原文与核查

收录教程全文及代码解析；未执行模拟或实际策略。

原始文章 ↗

返回全年目录 ↑

触及整数位概率多 14.7 个百分点，为什么还不是能赚钱的交易？

The Statistic That Passed Every Test I Had And Still Isn't an Edge

Jan Heger

一句话先讲结论

作者发现价格位于整数位下方时，首日到达该价位的比例为 67.4%，随机位置对照为 52.7%，样本 11,697 个；但把这个现象变成订单后，入场延迟、先触止损再到目标和盈亏比让优势消失。有一个版本胜率从 62.1% 升到 62.7%，总收益反而少了 1,160 美元：最终到达目标的概率，不等于在交易约束下先赚钱的概率。

它到底在问什么？

一个统计现象即使显著，是否存在可以实际捕捉它的订单结构？本文区分终点事件发生概率与完整交易路径收益。

作者具体怎么做？

1. 作者在日间缺口相关观察中记录整数位附近的首日路径完成，报告 N=11,697，真实与随机位置差为 14.7 个百分点。
2. 尝试用实际交易规则捕捉现象，发现成交太晚、途中先止损或盈亏比恶化等问题；文章未完整公开这些交易变体。
3. 进一步判断首日以后所谓磁吸更可能只是区间中回访近期价位，而非整数本身吸引价格；这属于作者解释，不是本文独立证实的微观机制。
4. 最终把信号放入只记录、不下单的前向账本，等待冻结后真实新数据，而不是因为一个统计值漂亮就投入资金。

关键结果

怎么理解？

这个区分能直接改进信号研究。到达目标、最终收涨、未来最高价超过某水平，都可能是有信息的标签，但它们并不指定可执行路径。研究员应在模型训练前确认标签与最终下单决策的关系，否则分类成绩越高，可能只是更擅长预测自己无法捕捉的事件。 同时作者说“随机对照已经排除多重比较”太强。若在很多距离、时间、整数级别和样本里试过，只挑这一个对照差最大的结果，仍有选择问题。对照提供必要背景，不自动替代全研究流程的搜索校正；缺少机制也不必直接否定统计套利，但需要更严格的可迁移证据。

最大限制

具体市场、随机位置如何匹配距离、波动与时间、交易费用及全搜索历史都未充分公开；作者的无机制判断不能证明效果不存在。前向账本尚未给出足够后续样本。

复现与研究价值

先把事件改为在固定时间内先触目标还是先触止损，并用可成交价格计算收益；随机位置必须匹配距当前价距离和日内时点。锁定规则做只读前向记录，记录未成交与取消单，最后评价净期望而不是目标完成率。

原文与核查

公开正文完整解析；未独立重跑价格事件或前向记录。

原始文章 ↗

返回全年目录 ↑

947个MNQ交易日、14类五分钟OHLCV信号，没有一类在2点成本后通过样本外、交易数与年度稳定性五道门

The Signal Ceiling: Why No Single-Bar OHLCV Edge Beats Costs in MNQ

Ali H. Askar

一句话先讲结论

一句话先讲结论：对MNQ连续近月947个完整交易日、72,604根5分钟RTH bar，作者以bar收盘出信号、下一根开盘成交、每笔往返2点成本和扩张walk-forward检验14类热门日内OHLCV信号；没有一类同时满足样本外T≥2、至少30笔、成本后为正、各年稳定和置换p<0.05。最好的真实OHLCV信号毛边际通常仅1.05—1.50点，低于2点摩擦；结论是这类单bar公开特征在MNQ的可提取边际已接近交易成本，而不是“所有日内alpha不存在”。

它到底在问什么？

论坛常见的开盘区间、跳空、成交量、流动性抓取和亚洲盘扩张等5分钟MNQ信号，若禁止同bar成交并加入保守成本，是否仍有可部署的样本外净边际？

作者具体怎么做？

1. 对14类单bar/短持有OHLCV模式按固定规则生成信号，所有入场滞后一根bar。
2. 每个参数仅在当期以前样本选取，再对下一年样本外评分，逐年扩张训练。
3. 要求同时通过T≥2、N≥30、2点成本后为正、逐年稳定、可用时置换p<0.05五道门。
4. 保留全部失败规则，并以两个已知结构信号作正控制，验证测试框架不是无差别拒绝。

关键结果

怎么理解？

这是值得放在研究库里的高质量负结果。它把“有一点预测内容”和“成本后可部署”分开：Asia expansion等模式的方向效应可能真实，但在bar收盘后只剩1—2点毛边际，无法覆盖摩擦。对AI自动挖掘尤其重要：模型能轻易发现十四个故事，却只有完整失败日志能阻止挑一个幸存样本过度解释。

最大限制

2点成本对不同经纪商、时段和规模只是近似，且2025样本并未完整覆盖；连续合约、RTH限定和单一MNQ品种限制外推。门槛严格但仍含多个家族和参数选择，非正式多重检验校正；正控制本身也需独立复核。

复现与研究价值

在逐笔或一秒数据上把信号、可成交价、排队和冲击统一模拟；按波动状态和时段设定动态成本。对任何候选规则先记录完整搜索账本和所有失败变体，再以冻结的未来季度做walk-forward；若转向结构信号，必须明确其状态变量及延迟而非把它伪装为单bar形态。

原文与核查

公开全文完整阅读；未独立重跑。

原始文章 ↗

返回全年目录 ↑

五资产月度轮动规则很简单；12.5 万次搜索才是 11% 年化背后的关键成本

Quick 5 ETF Rotational Strategy Returns the Upside of Stocks with Half the Risk

Stuart Farmer

一句话先讲结论

每月把股票、债券、地产、商品和黄金五只 ETF 按 1、3、6、9、12 个月平均收益排序，等权持有前三只，作者报告约 11% 年化、0.87 夏普和约一半的股票回撤。规则看起来只要六步，但文章最后才披露它来自 12.5 万多个轮动组合的搜索；因此好看的是获胜配置的历史表现，不是未经筛选的策略证据。

它到底在问什么？

把多个动量窗口平均，再在资产类别间轮动，能否兼顾股票收益与较低回撤？真正需要回答的是，这个特定五资产集合和前三名持有数，在未参与选型的数据里是否仍有优势。

作者具体怎么做？

1. 每月最后交易日对五只 ETF 分别计算过去 1、3、6、9、12 个月的累计收益，取五个收益的算术平均作为混合动量。
2. 从高到低排序，选前三个，每个配置三分之一资本，持有到下个月末再平衡。没有绝对动量为负时退出到现金的规则，因此差环境也仍然满仓某三类资产。
3. 正文宣称低换手，并展示不加费与按换手 10bp 收费的结果；具体图表的区间和全部数值没有在文本逐项列出。
4. 作者称该篮子来自 125,000 多个轮动策略组合的搜索，完整搜索与策略实现放在付费文件夹，而非公开正文可独立审计的冻结实验。

关键结果

怎么理解？

这是一条容易实现、也容易误读的规则。多窗口平均并非独立五次确认：这些收益窗口高度重叠，长期涨势会同时抬高多个分量。五资产本身的分散可能已经减少大量回撤，应通过静态组合对照将资产配置与择时贡献分开。 最重要的披露其实是搜索次数。不能因为最终策略简单，就把产生它的研究过程也视为简单。加入新 ETF、换掉地产、选前一还是前三，都是模型选择；只有把整个搜索步骤放进训练集，并在外层独立验证，才知道这个赢家是否只是幸运路径。

最大限制

完整代码和搜索记录需要订阅，本次未取得；公开文字未充分交代样本区间、总收益复权、调仓时点和严格外层样本外。评论区的负面复现意见也未独立验证，不作为本文事实结论。

复现与研究价值

按公开规则先复现基线，同时加入五资产静态等权、简单单窗口动量和随机篮子分布。以较早区间完成全部资产与参数选择，后段只执行一次；对不同月内交易日和次日成交检验稳健性，而不是再挑最好日期。

原文与核查

公开正文全文解析；付费代码和完整绩效表未核验。

原始文章 ↗

返回全年目录 ↑

Quantitativo weekly #4

Quantitativo weekly #4

Quantitativo

一句话先讲结论

收益取决于拥挤、宏观状态和组合方式；单因子平均回归不足以解释可交易性。

它到底在问什么？

五篇研究分别考察行业内因子组合、拥挤股票、风格反馈、市场状态相似度轮动及因子ETF与行业ETF配置。

作者具体怎么做？

1. 行业内因子组合与timing→rotation→selection三层系统
2. 以Days-ADV衡量机构拥挤，构造拥挤多头/非拥挤空头
3. 用style反馈、k-means和主成分降维检验因子动量
4. 用quantile regression与相似历史市场状态做行业轮动
5. 对因子ETF和行业ETF进行多窗口、多约束、含成本的头对头比较

关键结果

怎么理解？

主要含义是拥挤可能是风险补偿，尾部条件效应会被OLS平均掩盖，因子/行业优劣具有regime依赖。

最大限制

周刊是二手摘要；原论文数据、代码、定义与成本假设未统一，部分研究为新稿，需逐篇核验。

复现与研究价值

取得五篇原论文和数据，逐篇复现排序、Days-ADV、style、相似月和ETF配置；做点时、幸存者偏差、成本、危机压力与多重检验。

原文与核查

public_full_digest

原始文章 ↗

返回全年目录 ↑

Supertrend 一小时亏 92.9%：换成四小时赚钱，也不等于入场信号有效

Supertrend, flipped to death: the most-taught indicator on the internet

The Refutation

一句话先讲结论

在作者的 BTC 一小时样本里，Supertrend(10,3) 每次变色就反向持仓，1,239 次翻转后累计亏 92.9%，买入持有同期涨 940%；改成四小时虽然赚 238%，仍落后买入持有的 828%。文章最有用的检查是固定交易节奏再随机方向或入场，说明正收益可能只是持有上涨资产，而不是指标选对时机。

它到底在问什么？

图上紧跟趋势的线，按下一根开盘真实执行后是否仍有择时信息？视觉上解释过去行情，与提前给出可执行优势并不是同一件事。

作者具体怎么做？

1. 作者用 BTC 一小时数据运行公开常见参数和始终在场规则，手续费按来回 0.11%，共 1,239 次翻转；文中说样本约 6.3 年，未完整列出起止日。
2. 移除最好五笔后损失 −97.8%，移除最差五笔仍 −87.5%，说明失败不只由个别极端交易推动。
3. 固定同样交易时点、持有期和成本，随机方向 5,000 次，与真实指标比较。作者报告随机中位数约 −91.2%，真实 −92.9%。
4. 再比较四小时及其他资产，并对四小时多头入场做同持有期限的随机对照；作者称所有测试持有期的入场差均为负。

关键结果

怎么理解？

文章好的地方是没有停在“亏钱所以没用”，而是进一步问亏损来自成本还是方向判断。如果毛单笔本来就略负，高频反向交易的费用会持续侵蚀；降低频率可以改善结果，却不代表信号突然有了新信息。 不过，随机对照表述有一处内部疑点：若真实收益 −92.9% 低于随机中位数 −91.2%，按通常定义至少一半随机结果应比它高，正文却说只有约 44% 超过，需查图或代码。类似细节提醒我们，“打假文章”也需要审计。长期多空与买入持有的风险不同，还应比较波动匹配基准。

最大限制

未提供本次可执行代码与完整数据区间；手续费在翻转时如何计算、现货或永续空头资金费、随机试验百分位需核查。删除好坏交易是敏感性描述，不是可交易的策略修正。

复现与研究价值

冻结参数，用真实可交易工具加入融资或资金费，对比波动匹配持有与固定信号时点随机方向。核验随机百分位和成本复利账本，再做更换频率但不重新选最优参数的独立验证。不要将某个失败配置直接推广成整个指标家族无效。

原文与核查

公开正文全文解析；完整订单和随机实验未独立复核。

原始文章 ↗

返回全年目录 ↑

六七月连跌后，13 次九月有 11 次下跌；小样本季节性不是 85% 的预测概率

Down June & July: 11 of 13 Septembers Closed Lower

Rob Hanna

一句话先讲结论

作者统计 1950 年以来标普指数六月、七月都收跌的年份，发现随后九月 13 次里有 11 次下跌，而八月方向不明显。它提供了一个具体的条件季节性观察，但 11/13 只是历史频率；如果月份组合和触发条件是从许多候选里挑出来的，就不能直接把约 85% 当成下一次下跌概率。

它到底在问什么？

在通常偏强的六月和七月连续走弱后，传统偏弱的八九月是否会进一步恶化？作者尝试把季节性与前期价格状态结合，而不只看无条件月份均值。

作者具体怎么做？

1. 以 1950 年以来 SPX 月收盘变化筛选六月和七月均为负的年份，这是本次条件样本的定义。
2. 观察这些年份的八月、九月表现。作者称八月有涨有跌，九月不论八月是否反弹都偏弱。
3. 正文给出九月 13 次中 11 次收低，并提到部分跌幅较大；逐年表格以图片呈现，本次未从正文得到平均跌幅、最差值或每个年份。

关键结果

怎么理解？

研究员可以把它当成需要解释的现象，而不是即刻变成空头仓位。连续两个月下跌可能已经代表某些危机环境，而这些环境往往也影响后续收益；用日历名称包装后，不代表机制来自日历本身。 短文的优点是问题和计数清楚，没有复杂模型遮挡。缺点是筛选自由度没有账本：可以试很多月份、连续长度和涨跌阈值，最终只报道一个漂亮条件。即使简单二项检验显得有意义，若忽略这层选择，也会高估证据。

最大限制

没有逐年原始表、完整收益分布、多重检验校正或预注册规则的核验。当前行情与未来月份判断不在本解析范围；本文只分析作者统计设计，不给出仓位建议。

复现与研究价值

按同一规则重建所有月份的相邻两月下跌事件，对比无条件季节性与趋势条件，并做逐事件剔除检查。若效果集中于两三场危机，应报告这一事实；只有冻结规则后的后续事件才可增加真正样本外证据。

原文与核查

公开短文完整阅读；图片逐年统计未逐格核验。

原始文章 ↗

返回全年目录 ↑

给波动预测加 90% 区间很有用，但示例代码把测试段用于早停了

Conformal Prediction in Quantitative Finance

Vertox

一句话先讲结论

文章把单点波动预测改为上下分位数，再用 CQR 与自适应校准追踪 90% 覆盖率，方法方向比只报一个预测值更实用。但公开代码先把 val_data 分成校准和测试两半，训练时却仍把整个 val_data 用于早停选择权重；所以展示的测试覆盖并不是完全未见数据上的验证。学方法可以，漂亮区间图不能直接当独立样本外证据。

它到底在问什么？

一个波动点预测无法告诉仓位系统自己有多不确定。能否给任何预测器套上有明确覆盖含义的区间，同时允许波动误差偏斜、厚尾和随时间变化？

作者具体怎么做？

1. 把 NARX 网络改成两个输出，用 pinball loss 训练 5% 和 95% 条件分位数，避免同一宽度套在安静与高波动阶段。
2. 在校准集计算真实值超出上下界的最大距离，再用带有限样本阶数修正的分位数扩张或收缩区间。交换性是普通 conformal 的关键条件，金融时间顺序通常不满足。
3. ACI 按当期是否漏覆盖更新 alpha_t，步长示例为 0.01；漏太多就扩宽。它追求长期平均错误率控制，不是无条件恢复逐点、任意状态的有限样本保证。
4. 示例使用 30 个滞后、370 隐单元等原点预测超参数，训练早停却监控整个 val_data；其中后半随后又称 test_data，构成模型选择层面的测试污染。

关键结果

怎么理解？

方法层面最值得带回的是把区间宽度也当成模型质量。随便给出极宽区间总能高覆盖，但没有仓位价值；必须同时报告覆盖、宽度和按波动状态分组的漏覆盖，才能知道系统是否只靠保守保住一个总比例。 代码层面还有两点值得复核。它把 alpha 限制到 [0,1]，并对超出分位数范围返回无穷界，必须确认这与所引用 ACI 定理的边界处理一致，不能只口头引用保证。校准分数在测试中固定而只调 alpha，也不等于完整滚动重新校准。文章方向正确，工程实现仍需与数学假设逐项对齐。

最大限制

未独立执行神经网络；前序训练数据和模型说明依赖另一篇文章。当前示例测试早停污染、时间序列交换性及 ACI 边界处理，都使无条件覆盖宣传需要收窄。

复现与研究价值

按时间分为训练、超参数验证、校准、最终测试四段；模型训练和早停只接触前两段，校准不参与权重选择。冻结 gamma 后向前运行，报告总体与危机段覆盖、平均宽度、无穷区间比例及连续漏覆盖长度，再评估仓位用途。

原文与核查

公开正文及全部示例代码已读；发现早停与测试段重叠，未独立运行。

原始文章 ↗

返回全年目录 ↑

把动量加入期权模型之前，先分清预测真实收益与无套利定价

Making Option Pricing Models More Practical

Relative Value Arbitrage

一句话先讲结论

文章介绍两种扩展：在随机波动模型的漂移项加入日内动量，以及在真实世界测度下用 Heston/Bates 模拟波动目标组合。它们解决的不是同一个问题：真实世界的上涨预测不能直接替换风险中性漂移去给可交易期权定价。第一篇只有模拟结果，第二篇的 10% 波动目标只是较低风险、也较低收益的一档，不是已经发现的最优配置。

它到底在问什么？

经典定价模型的简化假设如何放松，才能服务真实市场？必须先明确是计算无套利价格，还是预测资产路径并评估风险，不同目标需要不同测度和风险溢价假设。

作者具体怎么做？

1. 动量模型用近期相对价格变化或其均线构造漂移调整，让波动本身随机且均值回复，模拟高正负动量时的路径与期权估值差异。
2. 综述称模型在低动量或低波动条件趋近经典 BSM，但没有给出足够参数限制证明一般收敛；即便动量为零，随机波动本身也未必自动消失。
3. 真实测度应用采用有效矩方法校准 Heston 和 Bates，比较不同波动目标的风险、收益和波动的波动；目标越高，收益与风险均上升。

关键结果

怎么理解？

这篇最有价值的是提醒风险管理不能只生活在风险中性世界：资产配置需要真实发生概率、预期收益与路径分布。反过来，真实测度下拟合得好的路径，也不能未经风险价格转换直接拿来给期权报价。把这条边界说清，比在 BSM 上多加一个名为动量的参数更重要。 对模型比较，模拟中的显著价差只说明新假设改变了输出，不说明改变更接近市场。应该分别检查期权误差、动态对冲误差与策略尾部风险。波动目标减少极端损益是可预期的风险缩放结果，若收益同时下降，应在相同风险水平比较才知道有没有效率增益。

最大限制

本次读完整公开综述，没有逐式核验两篇原研究的测度变换和校准。第一篇明确模拟而非实证，第二篇也未在综述中给出完整收益和成本数字，不能据此宣称可交易改进。

复现与研究价值

先锁定用途：期权定价需真实报价与风险中性校准、风险模拟需真实收益和样本外分布检验。用同风险、同成本比较波动目标与静态持仓，再衡量随机波动或跳跃是否改善风险预测，而不是只展示曲线不同。

原文与核查

公开综述全文解析；两篇原研究公式和代码未完整核验。

原始文章 ↗

返回全年目录 ↑

58.4% 胜率通过四道检验，却死在限价单成交规则上

The 58% Win Rate That Was My Own Code Lying To Me

Jan Heger

一句话先讲结论

MNQ 在特定尾数价位买入、止盈止损各 25 点，作者得到 58.4% 胜率，跨年份和样本外都看起来稳定；但将“碰到价格即成交”改成必须穿过限价 2 点，胜率降至 53.1%，每笔收益从 7.03 美元降到 1.78 美元。问题不在预测模型，而在回测把最难成交的反弹赢家全算进去了。

它到底在问什么？

一个通过随机价位对照、逐年稳定性和样本外检查的策略，为什么仍可能完全不可交易？

作者具体怎么做？

1. 最初池化的 5,551 笔交易胜率 51.5%，随机水平约 50.7%；筛出的 x466 桶有 514 笔、胜率 58.4%、利润因子 1.34。这里已经发生过选优，因此必须比较同样被搜索的对照。
2. 80 个对照桶最高胜率 55.2%；x466 在七个年份中六年盈利，以 2024 年为界的样本内外胜率为 57.9% 和 58.8%。这些检验沿用同一个成交假设，不能识别共享的模拟错误。
3. 把所需穿透幅度从 0 调到 1、2、3、5 点，胜率依次为 58.4%、57.2%、53.1%、51.9%、45.6%；利润因子同步从 1.34 降到 0.79。
4. 在更保守成交下扫描 5 档止盈与 4 档止损，20 格中 19 格亏损；最佳利润因子 1.03，而对照桶各自最佳值均值 1.01，80 桶中 31 桶比候选更好。

关键结果

怎么理解？

这篇的实用价值，是说明样本外不能修复结构性错误：如果历史与未来都使用“触价必成交”的代码，两个区间会一起虚高。首先应审查订单能否成交，再研究显著性。 不过，穿透 2 点也不能被命名为已验证的真实成交率，穿透更多必然改变入选交易的路径分布；它是有方向的压力测试，不是订单簿回放。作者把单调衰减视为伪优势指纹很有启发，但最终仍需报价、成交量、排队与实际委托记录确认。

最大限制

未取得逐笔数据和代码，美元损益、滑点与微型合约摩擦未独立重算；x466 缺少事前经济机制，初筛与后续检验亦非完全独立。

复现与研究价值

在自己的限价策略中同时保留触价、穿透与成交量约束三套结果，再用真实小额委托校准填单概率；候选和随机水平必须采用完全相同的参数扫描预算。这是建议，未执行实盘或回测。

原文与核查

公开全文和全部文字表格已读，未运行作者脚本。

原始文章 ↗

返回全年目录 ↑

LAFO 的贡献是定义价格滤波目标，不是证明夏普 11 的反转策略

Fair Value as an Adaptive Low-Pass Filter: LAFO for Mean Reversion

Ali H. Askar；原论文 Zhichen Xu 等

一句话先讲结论

这篇导读中的两层 CNN 在两个月、2 分钟标普数据上得到夏普 11.049，EMA(10) 却为 −18.265；但没有正式样本外评估，所以不能据此认定神经网络找到可交易的公平价值。值得研究的是 LAFO 把“拟合每个价格点”改成“控制局部平均残差”，让平滑尺度和价格结构假设变得明确。

它到底在问什么？

均值回归策略先要回答“回到哪里”：移动均线只是一个平滑基准，不是经济学上的真实价值，过慢会把永久价格变化误认成暂时偏离。

作者具体怎么做？

1. LAFO 对长度 K 的窗口内残差先求均值，再对均值平方求和；K=1 退回逐点平方误差，较大 K 更强调低频匹配。
2. 通过总变差、一阶平方差或二阶绝对差约束，分别表达分段常数、平滑漂移或分段线性价值路径。正则项不只是技术附件，也是在选择市场状态变化的形状。
3. 交易根据现价相对滤波线的偏离反向持仓，设 0.0005 的入场死区和 200 的仓位缩放；小偏离不交易，超过死区后才逐渐放大至上限。
4. 演示统一 K=80、每单位换手 3 bp 成本，约 6,000 个样本；两层 CNN、WaveNet、深度 Kalman 的报告夏普分别为 11.049、8.005、4.920。原作者将研究定位为方法展示，未给出系统样本外结论。

关键结果

怎么理解？

研究员真正可以借用的是把“均线多少天”拆成两个决策：保留什么频率、允许价值路径怎样转弯。这样模型优劣就能追溯到可检验的假设，而非只比较一张平滑图。 还要比导读再谨慎一步：损失对滤波输出凸，不意味着神经网络参数训练凸；全样本离线曲线转弯快，也不代表在线因果滤波没有延迟。K 很大只约束平均残差，若没有正则，平坦全局均值亦不必是唯一解。将这些层次混在一起，会把漂亮数学变成错误交易直觉。

最大限制

已读完整导读并核对正确原论文摘要，尚未取得逐页全文及代码；所有细项为导读报告。未核查在线因果性、训练测试切分和成交工具，不能把标普指数直接视为可成交资产。

复现与研究价值

先在每个时点只能用历史数据的管线中实现 LAFO 与 EMA，冻结 K 和正则选择，再比较跨期预测残差、换手及可交易期货净收益；方法验证和策略选择分开。

原文与核查

公开导读完整解析；正确原论文书目与摘要核验，未逐页审计。

原始文章 ↗

原论文：Advanced Signal Filtering for Mean Reversion trading

返回全年目录 ↑

50/100 均线带的 55 种交易版本：视觉上的趋势，未能跨过手续费

We tested the 50/100 MA ribbon 55 different ways over five years

The Refutation

一句话先讲结论

作者把 BTC、ETH 的 50/100 均线带翻色交易做成 55 种配置，2021 年 2 月至 2026 年 7 月扣费后总收益全部为负；其中 37 种连扣费前也亏损。60 分钟反手版本亏 59%，5 分钟版本约 11,000 次交易后接近归零：这首先否定这组频繁翻色规则，不是否定所有趋势策略。

它到底在问什么？

均线带看起来能区分趋势和震荡，但颜色改变发生后，是否还有足够的未来收益覆盖反复交易的成本？

作者具体怎么做？

1. 以五年多的一分钟 BTC、ETH 数据生成多时间尺度信号，测试三种翻色严格度和反手/中性空仓两种退出模式，共 55 格配置；每次只允许一个持仓。
2. 信号在 bar 收盘确认，下根开盘成交。每边 taker 费约 0.055%，往返约 11 个基点；未模拟永续资金费，因此不是包含全部持有成本的完整实盘损益。
3. 分解毛收益与费用：37 格扣费前亏损，12 格毛收益为正但被费用吃掉；另六格平均净单笔优势略正，但复利总收益仍负且无显著性。两者不能混称同一收益指标。
4. 反手模式随频率提高，60/30/15 分钟分别约 854/1,737/3,421 次交易，总收益约 −59%/−88%/−98%；5 分钟约 11,000 次后几乎损失全部。

关键结果

怎么理解？

应把它看作一个信号增量检验：多画几条均线并没有引入新的信息源，反而可能把同一价格噪声重复投票。交易周期缩短，使每段行情能支付的收益与固定往返费之间的比例恶化。 但文中“冷却期只能慢一点亏”比证据走得更远，作者并未直接测试冷却时间，而更严格的确认规则并不等价于时间冷却。真正严谨的结论是已测试网格不值得直接部署，不是任何降频、持仓或风险预算改造都无效。

最大限制

完整格子、仓位复利约定和代码未核验；未建模资金费与额外冲击。文章标注 8 月 1 日而目录收录在 7 月，保留两种日期，不把发布时间倒改。

复现与研究价值

复现时先固定信号、下根成交和仓位，再同时报告算术单笔收益与复利净值；若测试冷却期，把它当新假设，用新的时间段验证而不是继续在原网格选优。

原文与核查

公开全文已读；图表依正文说明解读，未独立重跑。

原始文章 ↗

返回全年目录 ↑

比特币“美股隔夜收益”预测 VIX：关键是时间切分，而不是币价全天涨跌

Bitcoin's Overnight Returns Forecast the VIX

Ali H. Askar；原论文 Ming Gu / Juan Lin / Siyi Liu

一句话先讲结论

把比特币按美股交易时段切开，2018—2023 年样本里，隔夜收益对随后日间 VIX 对数变化的系数为 −0.262，t 值 −2.49；交易时段那段收益加入后却不显著。导读报告相关模型交易 VIXY 扣费后信息比率 0.986，但基准是长期持有 VIXY，并不能直接理解为接近 1 的纯预测 Alpha。