方法说明 · 历史类比 + 蒙特卡洛

这一页解释每个主题页背后的数据来源、计算方法、不确定性。所有源代码可在 GitHub 验证；所有事件清单都标了 source URL，欢迎 cross-check。

什么是历史类比 (historical analog)?

历史类比的核心想法是：当前事件可能没有先例，但同一类事件（地缘紧张 / 央行加息 / 油价冲击 ...）在过去 30 年发生过多次，每次后主要资产的走势构成了一个实证分布。我们用这个分布回答「下一次发生时大概会怎样」。

这跟「拟合一个数学模型再预测」的方式不一样：我们不假设回报是正态分布、不预测均值漂移、不依赖任何参数化假设。样本即推断。

每个主题页是怎么算出来的？

每个主题页底部列出了用到的所有历史事件。每个事件标注了：

• 发生日期（市场可见的那一天，不一定是日历事件日）
• 简短描述（30 字以内）
• 权威来源链接（Reuters / 央行公告 / 政府文件 / Wikipedia）

每个资产 (SPY / GLD / TLT / 等) 在这些事件后的 T+1 / T+5 / T+30 个交易日的总回报（含分红再投资）都被预先计算。

页面上展示的「中位数」是这些样本的 50 分位数；「区间」是 10 分位 - 90 分位。

样本量小的时候，分布尾部不可信。如果某主题页的样本量 n < 5，主题页会显示「样本量不足，仅供参考」的警示。

组合 P&L 估算：joint sampling 蒙特卡洛

这是页面上「输入你的持仓 → 看到 P&L 区间」那一步背后的算法。

我们怎么做：

for sample in range(1000):
    # 从 N 个历史事件中随机抽一个 (with replacement)
    event = random.choice(historical_events)

    # 这个事件下，所有资产的 T+30 回报作为一个完整向量
    return_vector = event.returns  # {SPY: +0.041, GLD: +0.024, TLT: -0.012, ...}

    # 你的组合 P&L = 持仓权重 × 各资产回报的加权和
    portfolio_pnl = sum(weights[t] * return_vector[t] for t in tickers)

# 1000 个样本 → 取 p10 / p50 / p90 作为区间

关键点：「joint sampling」(整向量抽样)

每次抽一个历史事件，那次事件下所有资产的回报作为一个整体都进入这次蒙特卡洛 trial。这样自动保留了资产间的相关性。

反例：「per-ticker 独立抽样」——SPY 的回报从所有事件的 SPY 收益里随机抽，GLD 单独从 GLD 收益里抽，TLT 也单独抽。这种方法错误地假设它们之间没有相关性。

为什么这很重要：SPY 和 QQQ 历史相关性 ≈ 0.95；危机时 SPY 和 GLD 相关性会从 -0.1 翻正到 +0.4。独立抽样会让你误以为这俩在分散风险，实际上崩盘时它们一起跌。joint sampling 不会让你犯这个错。

为什么不用 Cholesky 分解？

Cholesky 是一种从相关性矩阵反推「相关样本」的标准方法，但它假设回报是多元正态分布。极端事件下回报有肥尾、不对称、甚至跳跃；正态假设系统性地低估尾部。joint sampling 直接用历史样本，不需要任何分布假设，肥尾自然保留。

数据来源

• 资产价格：yfinance（雅虎金融的免费 API），日频收盘价 + 总回报，覆盖 SPY / QQQ / GLD / TLT / 各 ETF / 共 29 只大类资产从 2000 年至今
• 事件清单：人工策划，每条事件标注源链接（路透 / 央行 / Wikipedia / 官方公告），定期更新
• 事件分类：geo_political / monetary / commodity_shock / regulatory / earnings_macro 五大类

不会做的事 (限制说明)

• 不做盘中预测：所有 horizon 都是日级别（T+1 / T+5 / T+30）。事件爆发后第一小时的反应不在我们的时间分辨率内
• 不做隐含波动率分析：期权数据另立模块（不在本主题）
• 不做投资建议：所有数字仅供历史参考，未来表现可能跟过去显著不同
• 不预测哪类事件即将发生：本工具回答「事件已发生，资产怎么动」；不回答「事件何时发生」

样本量 vs 不确定性

样本越多，分位数估计越可靠。当前各主题样本量：

• 样本量 ≥ 10：估计相对可靠（p10/p50/p90 标准误 ~ 1-2 个百分点）
• 样本量 5-9：可参考，但区间宽度可能低估实际不确定性
• 样本量 < 5：仅供历史叙事参考，不要当作预测

页面顶部 trust pills 会标注「N 次历史样本」，便于你判断置信度。

开源 + 可验证

所有事件清单 + 资产数据 + 计算逻辑都在 github.com/samque1983/ai-monitor。如果你发现某个事件日期或描述有误，或想加新事件类型，欢迎提 PR。