部落格

一項對細微前視洩漏如何悄然抬高回測表現的受控研究。在完全沒有真實優勢的情況下，同 K 線成交從純噪聲中製造出 +14.8 的年化夏普比率；提前一根 K 線窺視指標則製造出 +4.8。本文給出完整分類、實測量級，以及在它耗費你真金白銀之前如何檢測每一種洩漏。

對同一個 80 組合參數掃描的五種實現，全部驗證產出完全相同的 PnL：pandas 的 rolling.apply 耗時 69.9 秒，numpy 3.1 秒，numba 2.0 秒，並行 numba 0.23 秒——在一臺 Apple M2 Max 上、硬體零改動，實測提速 298 倍，即便相對一個稱職的向量化基準也仍快約 13 倍。每一級階梯到底帶來了什麼、為什麼 GPU 不是那塊缺失的拼圖，以及海量參數搜尋中真正的瓶頸藏在哪裡。

我們如何構建 researcher.marketmaker.cc —— 一個統一的、支援全文搜尋的量化研究檔案庫（arXiv 論文、GitHub 倉庫、量化部落格、TradingView Pine 指令碼），人類可以瀏覽，AI 智慧體可以通過 MCP 查詢。

深入解讀 algo-investor-skills —— 一套 Claude Code 技能，能把一個演算法交易策略從原始的實測事實，一路打造成經過審計、以誠實為先的投資人方案。六個可組合的技能、一個金融模型引擎、一套獨立驗證的證明包，以及一道絕不編造任何數字的強制性懷疑型投資人審計關卡。

正期望策略也可能因為下注規模失誤而爆倉。我們從公式推導一路講到策略組合，剖析凱利公式：為什麼 full Kelly 很危險，分數凱利如何用一半的波動率換來 75% 的增長，以及一個互動式計算器，讓你直觀看到凱利比例如何改變收益與風險。

深度解析ZhuLinsen的daily_stock_analysis——一個開源系統，跨A股、港股、美股等市場抓取行情資料，通過LLM完成技術面與資訊分析，並在每個交易日把結構化的“決策儀表盤”推送到你的即時通訊工具。涵蓋架構、資料回退、智慧體策略與侷限性。

谷歌的時序融合 Transformer 如何為量化組合管理帶來可解釋的多時間跨度預測：基於注意力的變數選擇、分位數輸出，以及一條完整的 pytorch-forecasting 實戰流程。