📌 AGENTS.md 协调 (2026-08-29 v7): 宽博士现已完全独立运作, 唯一直属华哥 (不请示玉芬, 不参与公司其它任务)。本 skill 所有内容继续由宽博士维护, 但汇报对象/触发决策者 = 华哥本人。
A 股量化科学计算库全景速查 (A-Share Quant Library Usage)
渔芯 A 股量化研究(渔芯猎手/宽博士)中四个核心科学计算库的统一入口。四个库按"路径几何 / 时频局部化 / 矩阵与优化 / 截面融合"分工,零新增依赖,全部经真实 A 股数据(沪深300/300750 等)验证。
四库分工一览
| 库 | 领域 | 核心场景 | 版本 | 完整文档 |
|---|---|---|---|---|
| iisignature | 路径签名 (rough path) | Itô Signature 因子、Path Portfolio、配对交易执行 | 0.24 | references/iisignature.md |
| empyrical 🆕 | 因子风险调整评估 (轻量 alphalens 替代) | 渔芯猎手因子稳定性/衰减监控、Sharpe/Sortino/Calmar/Stability/Tail Ratio、零新增依赖 (pyfolio-reloaded 自带) | (pyfolio-reloaded 依赖) | references/empyrical-usage.md |
| pywt (PyWavelets) | 小波时频局部化 | 涨跌停阶跃检测、趋势因子频域诊断、Hurst 估计 | 1.6.0 (pip3 PyWavelets 包名 → import pywt 模块名, 切勿 import pywavelets) |
references/pywt-wavelets.md |
| scipy | 矩阵/优化/统计/信号 | 谱半径监控、KellyBoost、CVaR、协整、极值理论、bootstrap 稳健区间、Student-t/Skew-Normal 厚尾偏度建模 (df=2.35 茅台实测 / 三分决策协议) | 1.17.1 | references/scipy.md + references/scipy-stats-bootstrap.md + references/scipy-stats-skew-t.md 🆕 |
| emcee + networkx | 截面多通道融合门控 | 稳健精选行业风险传染、渔芯猎手多源因子融合、Multiplex GNN 轻量化 (2608.27295) | 3.1.6 / 3.6.1 | references/multiplex-fusion-gate-emcee.md |
| statsmodels VAR | 多变量时序 + 协方差预测 | 稳健精选协方差预测器、Granger 领先指标、IRF 冲击传导、FEVD 方差分解、VAR 残差协方差替代历史滚动协方差 (条件数 65→41) | 0.14.6 (内置) | references/statsmodels-vector-ar.md 🆕 |
| scipy.stats DSR | Deflated Sharpe Ratio + Leakage-safe 评估 | FactorGate v1.0 G5 门禁、LLM/搜索生成策略的 trial-count 惩罚、2608.27734 方法论落地 | (scipy 1.17.1 内置 norm + 自实现) | references/deflated-sharpe-leakage-safe.md 🆕 |
| split-conformal + Wasserstein DRO | 分布无关覆盖率校准 + LP 可解 DRO | FactorGate Gate 4 校准层、渔芯稳健精选 6 DRO 论文拼图执行端 (2608.18123 + 2608.07032) | (numpy/scipy/cvxpy 内置) | references/***SECRET***.md 🆕 |
| torch (PyTorch) | 深度学习(NN/Autograd/JIT)+ macOS MPS | 渔芯猎手神经网络信号、Deep Hedging LSTM/FF、BiGRU 神经协方差 (2608.30446 Layer 7)、Whalley-Wilmott no-trade band Layer 6.5 | 2.13.0 | references/torch-deep-hedging.md 🆕 + scripts/whalley_wilmott_baseline.py 🆕 |
| Adaptive Convex Combination (DisclosureBeta) | LLM-as-noisy-channel 文本/窗口双通道融合 | 渔芯猎手 G2.5 IPO/限售解禁薄历史 β 估计、text + rolling window 自适应权重、σ_c² > σ_w² 安全降级协议 |
(numpy + sklearn RandomForestRegressor, 全内置) | references/***SECRET***.md 🆕 |
| arch 8.0.0 🆕 | GARCH/GJR-GARCH/EGARCH 波动率建模 + 厚尾识别 + Kupiec LR 校准 | 渔芯猎手波动率因子 (conditional_volatility)、Student-t ν → CVaR 厚尾输入、VaR 校准门禁 (Gate 3.5)、EGARCH 残差绝对值 > 2.5σ → 高波动日标签 (与 hmmlearn/ruptures/stumpy 四层体制检测互补) | 8.0.0 | references/arch-garch-volatility.md 🆕 |
| sentence-transformers 🆕 | LLM 嵌入 → Wasserstein-2 风险证书 (无 Σ 协方差) | 渔芯猎手替代协方差估计路径、8 公司 24 snippets PoC 验证、HRP leaf order 多视角稳健性检查、var_bound = w^T W2 w 系统性方差上界 | 5.4.1 (依赖 transformers 5.14.1 + torch 2.13.0, 零独立安装) | references/***SECRET***.md 🆕 |
| scipy.stats W2 (1D) 🆕 | Wasserstein-2 distance 5 行闭式 (零新增依赖) | 已有日收益/因子值序列 → pairwise W² dispersion → 风险分布相干性门禁;HRP 多视角稳健性检查第三视角;体制切换前后 W² 漂移检测 | (scipy.stats + numpy.quantile 内置) | references/***SECRET***.md 🆕 |
| riskfolio-lib 🆕 | 组合优化: 均值-方差 / 风险平价 / CVaR / MaxSharpe / Black-Litterman / HRP | 渔芯稳健精选策略权重、4 ETF 池实证对比 (心跳 #N+31 baostock 164d)、FactorGate v2.5 G5 三关全过 (dutch book/Wasserstein/决策相干性) | 6.1.1 cron session / 7.3.0 hermes venv (双版本差异显著, 必做 §0 诊断) — API break: rp_optimization rename / b=None 移除 / MaxSharpe 返回 None ⚠️ 必须 try/except; 6.1.1 wc_optimization 有 'to_numpy' bug → fallback 单资产 (论文一致) | references/***SECRET***.md (7.3.0) + references/riskfolio-6.1.1-cron-session.md 🆕 (6.1.1 + doubly stochastic + ρ-knob) |
共享踩坑(三库通用,A 股数据源相关)
同一 skill 文档跨 Python 环境版本漂移 (心跳 #N+43 实测) — riskfolio-lib 在 hermes-agent venv (Python 3.11) 是 7.3.0, 在 cron session (Python 3.9) 是 6.1.1, API 显著不同 (wc_optimization 签名 / BL 参数路径 / b 参数支持)。踩坑症状: 心跳 #N+31 写的 7.3.0 优化代码, 心跳 #N+43 在 cron session 跑就
TypeError: unexpected keyword 'P'或'NoneType' has no attribute 'to_numpy'。渔芯铁律: 任何组合优化/Black-Litterman/wc_optimization 代码开工前必做 §0 (references/riskfolio-6.1.1-cron-session.md) 5 步版本诊断, 不要盲信 skill 文档的历史版本号。两份文档同时维护 (7.3.0 + 6.1.1) 是当前现实, 不接受合并为单版本。baostock login 必须放函数首行 —
query_hs300_stocks()内部抛AttributeError: user_id若未 login;每函数bs.login()开头、bs.logout()结尾。pandas 3.0+
pct_change必须显式fill_method=None— 否则 FutureWarning;vol_change / mom5 等均受影响。A 股涨跌停导致路径/序列不连续 — 路径签名 driver 拟合必须纳入 jump 维度;小波阶跃检测用百分位阈值(非 σ 倍数,N<500 样本 σ 不可靠)。
cron 模式
execute_code被 BLOCKED — 量化心跳在 cron 下跑时,Python subprocess 一律不可用;改走标准工具链(web_search / write_file / terminal 单独调用)。包名 ≠ 模块名 + pip3 metadata 与 site-packages 漂移(心跳 #N+6 实测 4 工具中招) — 验证已安装包时永远不要信
pip3 list单独结果,必须pip3 list+python3 -c 'import X'双源交叉核对:PyWavelets1.6.0 包名是 PyWavelets, 模块名是pywt(import pywavelets必失败)→ 工具栈表里的 "pywavelets 1.8.0" 是误记, 实际是 pywt 1.6.0。心跳 #N+8 实战: 工具栈校验脚本里写import pywavelets→ ModuleNotFoundError; 改import pywt→ 正常工作。别再踩这个坑alphalens-reloaded0.4.5 包名带 -reloaded 后缀, 模块名仍是alphalens(from alphalens_reloaded import ...失败,from alphalens import ...成功)python-constraint不是python_constraint(pip 包名python-constraint, 模块名constraint)pytensorpip3 metadata 显示 2.15.0 已装, 但 site-packages/pytensor 目录不存在 →import pytensor失败(pitfall #18 永久不可用) 诊断流程:
# Step 1: pip 视角 pip3 show <package> | grep -E "Name|Version|Location" # Step 2: 真实 import 视角(cron 模式必须用 terminal + python3 -c) python3 -c "import <actual_module_name>; print('OK')" # Step 3: alias 全部尝试(PyWavelets/alphalens 案例) python3 -c "import pywt; from alphalens import performance; from constraint import Problem; print('all OK')"修复: 工具栈表里写错包名的条目,立即更正(避免下次心跳误信)。重装仍无效的永久失活(pitfall #18/23),用替代工具覆盖。
DSR 实现双坑(心跳 #N+10 实测) — Deflated Sharpe Ratio Python 实现易踩两类坑,详见
references/deflated-sharpe-leakage-safe.md:- 多行表达式断行:
+放行首时 Python 视为新语句丢弃值,必须放行尾或用括号跨行 - n_trials=1 inf 陷阱:
norm.ppf(1-1/n)在 n=1 返回-inf,导致 SR_deflated=-inf把所有单 trial 都判为不可信;必须 fallback 到渐进式√(2 ln n) - ln(ln(en))/(2√(2 ln n))
- 多行表达式断行:
Deep Hedging LSTM "坐等"陷阱(心跳 #N+11 实测, 2608.29025 复现) — 神经网络 LSTM/FF 即使配 CVaR loss + 20× 交易频率惩罚, 仍学不出"少交易"行为: 实测 GBM σ=0.6 / 5 bp 成本下 LSTM DH 净 PnL=-0.34 / Sharpe=-7.30(亏损),而 Whalley-Wilmott k=0.1 用 13× 少交易仍保持 45% 净 PnL/Sharpe=32.9。渔芯猎手铁律: 神经网络信号 → Whalley-Wilmott band → 订单(Layer 6.5),绝不让神经网络直接生成订单。详见
references/torch-deep-hedging.md§ 渔芯 A 股场景适配 +scripts/whalley_wilmott_baseline.py。合成蒙特卡洛数据 Shape Buffer 陷阱(心跳 #125 实测, DisclosureBeta PoC 复现) — 用
np.random.multivariate_normal(size=(N_OBS, N_SIM))固定 shape 后, 模拟滚动窗口/变长切片时factor_returns[:n_obs]直接 IndexError。正确做法: 一次性 over-generate buffer (size=(N_OBS_MAX, N_SIM), N_OBS_MAX = 最大可能窗口长度), 后续任意n_obs ≤ N_OBS_MAX安全。触发场景: IPO 限售解禁前 60 天 / 后 60 天变长窗口、VaR 估计 expanding window、LLM Agent 训练时变长 context。详见references/***SECRET***.md§ 5。Adaptive Convex Combination "never worse" 条件性陷阱(心跳 #125 实测, 2609.02900 PoC 证伪) — 论文 DisclosureBeta 声称 adaptive 凸组合 "never worse than either component", 但 PoC 实证: 当
σ_text > σ_window(文本 LLM 噪声超过窗口方差), adaptive 反而劣于纯 window。渔芯猎手铁律: 任何 adaptive 融合器必须配 安全降级机制 ——if σ_c > σ_w: use pure window, 与 2608.20842 Compatibility Gap 论文"realism vs fidelity 分离"思路一致(adaptive 的目标不是追求最低 MSE, 而是保证最坏情况不超过任何单通道)。详见references/***SECRET***.md§ 3 + § 4.1。GARCH 厚尾识别正确 ≠ VaR 校准通过(心跳 #131 实测, arch 8.0.0 PoC 验证, 与 2607.16229 FinBench 校准 P1 对齐) — 渔芯实测 1000 天合成 Student-t(df=5) + GARCH 聚类数据:MLE 厚尾识别 Student-t ν 估计 5.17-5.26(真值 5,误差 < 5% ✅),但 Kupiec LR VaR 5% 校准全部 FAIL(22 violations/1000 vs 期望 50,LR p<0.0001)。结论: 即使 MLE 把分布尾部参数估对了,条件波动率本身的时变结构仍可能系统性低估左侧风险。渔芯铁律: 任何波动率模型上线前必须走 kupiec LR / Christoffersen 独立性测试双关(Gate 3.5 新增)。触发场景: arch / GARCH-family / stochastic vol / EVT-POT 模型上线前的最后一关。详见
references/arch-garch-volatility.md§ 关键结果 3。与 pitfall #14 互补: #14 是"自建 PoC 假阴性", 本坑是"标准 PoC PASS 但校准 FAIL"——共同教训 = 任何波动率/分布模型都需要校准度量化审计, 不能只看 AIC/BIC/对数似然。W¹ vs W² 跨分布放大不对称陷阱(心跳 #N+36 实测, 2608.29692 P0 学习落地) — 在 1D 上 W¹ 和 W² 对同一对分布给出不同量级的放大倍数:实测 normal(μ=0.001, σ=0.02) vs Student-t(df=3)·0.03 stress 分布, W¹ 跨分布放大 21.3× (0.000803 → 0.017094) 而 W² 仅 10.9× (0.002087 → 0.022731)。直觉解读: W² 是 W¹ 的"二阶矩版本", 对分布形状变化更敏感(捕获厚尾细节、偏度、峰度),但整体距离量级较小。渔芯铁律: ① 报告 W² 时同时报告 W¹ 作为 sanity check(差距 > 3× 即怀疑分布 shape 异常)② W² 不能直接与 W¹ 阈值互换使用(不能把 W¹=0.01 阈值搬到 W²)③ 多视角稳健性检查必须把 W² 单独列出,不能与 W¹ 合并。触发场景: FactorGate v2.5 G5.4 W² 风险分布相干性门禁设计 / 多公司 dispersion matrix 上界推导(2608.29692 §3)/ 体制切换前后漂移检测。详见
references/***SECRET***.md§ W1 vs W2 关系 + § 边界与陷阱。
子文档索引
references/iisignature.md— iisignature 0.24 安装协议(--no-build-isolation --no-deps)、API 速查(sig/logsig/Stream)、A 股真实数据验证(沪深300 × 6 年,degree=3 Top-5 融合 ΔPearson +0.0510)、配套论文(2608.18120 / 2608.02355 / 2607.19005 / 2606.31387)。附references/***SECRET***.md。references/empyrical-usage.md🆕 — empyrical A 股因子评估轻量管线(心跳 #130, 2026-09-05)。零新增依赖的 20+ 风险调整指标库,作为 alphalens-reloaded 的轻量替代方案 — 渔芯双轨流水线: 日常/实时评估用 empyrical, 完整 tearsheet 用 alphalens-reloaded。Stability<0.3 自动告警 / roll_sharpe_ratio 衰减监控 / FactorGate v2.5 G5.1 概率相干性实证补强。心跳 #130 验证: 4/4 PASS 阈值 (Sharpe>0.5 / Stability>0.5 / MDD>-30% / |Beta|<1.5)。references/pywt-wavelets.md— PyWavelets 1.6.0 阶跃检测(DWT cD1 90% 百分位,300750 真实数据 5.95x 动量放大)、SWT vs DWT、CWT 时频、Hurst 估计、LLM 因子校准诊断。配套论文(2608.08625 / 2607.19497 / 2608.00127 / 2608.20304)。references/scipy.md— scipy 1.17.1 五子模块 × 11 场景(谱半径/Loop-Gain、KellyBoost、Physical Crash Frontier SOCP、CVaR 约束、Wasserstein 漂移、协整、极值 GPD/GEV、HRP 聚类、频谱)。附references/scipy-heartbeat-95.md、references/scipy-heartbeat-99.md。references/scipy-stats-bootstrap.md🆕 — scipy.stats.bootstrap 心跳 #110 实测验证:替代手写 np.percentile Bootstrap(代码量 -50%),支持 percentile/basic/BCa 三种 method,FactorGate Gate 4.2 杠杆存活率 CI 升级路径,配对 Bootstrap 因子 IC 漂移检测。references/scipy-stats-skew-t.md🆕 — scipy.stats Student-t/Skew-Normal 厚尾偏度建模(心跳 #113, 2026-09-03)。贵州茅台 1212 天实证:Student-t df=2.35 极厚尾、Norm 99% VaR 低估 1.67%、t 误差仅 0.14%。三分决策协议 PASS/ABSTAIN/REJECT(对接 2609.02535 P0)。30 只合成股票单股偏度估计方向不稳(panel bias 风险)→ 因子模型必须 panel 联合估计。完整 PoC 脚本 + 渔芯猎手 v2.0 升级路径(Norm 残差→t-GARCH / t-copula)。references/multiplex-fusion-gate-emcee.md— emcee 3.1.6 + networkx 3.6.1 截面多通道融合门控(2608.27295 Multiplex GNN 风格贝叶斯实现,零依赖 softmax 参数化 + Dirichlet 平坦先验 + 8 步 A 股模板 + 7 条踩坑)。配套论文(2608.27295 / 2607.00475 / 2607.15195 / 2608.13913 "融合门控 2026 范式")。references/statsmodels-vector-ar.md🆕 — statsmodels VAR(p) 多变量时序 + Granger + IRF + FEVD + 残差协方差预测器(心跳 #N+13 实测)。4 变量×940 样本拟合 1.0 ms,FEVD 解释 69.0% 中证500 预测方差,VAR 残差协方差条件数 41 远低于历史滚动 65。配套论文(2608.24449 / 2606.27462 / 2608.23393 / 2606.09420 / 2607.05320),三连洞见(FEVD>Granger / 隐式正则化 / IRF 1.5% 仓位降权门禁)。references/wsvi-w-shape-validation.md🆕 — WSVI (W-shape IV smile) 数学验证 PoC (心跳 #N+8, 2026-08-30) 加法扰动实现 + Breeden-Litzenberger 双峰密度检测 + 凸性放宽三维验证 (W-shape ✅ / 双峰 ✅ / 凸性放宽 ✅) + IV 五层架构 L2.5 升级 (L1 L-FM / L2 SAAM / L2.5 WSVI / L3 Transport / L4 DSPM / L5 Unified Theory)。零新增依赖 (scipy.signal.argrelextrema + numpy 高斯核)。配套论文 (2608.22620 + 2608.00616 + 2608.12493 + 2608.08625)。A 股 50ETF/300ETF 财报/政策事件窗口 straddle 信号。references/deflated-sharpe-leakage-safe.md🆕 — Deflated Sharpe Ratio + Leakage-safe 评估(心跳 #N+10, 2026-08-31)。核心论点:统计校正 ≠ 结构性消除 (Gençay 实证: 故意泄漏 SR=35 仍通过 DSR SR_deflated=15.73), 必须 Registry-validated tools + Trial-count deflation 联合使用。PoC 验证 n_trials=100 时 E[max|null]=0.24。配套论文 2608.27734 + 2607.20093 + 2607.04958 + 2607.20168 形成"渔芯因子评估铁四角"。FactorGate v1.0 新增 G5 门禁设计。references/***SECRET***.md🆕 — Split-Confinite Calibration + Empirical Wasserstein DRO(心跳 #N+11, 2026-09-01)。两个 zero-new-deps 函数组合: split_conformal_calibrate (分布无关有限样本 marginal coverage) + empirical_wasserstein_radius (W1/W2/W_inf 1D 闭式估计) + Wasserstein DRO LP (cvxpy SCS 求解器)。4 demo 全部 PASS: n_cal=500→ coverage 88.4% / shift regime W2=0.0171 vs baseline 0.0009 (18× 区分) / Gate 4 calibration 93.9% PASS / DRO LP 4资产×60场景 optimal。FactorGate Gate 4 升级路径 = 关 0: split-conformal calibrated IC 区间 → 关 1-6 继承心跳 #76 → 关 0 FAIL 切换 riskfolio-lib DRO weights。配套论文 2608.18123 (P0 learned Wasserstein DRO, split-conformal 提供有限样本覆盖) + 2608.07032 (P0 certified DRO LP) + 2608.13748 (P1 multi-period VaR DC) + 2606.27462 (P0 决策几何协方差) 形成 6 DRO 论文方法论拼图。references/torch-deep-hedging.md🆕 — torch 2.13.0 (PyTorch) 渔芯 A 股量化研究速查(心跳 #N+11, 2026-09-01)。macOS MPS 后端 + Autograd + LSTM/BiGRU/MLP + CVaR 自定义 Loss + 与 riskfolio/cvxpy 集成 + Whalley-Wilmott no-trade band baseline。配套论文 2608.29025 (P0 Deep Hedging BTC 经验拷问 — LSTM/FF 在真实数据反亏, W-W k=0.1 用 13× 少交易保持 45% 净 PnL) + 2608.31041 (P0 Agentic QT Survey 五阶段框架) + 2608.30446 (P0 Pairwise-complete 神经协方差 Layer 7)。渔芯猎手 Layer 6.5 风控必入。references/***SECRET***.md🆕 — Adaptive Convex Combination 渔芯猎手 G2.5 IPO/限售解禁薄历史 β 估计(心跳 #125, 2026-09-04)。LLM-as-noisy-channel 理论下界 + DIM (Disclosure Incentive Measure) +w_text = σ_w² / (σ_c² + σ_w²)自适应权重。PoC 实证 "never worse" 声明条件性证伪(σ_text > σ_window 时 adaptive 反而劣于纯 window)→ 安全降级协议if σ_c > σ_w: use pure window。配套论文 2609.02900 (P1 DisclosureBeta) + 2609.03552 (P0 EFM 稳定期) + 2608.01494 (P0 Conformal Kelly 事件期) 形成"稳定期 + 初创期 + 事件期"三阶段自适应 β 估计体系。渔芯猎手 G2.5 子门禁设计草案 + DIM 评分工程化代码模板。references/arch-garch-volatility.md🆕 — arch 8.0.0 GARCH/GJR-GARCH/EGARCH 实战学习笔记(心跳 #131, 2026-09-05)。三模型 AIC/BIC 差距 < 1 → 默认 GJR-GARCH(1,1) 兼顾杠杆+经典;核心教训: Student-t ν 估计误差 < 5% 但 Kupiec LR VaR 5% 校准全部 FAIL → **渔芯铁律**: 任何波动率模型上线必须经 kupiec LR + Christoffersen 独立性双关(Gate 3.5 新增)。配套论文 2606.09478 (CSI 300 GARCH+XGBoost P1) + 2607.16450 (台湾 ETF GJR-GARCH P1) + 2607.16229 (FinBench 校准 P1)。渔芯落地路径: ① GJR-GARCH conditional_volatility → 渔芯猎手波动率因子 ② ν 输出 → riskfolio-lib 厚尾 CVaR 优化 ③ EGARCH 残差绝对值 > 2.5σ → 高波动日标签(与 hmmlearn/ruptures/stumpy 四层体制检测互补)。references/***SECRET***.md— riskfolio-lib 7.3.0 组合优化速查(心跳 #N+31, 2026-09-06)。4 个 7.3.0 API break:b=None移除 /risk_parity→rp_optimization(rm='MV')重命名 / MaxSharpe 熊市返回 None / MinCVaR 必须 try-except。A 股 4 ETF 池 baostock 164d 实战: 能源 ETF corr=0.987 伪分散 / MinVar 自动剔除冗余资产 / MaxSharpe 无解 / EW Sharpe=0.911 反而最优。FactorGate v2.5 G5 三关 (dutch book/Wasserstein/决策相干性) 集成验证全部 PASS。Cron 实例锁定 7.3.0, 别盲目pip install --upgrade。references/riskfolio-6.1.1-cron-session.md🆕 — riskfolio-lib 6.1.1 cron session (Python 3.9) 专门版(心跳 #N+43, 2026-09-08)。与主文件互补: 主文件记录 hermes-agent venv (Python 3.11) 的 7.3.0, 本文件记录 cron session 实际安装的 6.1.1 — 两者 API 差异显著 (6.1.1 wc_optimization 有 bug / BL 参数需走 blacklitterman_stats helper / 必做 §0 版本诊断)。新增技术: ① doubly stochastic matrix + Sinkhorn-Knopp 投影 (2609.04496 majorization 落地) ② Concentration Paradox ρ-Knob 混合部署策略 (60% HRP + 40% WC 单 defensive ETF, 8× HHI 差距实证) ③ wc_optimization bug fallback 完美吻合 paper 预测。配套 PoC 5 件 (心跳 #N+43 实证)。references/***SECRET***.md🆕 — sentence-transformers 5.4.1 + Wasserstein-2 风险证书(心跳 #N+31, 2026-09-06)。LLM 嵌入作为"分布值特征" → 多公司 W² 离散度矩阵 → 系统性方差证书var_bound = w^T W2 w(无需估计交叉协方差 Σ,仅需边际波动率)。8 公司 24 片段 PoC: HRP leaf order ward 聚类 → 多样化友好配置 + 风险上界 vs 等权对比。支撑论文 2608.29692 / 2608.29669 (P1 Gawronsky/Huang Distributional Fields)。零独立安装(sentence-transformers + transformers + torch 已预装),中文感知 (all-MiniLM-L6-v2 80MB) + 大规模 Qwen3-Embedding-8B 替换路径。渔芯猎手协方差管线新支线:传统 Σ vs W² 证书双视角稳健性检查。references/***SECRET***.md🆕 — scipy.stats Wasserstein-2 1D quantile integration 5 行闭式实现(心跳 #N+36, 2026-09-07)。零新增依赖 路径:当特征已计算好(baostock 日收益 / HRP leaf / hmmlearn 体制 / arch GARCH vol / 因子 IC)时,不需要拉起 sentence-transformers。W¹ (scipy.stats.wasserstein_distance 内置) vs W² (自实现 quantile integration) 1D 闭式对比 + 数学保证(单调/对称/三角不等式)+ 渔芯 3 种落地模式(多公司 dispersion / HRP 多视角 / 体制切换漂移)。核心陷阱: W² 跨分布放大倍数 10.9× vs W¹ 的 21.3× — 二者不能直接互换阈值,报告时需同时列。配套论文 2608.29692 / 2608.29669 / 2609.02525 / 2607.21170。FactorGate v2.5 G5.4 W² 风险分布相干性门禁直接落地。scripts/whalley_wilmott_baseline.py🆕 — Whalley-Wilmott vs Deep Hedging 6 策略对比可重跑 PoC(心跳 #N+11)。命令行工具,支持自定义 σ/n_paths/cost_bps/k,完整复现 2608.29025 实测结果。渔芯猎手 Layer 6.5 风控层决策依据。
与主研究 skill 的关系
quantitative-research 是渔芯量化研究的顶层工作流(策略研究、论文检索、报告输出);本 skill 是其中科学计算库落地层的速查手册。做策略时先按 quantitative-research 走流程,需要具体库的 API/踩坑时查本 skill 对应子文档。