净值还在水上 - 节目列表

这份来自 Wolfe Research 的报告，探讨了因子投资策略，特别是针对股票投资组合在面对宏观经济冲击时的表现。报告重点关注 15 种常见的投资因子，通过向量自回归 (VAR) 和脉冲响应函数 (IRF) 模型，分析了这些因子在美国、欧洲和中国市场对 33 种宏观经济变量的反应。该报告还包括对全球经济预测、战术资产配置、以及美国和全球股票风格因子轮换的分析。

这份来自摩根大通的报告介绍了他们构建一个市场时机模型的过程。模型的目标是简单直观，每周重新平衡，使用来自不同市场领域的信号来预测市场走势。报告详细阐述了信号的选择、逻辑以及回测结果，并展示了模型在面对不同的市场环境和事件时的表现，最终提出了模型的优化方向，包括信号的改进、组合方式的优化，以及风险管理规则的完善等。

这份报告是 Wolfe Research 对全球宏观经济和投资策略的系统性研究，它发布了他们最新的预测和投资建议。报告分析了全球经济增长、资产配置、行业轮动和股票风格因子等主题，并利用各种量化模型来预测未来趋势。研究涵盖了全球主要经济体，包括美国、欧洲、英国、中国、日本、加拿大和澳大利亚等。

这份研究报告来自摩根士丹利，分析了黄金价格变化的驱动因素，并预测了未来金价走势。报告发现，黄金与美国实际收益率之间的长期反向关系在2022年初开始瓦解，其他因素如央行购金、ETF 资金流入、地缘政治风险和通货膨胀等开始发挥更大的作用。报告构建了一个新的模型，将这些因素纳入分析，提高了对黄金价格走势的预测精度。该模型预测，未来一年黄金价格可能在2500美元/盎司至3100美元/盎司之间，具体取决于经济增长和利率变化等因素。报告认为，央行购金、ETF 资金流入和投资者对黄金的避险需求将继续支撑金价，而珠宝需求的疲软和供应增加将在中长期抑制金价上涨。

这份研究报告来自瑞士银行，它深入分析了中国股市中散户和机构投资者的行为差异，并试图通过三种指标：零售交易比例 (RTP)、零售交易失衡 (RTI) 和算法交易比例 (ATP) 来识别散户和机构投资者在交易中的行为模式。通过分析订单数据，该报告发现，散户投资者更倾向于选择以整百或以五结尾的数字作为订单价格，而机构投资者则更倾向于使用算法交易，并会将订单拆分成更小的部分。报告还发现，散户投资者的交易行为通常反映市场动能的结束，而机构投资者则更偏向于长期投资。最后，该报告展示了三种指标在不同行业和不同股票上的最新表现，为投资者提供了一定的参考价值。

这篇研究报告《Timing Sectors with Macro Insights》提出了一种基于宏观经济驱动的、机器学习增强的行业轮动模型，以优化股票配置。通过结合宏观变量和量化因子（如动量、价值、质量等），利用梯度提升回归（GBR）框架预测GICS一级行业未来三个月的超额收益，模型展现出较强预测能力（整体信息系数IC达0.11）。三种实施策略——基于信号强度的权重分配、行业超配/低配以及多空尾部行业组合——均显著优于传统动量因子策略，其中多空策略年化回报超10%（信息比率IR>0.85）。当前配置建议增持能源、信息技术和通讯服务，减持房地产、公用事业、工业、原材料、可选消费、医疗保健和必需消费（后两者部分策略中保持中性）。模型在样本内外有效性稳定，但需注意2023年表现受市场波动影响。该策略通过动态捕捉宏观驱动的行业轮动机会，为投资者提供风险调整后的超额收益。

本期我们讨论由摩根大通的量化和衍生品策略团队于2022年12月发表的商品基差动量报告。

这篇研报来自法国巴黎银行，探讨了趋势跟踪策略在多资产投资组合中的应用。它们深入分析了趋势跟踪策略的收益特性，并强调了它在市场波动时提供保护的作用。然而，文件还指出趋势跟踪策略并非万能，在震荡市场中效果并不理想。为了克服这个问题，文章提出了一种基于宏观经济环境的动态调整策略，利用经济扩张和收缩、市场风险偏好变化等宏观信息来调整投资组合的资产配置，以期提高收益和降低风险。

这份研究报告来自摩根大通，作者彭程和艾玛·吴提出了一种使用深度学习中的注意力机制构建投资组合的新方法。他们使用 S&P 500 和 10 年期美国国债期货作为示例，展示了这种方法在预测资产收益率和波动率方面优于传统的风险平价方法。该方法可以根据多种输入特征直接预测投资组合的权重，并能考虑投资者对风险的厌恶程度和更高的风险偏好，以及对投资组合权重的收缩。

这份研究报告由瑞银集团发布，主要探讨了近年来市场流动性变化对股票定价的影响，并提出了一种衡量股票下行流动性风险的指标。报告发现，虽然整体市场流动性有所改善，但极端不流动性却在增加，而这种流动性风险可以被利用来创造超额收益。报告还分析了不同地区的投资策略表现，以及该策略相对于其他量化因子（如市值、价值、质量和动量）的超额收益来源。

这份研究报告由德意志银行的量化策略团队编写，探讨了机器学习时代下的技术分析。报告首先回顾了金融领域常用的技术指标，然后分析了非金融领域广泛应用的时间序列特征，并将这些特征应用于股市预测。报告发现，一些技术指标确实可以帮助预测未来收益率，同时还识别出一种基于模式识别的新型预测信号。报告最后展望了利用深度学习构建技术指标和时间序列特征的未来发展方向。

这份来自德意志银行的报告探讨了如何利用高频数据构建适用于低频量化投资者的交易信号。报告分析了三种基于高频数据的交易信号：订单不平衡（Order Imbalance）、信息交易概率（Probability of Informed Trading，PIN）和大型交易异常成交量（Abnormal Volume in Large Trades，ALT）。报告发现，经过调整后的PIN因子在回测中表现良好，且与传统量化因子相关性较低，表明它可能捕捉到了一种新的、独特的alpha来源。报告还研究了PIN与异常期权成交量之间的关系，以及PIN在新闻事件中的应用，并以2010年5月6日的“闪电崩盘”事件为例说明了PIN在风险管理中的潜在用途。