净值还在水上 - 节目列表

这份来自德意志银行的报告探讨了将交易数据从传统的日历时间转换为基于交易量的等量K线的可能性，以此来提高量化交易策略的有效性。报告分析了不同资产类别在不同时间段的交易量，并将其与价格数据相结合，以构建新的交易模型。研究结果表明，等量K线在一些策略中能够提高风险调整后的收益，但也存在不足，例如一些策略在基于等量K线的测试中效果并不显著。总体而言，该报告认为，等量K线是一个值得探索的量化工具，它可以帮助投资者更好地理解和利用市场信息，并最终提高投资回报。

这份报告由Wolfe Research的Luo's QES Research团队撰写，标题为《预测市场下跌风险：预测市场和行业抛售的量化基本面方法》。报告的核心内容是介绍了一种量化基本面（quantamental）方法，用于预测市场和特定行业可能会出现的下跌风险。

这份来自德意志银行的研究报告探讨了金融市场中日内价格走势的可预测性。报告指出，尽管存在争议，但日内动量和反转趋势在大多数市场中都存在。作者提出了一个模块化的框架，用于设计方向性策略，将策略分解成预测、自适应排名和投资组合分配三个模块，以便持续改进。报告展示了一个日内动量投资组合，该投资组合具有防御性特征，并以此作为未来研究的基准。该研究使用了多种数据和分析方法，包括 Spearman 等级相关性、Benjamini-Hochberg 方法、Mann-Kendall 趋势检验和静态自举分析，对多种资产类别（包括股票、大宗商品和货币）进行了分析。

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。