期权交易有两种赚钱方式：猜方向，或者猜波动幅度。大多数散户只做第一种，买 Call 赌涨、买 Put 赌跌。但期权的另一半价值在于波动率交易：你不需要知道标的往哪个方向动，只需要判断它"动的幅度"会比市场预期大还是小。 这篇文章覆盖六种最常用的波动率交易策略，分成做多和做空两组。每种策略附盈亏图、适用场景和具体数字，帮你建立一个完整的决策框架：看完 IV Rank，就知道该用哪个策略。 ...

前两篇讲完了一阶Greeks和二阶Greeks的数学和直觉。这一篇只做一件事：用这些数字做交易决策。每个策略是什么Greeks profile、Delta对冲到底怎么操作、Gamma Scalping在什么条件下有正期望、做市商怎么用Greeks做风控。全部用数字和代码说话。 这是期权Greeks系列的最后一篇。 ...

上一篇讲了五个一阶Greeks：Delta、Gamma、Theta、Vega、Rho。用它们做对冲和风控，大多数时候够了，但有个前提：一阶Greeks本身是稳定的。现实是它们一直在变。标的价格动了，Delta变了（这是Gamma）；波动率变了，Delta也变了，这是什么？一阶框架里没有对应的名字。二阶Greeks就是填这个空的：它们量化一阶Greeks自身的不稳定性。 这是期权Greeks系列的第二篇。覆盖三个最重要的二阶Greeks（Vanna、Charm、Volga），加上它们在波动率曲面建模中的应用。第三篇会讲实战策略。 ...

期权定价的核心不是猜标的涨跌，是量化多维风险。标的价格在动、时间在流逝、波动率在变、利率在调，这四个变量同时影响期权的价格，做交易决策时需要知道每个变量对持仓的冲击有多大。期权Greeks 就是干这件事的：把期权价格对每个变量的敏感度提取出来，变成一组可以直接用于风控和对冲的数字。 这是期权Greeks系列的第一篇，覆盖五个一阶Greeks（Delta、Gamma、Theta、Vega、Rho）的数学公式、直觉解释和 Python 代码实现。后续两篇会分别讲二阶Greeks和实战交易应用。 ...

TA-Lib 是量化交易里绑定程度最高的技术指标库。158 个函数覆盖技术指标和 K 线形态识别，底层 C 语言实现，Python 封装后一行代码算一个指标。做量化的人基本都绕不开它。 这篇教程覆盖从安装到实战的全部环节：两套 API 的区别和选择、核心指标的参数经验、K 线形态识别的实际用法、跟 Pandas 的集成方式，以及 TA-Lib 和 pandas-ta 的选型对比。如果你用 yfinance 获取了数据，接下来就是用 TA-Lib 把数据变成交易信号。 ...

回测报告上年化 80%、最大回撤 5%，看起来像是发现了圣杯。上线三个月，亏了 30%。这个剧本在量化圈反复上演，原因几乎都一样：回测本身就是错的。不是代码有 bug，而是回测的假设、数据、统计方法里藏着系统性的陷阱，让你以为策略有效，实际上只是在欺骗自己。 这篇文章把量化回测中最常见的陷阱按类型拆开：数据陷阱、统计陷阱、执行陷阱、心理陷阱。每个陷阱给出错误写法和正确写法的代码对比，最后附一张自查清单。 ...

量化投资的核心工作之一是挖掘 Alpha 因子——找到能预测资产收益的信号。传统做法依赖研究员手工构造因子表达式，或者用遗传规划（Genetic Programming）等自动化搜索方法在算子空间里暴力枚举。前者依赖人的经验和直觉，效率低但因子可解释性强；后者效率高但产出的因子往往是一堆难以理解的算子嵌套，研究员很难判断它到底在捕捉什么逻辑。 AlphaGPT（论文链接）的思路是把大语言模型引入因子挖掘的流程，让 LLM 作为因子的生成器参与进来。后续的 AlphaGPT 2.0（论文链接）进一步引入了人机协作的闭环。 ...

做量化最怕的不是策略不好，是你根本不知道策略好不好。年化收益 30% 的策略，如果最大回撤 60%，大概率你拿不住。夏普比率 2.0 听起来很牛，但如果是靠极端行情下的几笔暴利撑起来的，Sortino 一算就露馅了。 量化交易指标不是用来装饰回测报告的，是用来帮你在上线之前，判断一个策略到底值不值得拿真金白银去跑。 ...

MEDUSA 是一个针对大语言模型推理过程的加速框架，核心创新在于引入多个解码头（Multiple Decoding Heads），在一次解码步骤中同时生成多个候选输出，大幅降低推理时间。 Medusa: Simple LLM Inference Acceleration Framework with Multiple Decoding Heads ...

市盈率（P/E Ratio）是最常用的估值指标之一，反映投资者愿意为每单位盈利支付的价格。用 Python 的 yfinance 库可以很方便地获取这个数据。 ...