D.C的量化博客

第2章：用模板快速搭建第一个工具调用型 Agent（以 Email Assistant 为例） 本章目标（1-2 句） 用 LangSmith Agent Builder 的模板（Templates）在 10–20 分钟内搭建一个“能真实调用工具”的 Agent，并完成：密钥/授权配置 → 启动测试对话 → 通过审批（approval）安全执行动作。 核心概念与机制（要准确，必要时引用官方定义） 模板（Templates）= 可运行的“预配置 Agent” 官方说明模板是为特定用例设计的预配置 agents，通常包含：预配置工具（pre-configured tools）、系统指令（system instructions）以及可选触发器（triggers）；你可以直接使用，或作为基线继续定制。 参考：https://docs.langchain.com/langsmith/agent-builder-templates 工具（Tools）与集成方式：OAuth vs Workspace Secrets Agent Builder 内置多类工具（Gmail...

第1章：Agent Builder 是什么，以及为什么它是“最新推出”的（GA 里程碑） 本章目标（1-2 句） 让你对 LangSmith Agent Builder 的定位、能力边界与“最新推出”的证据形成一致认知，并完成“可开始动手”的最小准备（账号、密钥、入口与调用方式）。 核心概念与机制（要准确，必要时引用官方定义） 产品定位：no-code agents LangSmith Agent Builder 的官方定义是：“Create helpful AI agents without code（无需写代码创建 AI Agent）”；你可以从模板出发或用自然语言描述目标，让系统生成可运行的 Agent 配置，并在关键动作上通过“审批”保持人类控制权。 参考：https://docs.langchain.com/langsmith/agent-builder “最新推出”的含义：从 Beta → GA 的发布阶段跃迁 官方在 2026-01-13 发布 GA 公告，明确 Agent Builder “now generally available”，并描述其从“描...

本篇文章主要用于探讨：对于做空的收益，其影响因素都有哪些，有哪些方法在某些前提条件下可以放大收益？ 本篇会在偏数学的层面进行探讨，偏硬核。 前两天看到一篇论坛的精华帖，说的是“单边行情下滚仓对做多做空的影响差异分析”。这不禁让我想起，前两天我自己还在琢磨做空的收益是否永远小于100%这个问题，因为这个结论似乎有点违背我的直觉：这只是单次做空的情况，但实际上，我们交易又不会只做一次。这个问题及其背后的系列问题很有意思！ 帖子的作者使用的是偏数学的方法进行的研究，且主要研究了滚仓+单边行情+杠杆1x的情况。但我觉得这背后有些深刻的内容，于是开始拷问GPT。在拷问一番帖子中的那个情况和做法之后，我觉得有必要再整理一篇帖子甚至一系列帖子出来讲讲这个问题，促成了本篇帖子。 我先试着用数学的方式说说这个问题，本期主要讲两个点： 单边价格下跌时，滚仓不限制杠杆做空的收益影响因素； 先单边上涨后单边下跌时，利用马丁格尔方法做空的收益影响因素。 话不多说，直接正题。如果不喜欢看偏数学证明类的东西，直接看1.2节和2.3节开头结论就好～ 一、单边价格下跌滚仓做空1.1 策略的数学定义为了讲清...

上一期，我们重点介绍了一些常用的基础评价指标，例如收益类指标、风险类指标、部分风险度量比率类指标等。 本期将继续介绍一些常用的量化评价指标，主要集中于Sortino比率、滚动窗口指标（如滚动6个月的年化收益、波动、Sharpe……）。欢迎持续关注～ （在茶馆中写了一下午的我.jpg） 一、其他风险度量比率类指标我们前面着重讨论了一些基础的风险度量类指标，主要是年化收益/回撤比和Sharpe比率。但这些指标都有其局限性： 年化收益回撤比主要关注的是最大回撤作为风险度量，这对于经常面临最大回撤的策略评价起来效果会好，对其他策略效果就不太好； Sharpe则主要关注的是所有的波动作为风险度量，其优点和缺点是同源的，就是这个波动囊括了所有情况。 那有没有其他的一些指标能反映一些特殊信息呢？有的有的，但今天我们仅介绍一个指标，那就是Sortino指标。这个指标我认为是比较典型的例子，大家一起来品品。 1.1 Sortino比率前面我们提到一个Sharpe比率，这个比率衡量了所有的波动作为风险。但实际上，真的是所有的波动都是风险吗？似乎并不是这样的，我们可以将风险分为两类：...

glmos-code-explain 这系列的文章主要为了整理和汇总所有主流的评价量化策略和因子的指标。欢迎持续关注。 一、策略评价指标总览1.1 铺垫评价量化策略，其实可以从不同角度进行评价；就像人的多维性一样，策略也具有多维性，单一的策略评价指标是不足以评价一个策略的。虽然我知道有些老板刚接触量化，但实际上，光看年化收益回撤比这一个指标去评价一个策略是远远不够的。 可能年化收益回撤比从0.2提高到1是一个很大的提升，那2提高到3呢？3提高到4呢？策略的质量一定是提高了吗？那么给我感觉，**后者的提升就确实看不出来明显区别了；甚至如果这个年化收益回撤比达到了10，20，老板们还敢用吗？**这里面会不会有未来函数的风险？ 那既然单纯看数字看不出来什么，我们就要想办法跳出单一评价指标的想法，用多维度的视角去看待我们有的每一个策略。同时，如果从多维度的角度看来，比如我们知道了这个策略的容量、知道了这个策略的收益率、知道了这个策略在什么样的行情下赚钱多，什么样的行情下赚钱少等等，我们就可以更好的使用策略甚至让策略按照某些合适的方式轮动起来了。 1.2 策略评价的五个维度前情铺垫完毕...

glmos-code-explain 本期将继续BARRA模型的系列学习，这一期的内容主要是上一期所说的BARRA从单只股票到投资组合的迁移过程，以及BARRA的风险因子与普通的Alpha因子的区别等。 一、BARRA投资组合模型1.1 从单只股票到组合现在，我们想将BARRA从单股票分析迁移到投资组合的分析上，那就有必要先明确一下投资组合的数学构建方式。这里，我们假定有$N$只股票，每只股票在该组合中的权重构成一个向量，这个向量为$w$，形状为$N\times1$。那这个向量如何把前述的所有$N$只股票都算上呢？明明有些股票对于投资组合没有任何贡献？那么这里再设定，如果某只股票当前对于投资组合没有任何收益贡献，那么就把这个股票的权重设置为0。 前面已经说过，在时间t上，我们将每个股票对应的收益设置为$r_t$（之后简记为$r$），那如何根据$r$计算出组合的收益呢？这里定义投资组合的收益为 $$r_p=w^Tr\tag{1.1}$$ 也就是说，当前投资组合的收益是所有股票收益的加权平均，权重为$w$。再根据原有的 $$r=Bf+\varepsilon\t...

glmos-code-explain 本系列主要是我和ChatGPT学习BARRA模型的系列解说，本篇为第一期。欢迎持续关注。 一、什么是BARRA模型？为什么需要BARRA？1.1 为啥要多因子？BARRA模型发展的起因是，旧有的CAPM模型（单因子模型）不足以解释股票收益的绝对收益、超额收益及风险与波动。 CAPM模型的主要公式： $$股票收益=无风险利率+\beta\cdot市场组合收益$$ 这样的模型不能解释一些现象，例如： 小市值股票长期收益更高（规模因子）； 低估值股票长期收益更高（价值因子）； 近一段时间涨的多的股票更容易继续涨（动量因子）； …… 于是，与其使用单个因子解释预期收益与风险，不如用一堆因子，这也就是因子库的思想。 1.2 BARRA是什么？BARRA是一整套商业化的风险因子体系与模型，大致包括： 因子库：风格因子，行业因子，国家、地区因子…… 因子暴露数据：每只股票在这些因子上的暴露程度，例如这股票有多么小盘 / 价值 / 动量…… 协方差/风险模型：通过因子协方差矩阵+特质风险，算投资组合...

glmos-code-explain 研报学习系列中，我将摘选出我认为比较有用的一些文字和问题，并会针对其中部分内容在之后的文章中给出解释和答案。欢迎持续关注。 一、引言1.1 引言量化选股模型可以分为Alpha模型、风险模型与组合优化三个部分，其中： Alpha模型对组合收益起决定性作用； 风险模型负责控制风险、稳定收益； 组合优化负责精确控制，使得组合满足换手率、跟踪误差等投资限制。 由于Alpha的重要性，机构投资者的大部分研究精力主要集中于Alpha模型这一块。而目前，市场上做Alpha模型主要有两个方向： 精英型： 寻找IC高、IR稳定、表现优秀的“精英”因子，用少量的这些因子来构建组合； 群众型： 建造一个大型Alpha因子库，单个Alpha的表现可能不是非常出众，但它能贡献独立的Alpha信息源，有助于稳定收益。 后者更符合分散风险的量化投资基本原理，但大型Alpha因子库在提供多样Alpha源的同时，也带来大量无效和重复信息。若信息汇总处理不当，会使得不同Alpha源被人为的放大或缩小权重，最终影响组合表现。另外，面对一个大型Alpha因子库，投资者在...