他思笔记 - 用科技促进人的自由全面发展 - 信息技术|数据科学|量化交易

中位数（Median）简介

2026-04-23T08:38:52.000Z

本文转载自苏剑林《中位数（Median）简介》。文中批注为我补充撰写。

最近重新学习了一下中位数的概念，趁新鲜记录一下要点。

做异常值剔除或者裁剪时，我们经常需要一个“基准”，比如对于一堆非负数据，我们可能认为大于基准的50倍就是异常值。那个基准如何选取呢？一个常用的指标是平均值，然而平均值容易被异常值“带偏”，因此以它为基准可能会偏向异常值，从而漏掉一些结果，这时我们可以考虑选取中位数为基准。

可转债量化策略：Alpha 选券、CCB 定价与期货对冲

2026-04-22T10:12:00.000Z

传统双低策略逐渐失效，可转债策略还能怎么做？本文介绍一套完整的转债量化框架：用正股多因子 Alpha 驱动选券，用 CCB 定价模型作为策略枢纽连接收益与风控，最后用股指期货对冲Beta。

【AMM量化深潜02】Uniswap V3 的衍生品定价模型

2026-04-21T17:22:01.000Z

在上一篇【AMM量化深潜01】的探讨中，我们通过伊藤引理证明了 LP 的核心成本是 LVR (Loss-Versus-Rebalancing)，在恒定乘积公式下其数学形式为 \(\frac{\sigma^2}{8} V dt\)。这一结论揭示了“波动率税”的本质，但要实现更精确的风险对冲，我们仍需要建立一套更严密的定价框架。

本文将结合 Hou、Singh 与 Echenim 等人的近期研究，梳理 LP 头寸的静态结构原型，并从带边界停时的绝对估值与连续分期视角下的边际成本两个维度，讨论其风险与价值刻画。

一个冷门链上LP策略的兴衰史——云破月来花弄影

2026-04-07T08:31:59.000Z

这是一个关于Solana链上策略的完整故事——从投资逻辑到卡尔曼滤波对冲建模，凸优化器解算最优持仓，再到循环贷加杠杆猛干，最终在牛市退潮后回吐一半利润离场。

万倍加速——高性能正态积分的终极方案附代码

2026-01-22T06:24:19.000Z

在毫秒必争的衍生品定价与大规模风险回测中，传统的正态分布积分运算往往是代码毒瘤和性能瓶颈。本文将介绍一种完全向量化的数值算法，助你利用现代 CPU、GPU 甚至TPU 的并行能力突破卡点。

【AMM量化深潜01】理解 AMM 的经济学本质：从无常损失 (IL) 到再平衡损失 (LVR)

2025-12-07T15:57:02.000Z

许多人将链上交易所（DEX）如Uniswap 的流动性提供（LP）视为一种被动的“理财”或“挖矿”行为，但这是一种极其危险的误解。从市场微观结构来看，AMM 本质上是一个 由算法定义的逆向选择（Adverse Selection）博弈场。

本文是【AMM 量化深潜】系列的第一篇。我们将摒弃传统的散户视角，从宏观市场均衡出发，通过严谨的数学推导剥离“无常损失（IL）”的伪装，引出专业视角下真正的 AMM 做市核心风险度量——再平衡损失（Loss-Versus-Rebalancing, LVR）。

从 Chatterjee 相关系数到 tau-star：独立性检验的完备性与功效

2025-11-12T14:18:36.000Z

在前文《衡量序列相关性的三个指标》中我们介绍了能够发现变量间非线性、非单调关联的Chatterjee相关系数。它形式简单，计算快速，尤其适用于筛选非线性机器学习的输入特征。然而，新的研究表明，对于部分非函数依赖情形它的检测效率存在不足。本文首先回顾并展开介绍 Chatterjee’s \(\xi\) 的具体原理和关键特性。最后介绍一种同样一致的、无需参数的独立性检验算法 \(\tau^*\) 作为替代方案。

Kuru——在下一代区块链实验下一代DEX

2025-09-29T18:42:23.000Z

在加密世界里，去中心化交易所（DEX）是一个美好的理想：它让任何人都能在无需许可、无需信任第三方的情况下，安全地保管并交易自己的资产。但在实现这个理想的路上，一直面临一个两难的选择。

与市场同尘——广义流动性提供者修行笔记

2025-07-08T14:16:04.000Z

穷则变，变则通，通则久。

市场之术，日新月异，其变无穷。高频做市，在微秒间追光逐电；链上协议，以数学构建流动性之池；期现套利，在不同时空寻找均衡之引力。凡此种种，法门万千。

然，大道至简，万法归宗。有一道焉，不执于术，而游于理，化繁为简，是为“广义流动性提供者”（LP）之修行。循此道者，其所得之通，乃见做市与套利，本为一体两面，互为其根。

此篇笔记，便是这场修行之记录。其所探寻者，非一招一式之工巧，而是贯通全局之道——一个统一所有流动性供给行为的底层框架。唯有如此，方可在这变动不居的市场中，建立长久认知，最终和光同尘。

2025年A股市场低延迟交易技术实现路径调研报告

2025-06-02T11:43:50.000Z

本报告围绕2025年及未来A股市场低延迟交易的技术路径，系统梳理了从交易所、券商到客户端的关键环节。实现极致低延迟需要交易单元、极速柜台、低延迟券商及行情、网络、算法、硬件等多方面协同优化。监管新规也对技术实现和合规提出更高要求。报告结合最新技术与政策趋势，评估各方案延迟表现，为市场参与者提供参考。

利用相关性矩阵聚类构建统计套利组合：一种图聚类分析框架

2025-06-02T07:28:02.000Z

统计套利策略的核心在于对资产价格暂时性偏离的识别和利用。传统方法如配对交易（Pairs Trading）已广为人知，但如何高效地扩展到大规模资产组合并保持稳健性，一直是研究难点。牛津大学研究团队近期在论文《Correlation Matrix Clustering for Statistical Arbitrage Portfolios》中提出了一种创新分析框架：利用图聚类算法（Graph Clustering）对股票残差收益的相关性矩阵进行聚类，并在每个簇内构建均值回归的统计套利组合。实证表明，该方法能产生年化收益超10%、夏普比率显著大于1的策略。

基于贝叶斯推断的电影票房超预期度量方法

2025-03-26T07:43:51.000Z

电影产业作为典型的高不确定性市场，其票房表现对出品方的财务状况及市场估值具有直接影响。票房的 超预期程度 是衡量市场对电影接受度的关键指标，同时也是评估电影公司业绩的重要变量。然而，传统票房预测方法往往依赖静态的点估计模型，难以精准刻画票房随时间演化的动态特性，更难以量化票房超出市场预期的幅度及其不确定性，难以转化为可行的投资策略。

数字货币永续合约资金费率套利策略

2024-12-16T10:25:46.000Z

本策略通过资金费率机制和质押收益捕捉数字货币市场中的低风险套利机会。

排序学习（LTR）简明：从RankNet到LambdaMART

2024-11-18T06:39:52.000Z

本文简要介绍了排序学习的背景、分类、性能度量，并归纳其发展历程中的几种经典算法。本文不追求深入每个技术细节，而是注重传递排序学习核心概念的直观理解，为LTR不同场景下的实际应用做铺垫。

Shaputa——融合SHAP与Boruta的特征选择方法

2024-11-05T06:20:14.000Z

Shaputa 是一种融合式特征选择技术，将 SHAP（SHapley Additive exPlanations）与 Boruta 的影子特征方法相结合。通过为每个特征构造随机基准线，再与模型生成的 SHAP 重要性进行对比，Shaputa 能在高维复杂数据中提供更加稳健、更加敏感于数据结构的特征选择结果，尤其适用于传统方法难以应对的非线性场景。

大语言模型发展趋势及其量化投资应用

2024-08-26T10:33:51.000Z

大语言模型（LLM）是2022年底ChatGPT横空出世以来，计算机技术中最炙手可热、日新月异的前沿领域。LLM已慢慢剥离单纯的工具属性，成为独立处理任务的智能载体。2024年，Qwen2、Llama3.1等千亿参数模型陆续发布，开源模型性能逐步接近闭源水平。作为量化研究人员，如何将大语言模型技术与金融应用相结合，提升投研水平，是必须思索的命题。本文首先参考李沐演讲分析LLM发展趋势与最佳实践，然后综述量化投资领域LLM的具体应用场景。

小议事件驱动策略检验框架——反事实推断、风险因子模型与卷积积分

2024-08-25T11:19:47.000Z

本文讨论量化投资中事件的有效性检验与利用（事件因子/事件策略）。

第三阶段量化工作总结与后续规划——复杂度与成本控制

2024-08-23T11:03:07.000Z

第三阶段完成了多因子量化系统全链路的开发与测试，准备上线。后续会补足多样化的alpha能力，探索多样化策略。

棋高一着——多周期投资组合优化

2024-06-20T16:58:55.000Z

在前文《股票多因子量化多头策略之组合优化框架》中，已经较为全面地介绍了如何将单期投资组合权重的求解，转化为二次规划问题。本文是对斯坦福大学与黑石基金合作论文《Multi-Period Trading via Convex Optimization》的要点解读与核心内容总结。该文在2017年提出，首次较为系统的介绍了多期优化的应用。

基于深度强化学习的算法交易策略

2024-06-17T10:53:00.000Z

市场参与者对算法交易有着普遍需求。本文从深度强化学习（Deep Reinforcement Learning, DRL）视角分析了算法交易的实现，包括策略输入输出、激励函数与神经网络结构。相比传统方法，DRL在多订单最优执行上有显著优势，也无需对时变的市场微观结构做精确数学建模，策略是以全局最优为目标优化的。最后本文还思考如何将日内交易策略与alpha策略有机结合。