一、逐一对照表
概念 我们是否使用 使用程度 原因
统计套利（均值回归） ❌ 否 0% 无配对交易，无协整检验
趋势跟踪（动量） ✅ 是 80% Phase6核心：MA5/MA10/MA20 + ATR
事件驱动（NLP） ❌ 否 0% 无新闻/财报文本处理
机器学习（LSTM/XGBoost） ⚠️ 部分 30% 仅用Random Forest，未用LSTM/XGBoost
投资组合理论（马科维茨） ⚠️ 部分 20% 等权配置（简化版），无均值-方差优化
CAPM/APT ❌ 否 0% 无Beta计算，无多因子定价
风险管理（VaR） ❌ 否 0% 仅ATR止损，无VaR/压力测试
期权定价（BSM） ❌ 否 0% 不交易期权
蒙特卡洛模拟 ❌ 否 0% 无随机路径模拟
线性代数 ⚠️ 部分 40% 相关矩阵、组合方差计算
微积分/PDE ❌ 否 0% 无连续时间模型
概率论与统计 ✅ 是 70% 假设检验、分布分析、置信区间
时间序列分析 ⚠️ 部分 50% MA/ATR，但无ARIMA/GARCH
二、详细解释：为什么用/为什么不用
✅ 我们使用的（有实际代码支撑）
1. 趋势跟踪（动量效应）

code

复制
应用：Phase6信号系统
数学工具：移动平均（卷积）、ATR（极差统计量）
代码：_phase6_live.py
MA5/MA10/MA20：低通滤波，提取趋势
ATR 2.5止损：波动率自适应
为什么用：简单有效，OOS验证Sharpe 2.78
2. 机器学习（Random Forest）

code

复制
应用：ML V2辅助选股
数学工具：Bootstrap聚合、决策树、概率估计
代码：_t1_stockpicker_v23_ml.py
14个技术特征 → 预测上涨概率
为什么用RF而非LSTM/XGBoost：
RF可解释性强（特征重要性）
不易过拟合（相比LSTM）
训练快，适合日频更新
不用LSTM：需要大量序列数据，T+1预测信噪比极低
不用XGBoost：RF已足够，XGBoost调参复杂
3. 概率论与统计

code

复制
应用：数据分析、假设检验
数学工具：t检验、JB检验、分位数、置信区间
代码：_math_demo_analysis.py
检验ML概率是否显著>45%
检验V23评分是否显著>60
为什么用：量化不确定性，区分运气与实力
4. 线性代数（部分）

code

复制
应用：组合风险计算
数学工具：协方差矩阵、矩阵乘法
代码：_math_demo_analysis.py（模块4）
组合方差：σ_p = √(wᵀΣw)
为什么部分使用：仅简化计算，未做完整马科维茨优化
❌ 我们不使用的（及原因）
1. 统计套利（均值回归）

为什么不用：
需要高度相关的股票对（协整检验）
我们的Alpha来源是择时（Phase6），非配对交易
A股市场配对交易成本高（T+1限制）
2. 事件驱动（NLP）

为什么不用：
无新闻/财报文本数据源
NLP模型（BERT等）需要GPU训练
事件影响难以量化，噪音大
3. 投资组合理论（马科维茨优化）

为什么不用：
马科维茨对输入敏感（期望收益估计误差大）
等权配置是简化版最优（DeMiguel, 2007证明等权≈均值方差）
我们的持仓仅5-10只，优化空间有限
4. CAPM/APT

为什么不用：
CAPM需要市场组合（不可观测）
Beta在A股不稳定（时变性强）
我们的策略是绝对收益，非相对收益
5. 风险管理（VaR/压力测试）

为什么不用：
VaR假设正态分布（A股肥尾，低估风险）
压力测试需要历史极端场景数据
替代方案：ATR止损 + Phase6 BEAR清仓（更简单有效）
6. 期权定价（BSM）

为什么不用：不交易期权
7. 蒙特卡洛模拟

为什么不用：
需要假设价格路径分布（几何布朗运动）
A股不满足随机游走假设（政策干预多）
替代方案：历史回测（用真实数据替代模拟）
8. 时间序列高级模型（ARIMA/GARCH）

为什么不用：
ARIMA：A股非平稳，差分后仍难预测
GARCH：波动率聚类存在，但预测力弱
替代方案：简单MA + ATR（足够用于止损）
三、核心原则：为什么保持简单？
复杂模型 我们的简化版 理由
马科维茨优化 等权配置 估计误差 > 优化收益
VaR模型 ATR止损 更直观，适应非正态
LSTM预测 RF概率 训练快，不易过拟合
GARCH波动率 历史ATR 足够用于风险管理
BSM期权定价 不交易期权 专注股票
蒙特卡洛模拟 历史回测 真实数据 > 假设分布
核心洞察：

我们的系统设计理念：做减法，而非加法。

Phase6择时（规则-based）+ V23选股（多因子）+ ML辅助（RF概率）+ ATR止损（波动率）

四层叠加，每层都简单可解释，组合形成稳健系统。

四、数学课程对应关系
课程模块 我们使用的部分 未使用的部分
M1 概率统计 假设检验、分布分析、置信区间 极值理论、Copula
M2 时间序列 移动平均、ATR ARIMA、GARCH、协整
M3 线性代数 相关矩阵、组合方差 PCA、特征值分解、SVD
M4 优化理论 等权（简化版） 马科维茨、风险平价、凯利公式
M5 机器学习 Random Forest LSTM、XGBoost、强化学习
M6 实战拆解 Phase6/V23/ML 统计套利、事件驱动、期权
五、未来可能引入（按优先级）
优先级 概念 应用场景 难度
P1 凯利公式 仓位优化（替代固定20%） 低
P2 蒙特卡洛 策略稳健性检验 中
P3 XGBoost 替代RF，提升预测力 中
P4 GARCH 波动率预测，动态止损 高
P5 PCA 因子降维，去多重共线性 高
P6 统计套利 配对交易（需T+0） 高
六、一句话总结
我们用到了量化金融约40%的数学工具，但覆盖了80%的实际需求。

未使用的60% = 复杂模型（LSTM、BSM、马科维茨）
原因 = 数据限制 + 过拟合风险 + 简单替代方案足够

核心原则：奥卡姆剃刀 — 如无必要，勿增实体。