这份报告介绍了一种基于贝叶斯框架的突破策略。该策略利用投影滤波器识别外汇和商品市场中的突破信号，并将其分为动量和均值回归两类投资组合进行交易。回测结果显示，自2002年以来，这两个投资组合分别获得了2.0和1.6的夏普比率，并且该策略对样本长度变化具有较强的稳定性。报告还详细解释了投影滤波器的数学原理，并讨论了该策略的风险和当前的市场仓位。

这份UBS报告研究了趋势跟踪策略，特别是2009年以来其表现不佳的原因。报告比较了两种资产配置方法：波动率平价和风险平价，发现风险平价方法在应对资产之间日益增长的相关性方面更有效。通过将风险平价与趋势跟踪策略相结合，报告构建了一种改进的策略，该策略在整个样本期间和2009年后的低迷时期都表现更好，并且对基准指数的相关性较低。报告还探讨了不同的评分方法以及交易频率对策略的影响。

这份报告重新调整了其趋势跟踪信号的算法。核心改进在于引入了非对称阈值，根据资产收益分布的偏度（左偏或右偏）动态调整交易信号的触发条件，以更好地控制市场噪音，从而提高策略的有效性。报告还更新了其各种量化投资组合的业绩和仓位情况，包括趋势跟踪、套利、价值投资、情绪投资和宏观因子投资策略。最终目标是优化趋势跟踪模型Marta的性能，并与行业基准进行比较。

这份Wolfe Research报告介绍了其名为LEAP (L-Economic Alpha Processing)的全球股票选择模型。该模型结合了大数据、风格轮动和机器学习技术，特别是随机森林和CART算法用于非线性特征提取，以及线性面板数据计量经济模型用于预测股票收益。报告详细阐述了模型构建的各个步骤，包括因子选择、模型估计和预测，并着重强调了模型的可解释性和透明性。最终，报告展示了LEAP模型相较于基准模型在风险调整后收益和最大回撤方面的显著改进。

这份JPMorgan 2022年11月23日发布的报告，利用名为“BuzzMiner”的自然语言处理（NLP）管道，对全球新闻进行主题检测和追踪。该管道运用BERT模型，将新闻聚类成不同主题，并分析每个主题的强度、情绪、新颖性和持续时间，以帮助投资者进行资产配置决策。报告重点展示了几个主要主题，例如美国政治、俄乌战争、Twitter、FTX以及美联储加息等，并提供了这些主题在一段时间内的演变趋势图和数据分析。

这份研究报告探讨了商品市场中不同 Alpha 策略的尾部风险及其相关性。研究发现，虽然不同策略的平均相关性很低，但在尾部事件下可能存在类似的下行风险。报告还介绍了一种最小 CVaR 工具，用于构建商品 Alpha 投资组合，以降低投资组合的尾部风险。

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。