9月27日资读速递
Table of Content
量子券学!准确率惊人提升¶
最近几天，国内正为量子计算是不是一场骗局争论不休。
但汇丰银行昨天发布消息称，他们与 IBM 合作，推出了全球首个用于债券交易的量子算法交易解决方案。该系统利用量子计算实时处理复杂的投资组合优化，预测准确率较传统方法提升高达 34%。
这将成为基金路演的一个新赛道😁
加密货币关系：BTC 还是老大¶
盈透证券最新一期博文显示，六种主要加密资产（BTC、ETH、BNB、ADA、XRP、LTC）之间存在诸多因果关系，比特币往往是主要驱动因素。这一结论经过了Toda-Yamamoto滚动框架检验。在未进行 FDR 控制时，因果关系显著;在启用了 FDR 控制后，网络就会变得稀疏得多：BTC 的领导地位薄弱且时断时续，而非持续存在。
该文基于 Python 实现，提示了 BTC 与其它货币之间动态的领先-滞后关系，为量化分析师提供了增强加密货币市场风险建模和投资组合对冲的工具，并提供了可供复制的代码片段。
夏普率与最大回撤¶
Quantian（在 x 上有89k 的粉丝）最近发了这样一则消息：
短期内，回撤幅度与夏普率相对稳定。假设波动率为 16%，那么： •如果您的夏普值为 0，则预期 1 年最大回撤为 20% •夏普系数为 0.5 即为 17% •夏普系数为 1 表示 15% •夏普系数为 2 仍然为 12% •您需要夏普值 > 3 才能达到 10% 以下！
Tip
严格地说，最大回撤与夏普之间不是简单的线性关系。我们（Quantide）曾经通过 5000万次以下的蒙特卡洛实验，证实了夏普值对应的最大回撤是一个随机变量，并且得到了不同夏普值对应的最大回撤的分布。这个实验的结果在《量化24课》中有详细的介绍。
免费! 量化教程又来啦¶
machine-learning-for-trading 是Stephan Jasen 出版同名著作的实践补充，包含超过 150 个 Jupyter 笔记本，通过具体代码示例展示了如何处理市场数据、基本面数据及替代数据，如何训练和优化预测资产收益的模型，以及如何设计、回测和评估基于机器学习的交易策略。
Stefan Jansen 现在是 Applied AI的创始人。他是佐治亚理工学院计算机硕士，哈佛公共管理硕士。
他还是 alphalens, pyfolio,zipline, empyrical 等多个库的后续维护者，在这些库的原开发者 quantopian被收购之后，持续进行维护。
量化黑话¶
FDR
FDR 是 False Discovery Rate（错误发现率） 的缩写，用于控制 “在所有被判定为‘显著’的结果中，实际为‘非显著’（即错误判定）的比例”，是衡量多重检验可靠性的核心指标。常与 FDR 一起提及的还有 FWER（家族式错误率）。
FDR 的计算公式是：
Toda-Yamamoto 因果检验
这是计量经济学中用于分析变量间因果关系的一种方法，尤其适用于可能存在单位根（非平稳）的时间序列数据。
它的核心是在向量自回归（VAR）模型基础上，通过引入 “超滞后阶数”（超过变量的积分阶数），无需预先检验变量的协整关系，即可直接进行 Granger 因果检验，对非平稳数据更稳健。