σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
学习路线›Particle filtering and non-stationary time series
P

Particle filtering and non-stationary time series 学习路线

已上线从这里开始

一只股票的贝塔和波动率不是常数,也没有人告诉你今天的值。本技能把它们当作会漂移的隐含状态,用浅显的步骤讲解如何跟踪,配有简短练习(要计算的数、要排序的步骤、要配对的概念)和金融示例:为什么滤波优于只读一次带噪观测,一切都是钟形曲线时卡尔曼滤波做什么,不是钟形曲线时一团带权粒子如何做同样的事,权重为何坍缩以及重采样如何修复,如何在真实的 SPY 收益上跟踪波动率,如何学出模型自己的数,如何发现变点,以及滚动、指数和在线估计量如何比较。综合项目是一个代码实验:亲手搭建粒子滤波、卡尔曼滤波和滚动回归,并对照 SPY 跟踪苹果的贝塔。

3 个模块10 个评分实验~10小时高级
开始学习路线

先修要求

需要隐马尔可夫模型(滤波、贝叶斯公式、隐含状态及其观测),以及基本的概率和正态分布知识。

  • HHidden Markov Models

课程大纲

10 个主题 · 可按任意顺序打开任一主题
  1. 1再看状态空间模型未开始45分钟开始
  2. 2卡尔曼滤波回顾未开始50分钟开始
  1. 3重要性采样未开始55分钟开始
  2. 4自助法粒子滤波未开始1小时 5分钟开始
  3. 5重采样方案与退化未开始55分钟开始
  4. 6随机波动率滤波未开始1小时 10分钟开始
  5. 7学习参数未开始1小时开始
  1. 8漂移检测与变点未开始55分钟开始
  2. 9滚动、指数与在线估计量未开始50分钟开始
  3. 10综合项目:跟踪一只股票的贝塔和波动率未开始1小时 40分钟开始

完成条件

以 70 分以上通过全部 10 个实验,即可完成学习路线,并在个人资料中获得 粒子滤波 徽章。

0 / 100%

先修要求

需要隐马尔可夫模型(滤波、贝叶斯公式、隐含状态及其观测),以及基本的概率和正态分布知识。

  • HHidden Markov Models

你将用到的工具

PythonNumPypandaspytest

你将学到

  • 写出带隐含状态和带噪观测的状态空间模型,并在其上运行卡尔曼滤波
  • 用带权样本进行估计:重要性权重、有效样本量和自助法粒子滤波
  • 用系统重采样重抽粒子,并在权重退化毁掉滤波之前识别出来
  • 在真实收益上滤波随机波动率,并从粒子滤波似然中学习模型参数
  • 检测漂移和变点,并在变化的市场中比较滚动、指数和在线估计量
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
登录加入 ↗
登录