Add study notes for 2025-08-17

Author: AutoBot42

IsabellaTeo.md

@@ -15,6 +15,51 @@ timezone: UTC+8
 ## Notes
 
 <!-- Content_START -->
+# 2025-08-17
+
+一、基于随机控制的动态仓位调整模型
+
+市场环境（如波动率、流动性）随时间动态变化，需用随机控制理论（Stochastic Control）求解最优仓位调整策略，使策略在风险约束下实现长期收益最大化。
+
+	•	数学例子：连续时间下的最优仓位控制
+设资产价格  S_t  遵循几何布朗运动： dS_t = \mu S_t dt + \sigma S_t dW_t （ \mu  为漂移率， \sigma  为波动率， W_t  为布朗运动）。
+投资者的仓位为  \pi_t （即投入资金占比），财富过程  X_t  满足：
+
+dX_t = \pi_t X_t \left( \mu dt + \sigma dW_t \right) + (1 - \pi_t) X_t r dt
+
+其中  r  为无风险利率。目标是最大化终端财富的期望效用（如幂效用  U(X_T) = \frac{X_T^{1-\gamma}}{1-\gamma} ， \gamma  为风险厌恶系数），即：
+
+\max_{\{\pi_t\}} \mathbb{E}\left[ U(X_T) \right]
+
+通过哈密尔顿-雅可比-贝尔曼（HJB）方程求解，可得最优仓位策略：
+
+\pi_t^* = \frac{\mu - r}{\gamma \sigma^2}
+
+该结果表明，最优仓位与风险溢价（ \mu - r ）正相关，与风险厌恶系数（ \gamma ）和波动率平方（ \sigma^2 ）负相关，可实时根据市场波动率调整仓位，平衡收益与风险。
+
+二、基于在线学习的策略参数动态迭代
+
+当市场存在未知且随时间变化的模式（如趋势强度、套利机会衰减速度）时，需用在线学习（Online Learning）算法实时更新策略参数，避免因模型固化导致失效。
+
+	•	数学例子：带遗忘因子的在线梯度下降（OGD）
+设量化策略的某一关键参数为  \theta_t （如均线周期、止损阈值），第  t  步的损失函数为  L_t(\theta_t) （如实际收益与预期收益的偏差）。目标是通过迭代调整  \theta_t  使累积损失最小化：
+
+\min_{\theta_1, \theta_2, ..., \theta_T} \sum_{t=1}^T L_t(\theta_t)
+
+引入遗忘因子  \lambda \in (0,1] （对历史数据赋予衰减权重，近期数据影响更大），参数更新公式为：
+
+\theta_{t+1} = \theta_t - \eta \cdot \nabla L_t(\theta_t) \cdot \lambda^{T - t}
+
+其中  \eta  为学习率， \nabla L_t(\theta_t)  为损失函数的梯度。该方法能实时“遗忘”过时的市场模式，快速适应新趋势（如加密货币市场的政策冲击、资金流向突变）。
+
+总结
+
+这两个方向进一步将数学工具与实时市场动态结合，核心解决“策略如何随市场变化而进化”的问题。后续可深入研究：
+
+	•	随机控制与机器学习的融合（如用深度神经网络求解高维HJB方程）；
+
+	•	在线学习的风险约束设计（如在参数迭代中加入最大回撤限制）。
+
 # 2025-08-16
 
 一、多市场联动与跨资产定价模型