净值还在水上

该研报提出了一种基于深度强化学习（DRL）的新方法来解决金融市场中的最优订单执行问题，旨在同时最大化收益并最小化风险（特别是市场冲击风险）；研究在包括正常市场以及新冠疫情、通胀与战争等压力市场在内的多种条件下，对大型股、中型股、小型股和ETF进行了广泛测试，结果表明其DRL模型在投资回报和风险管理方面均优于传统的成交量加权平均价格（VWAP）和时间加权平均价格（TWAP）策略。

这篇论文全面回顾了2000年至2024年上半年学术文献中用于预测已实现波动率的所有模型，首次系统比较了传统线性模型与包括卷积神经网络、长短期记忆模型、异质自回归神经网络和Transformer在内的先进机器学习及深度学习方法；研究发现表现最佳的混合卷积神经网络和长短期记忆模型在预测精度上超越了其他模型，这些模型能够捕捉驱动已实现波动率的更广泛因素，而深度学习模型凭借其处理复杂非线性模式的能力通常能提供最准确的预测，但传统线性模型在数据有限或需要高可解释性的场景中仍然具有重要价值。

本文构建了一个基于日度收益率信息的统一资产定价框架，针对以往众多依赖近期日度收益率但角度零散的异象研究，提出同时捕捉收益率时间顺序与幅度排序两大维度的“日度收益率信息”信号，并运用弹性网络回归进行数据驱动的估计，从而构建出可交易的日度收益率信息因子。研究表明该因子在近一个世纪的美国股市中表现强劲且稳健，能产生显著的经济溢价并吸收绝大部分短期市场摩擦类异象的解释力，在应对庞大因子动物园与多种研究设计稳健性检验中均脱颖而出，从而为理解股票横截面收益的短期预测机制提供了一个系统而统一的核心定价因子。

这篇论文采用机器学习方法系统预测标普500指数的成分股删除，通过构建涵盖市值、交易、异质波动率和财务比率等93个特征的数据库，应用逻辑回归、随机森林和XGBoosted随机森林模型进行分析。研究发现，在公告日前四天（AD-4）做空被删除股票能获得比公告前一天（AD-1）更显著的负收益，暗示市场存在信息泄露和提前定价现象；随机森林和XGBoost模型在预测准确性和性能指标上显著优于逻辑回归，最佳模型能正确预测37个删除案例中的35个，并通过置换检验在99%置信水平上显著，结果挑战了强式有效市场假说，表明系统性预测标普500指数成分股删除具有可行性。