Add study notes for 2025-08-16

Author: AutoBot42

IsabellaTeo.md

@@ -15,6 +15,58 @@ timezone: UTC+8
 ## Notes
 
 <!-- Content_START -->
+# 2025-08-16
+
+一、多市场联动与跨资产定价模型
+
+不同加密货币市场（如现货、衍生品、DeFi）及传统金融市场存在联动性，需用多元统计和随机过程建模关联关系。
+
+	•	数学例子：向量自回归（VAR）模型分析跨市场冲击
+设比特币现货收益率为  r_1 ，以太坊期货收益率为  r_2 ，稳定币资金利率为  r_3 ，建立VAR模型：
+
+\begin{cases}
+r_{1,t} = c_1 + \phi_{11}r_{1,t-1} + \phi_{12}r_{2,t-1} + \phi_{13}r_{3,t-1} + \epsilon_{1,t} \\
+r_{2,t} = c_2 + \phi_{21}r_{1,t-1} + \phi_{22}r_{2,t-1} + \phi_{23}r_{3,t-1} + \epsilon_{2,t} \\
+r_{3,t} = c_3 + \phi_{31}r_{1,t-1} + \phi_{32}r_{2,t-1} + \phi_{33}r_{3,t-1} + \epsilon_{3,t}
+\end{cases}
+
+通过脉冲响应函数分析某一市场波动对其他市场的滞后影响，辅助设计跨市场对冲策略。
+
+二、智能合约风险量化与链上数据挖掘
+
+DeFi协议的智能合约漏洞、流动性风险等需结合链上数据（如交易哈希、Gas费、合约调用频次）用机器学习与图神经网络（GNN）建模。
+
+	•	数学例子：GNN识别高风险合约地址
+将链上地址视为节点，转账关系视为边，构建交易网络图。用GNN的消息传递机制计算节点风险得分：
+
+h_i^{(l)} = \sigma\left( W^{(l)} \sum_{j \in N(i)} \frac{1}{\sqrt{|N(i)||N(j)|}} h_j^{(l-1)} + b^{(l)} \right)
+
+其中  h_i^{(l)}  为第 l 层节点 i 的特征向量， N(i) 为节点 i 的邻居，通过历史被攻击合约数据训练，预测潜在风险地址。
+
+三、极端行情下的鲁棒性优化（黑天鹅事件应对）
+
+传统模型在极端波动（如行情崩盘、流动性枯竭）时易失效，需用稳健统计和极值理论（EVT）增强策略抗风险能力。
+
+	•	数学例子：极值理论预测极端价格跌幅
+设加密货币日收益率  x  超过阈值  u  的极端值满足广义帕累托分布（GPD）：
+
+G(y) = 1 - \left(1 + \xi \frac{y}{\beta}\right)^{-1/\xi} \quad (y \geq 0, \xi \neq 0)
+
+其中  \xi  为形状参数（反映尾部厚度）， \beta  为尺度参数。通过历史极端数据估计参数，计算“单日跌幅超过20%”的概率，用于设置止损阈值或仓位上限。
+
+四、量化策略的博弈论优化（对抗性市场适应）
+
+市场中存在大量量化交易者，策略间存在博弈关系，需用博弈论分析对手行为，动态调整自身策略。
+
+	•	数学例子：纳什均衡下的做市商策略
+假设有两个做市商A和B，分别设定买卖价差  s_A  和  s_B ，收益取决于双方价差与市场订单流。通过求解纳什均衡：
+
+s_A^* = \arg\max_{s_A} U_A(s_A, s_B^*) \quad, \quad s_B^* = \arg\max_{s_B} U_B(s_A^*, s_B)
+
+其中  U  为收益函数，得到在对手策略固定时的最优价差，避免因过度竞争导致利润压缩。
+
+这些方向进一步融合了多学科数学工具（如多元统计、图论、极值理论、博弈论），聚焦于市场复杂性、风险鲁棒性和策略动态适应性，可根据对“跨市场联动”“链上风险”“极端行情”等场景的兴趣深入研究，同时结合实盘数据持续迭代模型。
+
 # 2025-08-13
 
 一、高频交易策略的数学建模