该研究通过系统性地将多种人工神经网络架构应用于全球不同市场的股指长期预测，核心探讨了在一个市场指数上训练的模型，在未经任何微调的情况下，直接用于预测另一个市场指数的可行性，即“跨指数训练”的有效性。研究结果表明，这种跨市场预测的准确性与在同一指数上训练的模型相比，在可接受的误差范围内并无显著劣势，甚至在部分情况下表现更优，这主要得益于跨训练可能带来的减轻过拟合效应。这一发现为尤金·法玛提出的有效市场假说提供了来自机器学习领域的间接支持证据，暗示全球市场在长期行为中存在由信息驱动的共同模式，使得从一个市场学习到的模式能够泛化至其他市场。对于量化策略研究员而言，此项研究的价值在于揭示了利用跨市场信息构建泛化能力更强的预测模型的可能性，并提示在策略开发中，可考虑将规模较大或更具代表性的市场指数作为训练集，以提升模型对较小或特定市场走势的预测稳健性，尤其是在不苛求极致精度而更注重策略泛化能力的应用场景下。

本文系统性地探讨了如何通过分析上市公司高管的合法内部交易行为，构建一种基于机器学习的量化投资策略。研究聚焦于高管公开披露的买入交易，通过多维度特征工程与动态模型优化，识别具有高信息含量的内部交易事件，并进一步构建集中持仓的投资组合。以下内容将详细阐述该研究的核心方法论与关键结论，旨在为量化策略研究员提供理论参考与实践启示。

本文对摩根大通于2025年10月29日发布的题为《因子投资：主成分分析及其变体》的研究报告进行了详细阐述。该研究系统性地探讨了传统主成分分析在因子投资应用中的局限性，并提出了两种创新的改进方法——风险溢价主成分分析与夏普比率缩放主成分分析，旨在通过同时利用资产收益的一阶矩和二阶矩信息，更有效地提取具有经济意义的因子，从而提升投资策略的质量。

这篇文章探讨了人工智能特别是大语言模型如何弥合传统主观和系统和投资方法之间的分歧，通过为主观投资者提供可扩展的分析以扩大投资范围，并为系统和投资者引入定性洞察以增加深度，从而推动alpha生成依赖于独特数据集、LLMs的专家定制及高效见解交付，最终导向人类与AI协同的iron-person投资新时代。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。