这篇论文提出了一种创新的时空动量（STMOM）策略，通过神经网络统一建模时间序列动量（基于单资产趋势）和横截面动量（基于资产间相对强弱），克服了传统方法忽略跨资产关联性的问题。研究发现，简单的单层感知机（SLP）结合L1正则化即可超越复杂模型和传统动量策略，在美股和期货数据上表现优异，尤其在考虑交易成本时仍保持稳健性。模型分析显示其依赖跨资产MACD特征，并识别出动量与均值回归效应，同时与现有策略低相关性使其成为组合优化的有力工具。该研究为动量策略提供了更高效、可解释的数据驱动框架，展现了机器学习在量化投资中的实用价值。

欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai