净值还在水上 - 节目列表

这份研究报告来自摩根大通，探讨了如何利用对数周期幂律奇点（LPPLS）模型来识别金融市场泡沫，并将其与动量策略相结合，构建交易策略。报告分析了 LPPLS 模型的理论基础和应用，并用历史数据进行了回测，检验了该策略在识别市场泡沫和生成超额收益方面的有效性。此外，报告还提供了当前市场的一些信号，以及一些需要关注的市场趋势。

这份报告研究了商品曲线投资策略，重点关注商品曲线动态中的动量模式，并开发了两种新的策略：曲线动量策略和曲线溢出动量策略。报告深入分析了商品曲线动量的统计学和宏观经济学基础，并比较了曲线动量策略与传统曲线策略的区别和联系，最后还探讨了两种策略在不同市场环境下的表现和潜在的组合效益。

这份报告来自瑞银投资研究，讨论了Smart Beta因子正交化的利弊。报告指出，虽然正交化可以简化风险预算和业绩归因，但它会使Smart Beta因子失去直观性，导致更高的交易成本，并可能降低价格动量的表现。报告还强调了正交化过程中存在的统计问题，即简单的线性回归在处理嘈杂数据时往往会低估beta系数，从而导致正交化后的因子并非真正独立。报告建议投资者更专注于理解简单、直观的Smart Beta因子之间的关系，而不是创建人工的、不直观的正交化因子。

这份报告由 Wolfe Research 的 QES 团队撰写，探讨了利用机器学习进行系统性加密货币套利的研究。报告从数据工程、特征工程、机器学习模型构建和模型解释四个方面展开，介绍了一种名为 Cobra 的套利模型，该模型在预测未来加密货币收益方面表现出色，并分析了影响模型预测的关键因素。报告还探讨了网络数据对模型预测的重要性，以及不同特征之间的交互效应。总而言之，该报告旨在为投资者提供一套系统化的加密货币套利方法。

这篇论文提出了一种名为“LIME”的算法，可以解释任何分类器的预测结果，并以可理解且忠实的方式向用户呈现。该算法通过在预测周围学习一个可解释的模型来实现解释。论文还提出了一种名为“SP-LIME”的方法，通过子模优化选择一组有代表性的实例及其解释，为用户提供对模型整体行为的理解。作者通过模拟用户实验和人类用户实验展示了这些方法在文本和图像领域中的实际应用，包括模型选择、信任评估、改进不可信模型以及洞悉预测结果等任务。

这份研究报告来自摩根大通的全球量化与衍生品策略团队，它探讨了金融市场中资产之间的领先滞后关系，以及如何利用这种关系来构建投资组合。报告探索了利用 Lévy Area 信号和动量来构建投资组合的新策略。研究分析了股票、固定收益、货币和商品等不同资产类别，并测试了不同策略在不同交易成本下的表现。

这份文件来自摩根大通的衍生品策略团队，研究主题是利用日内波动率指标实时识别 VIX 波动率状况。该文件首先回顾了之前使用隐马尔可夫模型（HMM）识别 VIX 波动率状况的应用和局限性。然后，作者提出了一种新的在线学习方法，通过整合日内波动率数据来提高 HMM 模型的预测精度。该方法使用了类似于向前后向算法的步骤，但通过利用日内波动率指标来近似模拟后向算法，从而在不依赖未来信息的条件下实现更准确的实时波动率状况识别。最后，该文件展示了该方法在 VIX 期货策略和股票择时策略上的应用效果，并对模型的细节和实现进行了技术性说明。

这篇论文提出了一种整合了细粒度数据和周期性信号的深度强化学习框架，用于高频做市策略。该框架利用一个细粒度环境和一个延迟感知代理来学习来自事件驱动的限价单簿数据的细粒度信息，同时设计了一个特征提取框架来学习来自周期性市场数据的预测性信息。然后，将来自细粒度数据和周期性数据的这两部分信息嵌入到深度强化学习模型的训练阶段中，以提高做市策略的性能。

这份研究报告来自摩根士丹利，它分析了跨资产“carry”交易策略的优势。报告指出，在传统资产收益率压缩的当下，carry策略可以提供不错的收益和多元化，并深入分析了不同资产类别（外汇、股票、商品、利率和信贷）的carry策略特点，包括carry水平、波动性、动量、估值以及在不同市场环境下的表现。

这份报告来自汇丰银行，介绍了他们新推出的商品周期模型——COCCLES。 该模型使用机器学习技术，通过分析历史数据，将商品周期划分为三个阶段：超级牛市、弱牛市和熊市。 COCCLES 可以帮助投资者识别商品市场的拐点，并预测未来几个月商品价格的走势。 报告还分析了不同阶段的商品表现，以及 COCCLES 与汇丰的另一个市场周期模型 ECCLES 的关系。

这份研究报告由 Wolfe Research 发布，探讨了利用自然语言处理 (NLP) 和语音情绪识别 (SER) 技术分析公司电话会议转录文本和音频数据，以预测公司未来的股价表现。研究者构建了一个名为“回声” (Echo) 的模型，该模型整合了数百个 NLP 和音频特征，通过线性模型和非线性模型来识别公司电话会议和投资者日数据中的模式，并最终生成对未来股价的预测。研究发现，将 NLP 和音频特征相结合可以显著提升预测精度，同时“回声” 模型在实际应用中也展现出较高的预测能力，且与传统投资策略相比具有较低的风险。

这份报告是Wolfe Research发布的，主要内容是关于 因子拥挤 的研究。作者们认为，很多投资者使用 资产管理规模（AUM） 来衡量因子拥挤，但这并不可靠。作者们提出了一个新的指标 增强型多元化比率（EDR） 来衡量因子拥挤，并以此分析了不同风格因子的拥挤情况。