净值还在水上 - 节目列表

本期我们讨论来自美银证券的四篇报告，它们探讨了大宗商品市场中的价值策略。报告分析了大宗商品价格、期限结构和价差（配对）的均值回复关系，并建议投资者可以利用这些关系来获取超额收益。

这份研究报告由沃尔夫研究公司（Wolfe Research）的 Luo 量化策略团队撰写，研究如何改进传统的动量投资策略。报告分为两大部分：第一部分介绍了改进传统动量策略的几种方法，包括中和风险敞口、波动率时机和目标策略、优化动量期限结构以及对动量进行分解；第二部分介绍了一种基于自然语言处理 (NLP) 的网络动量策略，通过分析公司年报的“业务描述”、“风险因素”和“管理层讨论与分析”等部分来识别具有动量效应的股票。报告最后提出了一个名为“Nemo 2.0”的股票选择模型，该模型综合了传统动量策略的改进方法和基于 NLP 的网络动量策略，旨在为投资者提供更稳定的动量投资策略。

本文探讨了利用递归神经网络 (RNN) 在时间序列中检测趋势的可行性。作者对多种标准时间序列动态进行了模拟，并比较了不同 RNN 结构在趋势检测任务上的表现。研究发现，GRU 和 LSTM 结构的表现优于其他方法，包括简单的移动平均线、卷积神经网络 (CNN) 以及基于最大似然估计 (MLE) 的模型。此外，作者还证明了 RNN 可以看作是对简单移动平均线技术的推广，并阐述了 RNN 如何将趋势估计问题转化为对状态向量定位。最后，文章强调了学习风格化数据的重要性，认为这可以帮助建立更有效的市场估计模型，避免过拟合。

我们讨论三篇来自 Wolfe Research的研报，关于改进风险模型的系列研究。具体而言，该研究主要探讨了如何通过引入自适应波动率调整（AVA）和相关性调整（CRA）来提升风险模型的准确性，并在实际应用中展现了改进后的风险模型在预测风险、构建投资组合、以及进行风险归因等方面的优势。

Wolfe Research 的这篇研究报告探讨了如何利用期权数据来生成股票因子。报告首先介绍了期权市场的基本知识，包括期权定价模型和希腊字母，然后详细阐述了如何从期权数据中提取股票选择信号，并将其划分为四类：期权溢价、波动率曲面、交易流动动态和技术指标。报告还构建了一个基于期权数据的复合选股模型Oslo，并通过回测验证了其有效性。最后，报告分析了基于期权数据的风险模型，并探讨了其在投资组合构建中的应用。

这份研究报告探讨了机器学习在固定收益市场中的应用，主要针对的是美国利率市场。JP摩根的策略师们开发了一系列机器学习模型，试图利用历史数据预测短期内利率产品的走势，进而制定每日自动交易策略。研究表明，机器学习方法，尤其是随机森林，在预测10年期美国国债走势方面取得了较好成效，在实际交易中明显优于简单地每天买入国债的策略。然而，对于其他利率产品，例如掉期利差和波动率，机器学习模型的表现则相对逊色。总体而言，该研究表明机器学习有潜力在固定收益市场中发挥作用，但还需要进一步探索和改进。

这份名为《交易时间：交易时钟》的德意志银行“Quantcraft”系列报告，探讨了利用机器学习算法识别不同资产类别（包括货币、股票、商品和债券）的日内交易机会。报告发现，即使在每小时的交易间隔内，日内交易回报也存在显著的季节性模式，并提出了一种利用这些模式进行系统交易的策略。报告通过大量的回测和稳健性测试来验证策略的有效性和可靠性，同时探讨了交易成本、执行延迟等因素对策略的影响。最后，报告构建了一个基于风险平价的多资产组合，并在样本外数据上测试了其表现，并分析了其对市场状况的敏感度。

这份研究报告来自摩根大通量化与衍生品策略部门，探讨了隔夜和白天股票指数收益的资讯内容。研究发现，隔夜收益可以用来预测下一交易日的白天收益以及下一晚上的隔夜收益，并以此构建可盈利的交易策略。该策略在全球多个股票指数期货市场上均取得了稳健的收益表现，并且能够通过对冲股票市场风险来提升风险调整后的回报。研究报告还分析了不同参数设置对策略的影响，并探讨了将隔夜信号策略与其他股票指数策略结合的可能性。

这篇文章研究了如何从期权价格中提取风险中性概率分布，并将其转化为现实世界的概率分布，以便预测未来资产价格。文章重点介绍了将风险中性概率分布转化为现实世界的概率分布的方法，以及这种方法在预测股票指数水平和掉期利率方面的应用。文章还讨论了该方法的局限性，并分析了其在投资决策、情景分析和风险管理方面的应用潜力。

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。