净值还在水上 - 节目列表

这份研究报告系统比较了多因子投资的两种主流构建方法：混合策略（独立构建单因子组合后加权）和整合策略（构建复合因子信号）。研究发现，虽然统计上两种策略的夏普比率差异不显著，但整合策略在包含3个以上因子时表现更优，尤其在纯多头组合中优势明显，但这种优势主要源于对低波动股票的筛选效应。研究同时揭示了两者的特性差异：混合策略存在收益天花板但透明度高，整合策略能规避单因子负面信号但组合更集中。最终结论指出，策略选择需结合投资者具体需求，在因子数量较多、追求组合整体优化时整合策略更具优势，而需要清晰归因和灵活调整时混合策略更为适用。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇论文提出了一种名为RSAP-DFM的创新动态因子模型，用于股票收益预测。该模型通过双状态转移机制（跳跃编码器和载荷编码器）首次实现了宏观经济状态在连续区间内对因子收益和因子暴露的动态调整，并采用对抗性后验因子校正先验因子的映射偏差。模型结合多头注意力机制构建高斯分布采样的因子，并设计了两阶段优化算法进行训练。在A股市场的实验表明，RSAP-DFM在预测精度（Rank IC达0.1025）和投资表现（夏普比率6.0）上均显著优于现有方法，为解决传统因子模型难以适应复杂经济环境和数据噪声问题提供了新思路。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这份研究报告创新性地采用图形套索算法（GLASSO）对标普500成分股的相关性矩阵进行正则化处理，通过层次聚类识别出21个具有经济意义的股票集群，发现金融、能源等周期性行业股票在2024年11月呈现显著的相关性跃升，而医疗保健等防御性板块则保持低相关性，研究通过Frobenius范数动态追踪集群强度变化，揭示了传统行业分类无法捕捉的跨板块风险传导机制，为实时监测市场风险因子提供了新的量化框架。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这份研究报告系统分析了全球43类企业事件（涵盖盈利指引、高管变动、指数调整等），揭示了市场对事件的过度反应或反应不足规律，并构建了EventML量化模型。研究发现：1）盈利指引上调的公司存在公告后正向漂移，尤其是中小盘股；2）高管变动和公司结构变更往往伴随持续负面反应；3）通过结合事件日超额收益（EAR）、NLP文本特征（如数字占比、关键词）和机器学习算法，模型在美欧市场实现了1.5倍以上夏普比率，且与传统因子相关性极低，为事件驱动策略提供了系统性解决方案。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报主要探讨了如何利用全球实时App数据进行量化投资。研究基于Apptopia提供的App使用、收入、排名等多维度数据，覆盖iOS和Android平台上的800多家公司。通过分析这些数据，开发了数百个选股因子，并构建了一个名为Amber的模型。Amber模型综合了用户数据、收入、参与度、排名和增长趋势等20个因子，采用风险平价算法进行加权，最终实现了1.2倍的夏普比率和较低的换手率。研究表明，App数据能够提供独特的投资视角，预测企业未来表现和股票回报，且与传统投资风格和因子相关性低，具有显著的多样化投资价值。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇论文研究了技术变量在预测股票市场波动率中的作用，通过构建基于杠杆效应、成交量效应和波动率聚集的三类技术指标，并与传统宏观经济变量进行对比。研究发现，技术变量（尤其是杠杆效应指标）在样本内和样本外均表现出显著的预测能力，且在市场扩张期优于宏观经济变量，而后者在衰退期更有效。通过组合预测方法，结合技术变量和宏观经济信息能够显著提升预测精度，为投资者和决策者提供了更可靠的波动率预测工具。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报提出了一种名为CSPO的创新股价预测框架，通过跨市场协同和伪波动率优化两大核心技术提升预测精度。该模型首先构建双层稠密定价转换器（BDP-Former），利用Transformer架构分别建模期货-股票关联和股票间协同关系，有效融合商品期货与金融期货的市场信息；其次创新性地引入伪波动率估计模块，通过贝叶斯神经网络量化预测不确定性，并设计自适应损失函数实现波动率感知的优化过程。实验表明，该框架在工业级回测中显著提升投资组合收益，在公开基准测试中关键指标较现有最优方法提升超过20%，同时通过消融研究验证了各模块的有效性，为融合多市场信息和量化预测不确定性提供了新的研究范式。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报构建了基于LASSO回归和XGBoost的机器学习模型（MLM2），通过380个预测变量（包括国别宏观经济差异、市场因子及全球政策不确定性等交互项）预测G10+1货币对美元汇率。实证显示，线性LASSO模型表现最优，样本外夏普比率达0.7，关键驱动变量为通胀差异与美国金融监管政策不确定性的交互项。该模型在2020年后政策分化期表现突出，并成功应用于套息交易增强策略，当前看跌人民币而温和看涨日元。研究验证了高维环境下线性模型的稳健性，同时强调宏观风险因子在量化汇率预测中的重要性。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

研报《量化关税风险》提出了四种评估企业关税风险敞口的方法：统计层面通过关税情绪指数和国家股指相关性模型（如中国股指敏感度达-0.16）捕捉市场即时反应；基本面分析则结合自研大模型QesGFT解析财报电话会中的关税讨论（如Flex LNG情绪值-0.92）和地理收入数据库（部分IT企业对中国销售依赖超95%）。研究显示，材料、医疗和信息技术板块风险集中，四维框架的交叉验证为投资者提供了动态对冲工具，尤其适用于当前特朗普政府重启钢铝关税（25%）及多国报复性措施下的复杂贸易环境。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该论文系统介绍了Transformer模型及其核心机制，论证了其在（特别是多步）金融时间序列预测中的适用性，并展示了两个具体的金融应用：利用编码器部分构建趋势跟踪策略（结合弱学习器思想），以及利用完整的Transformer模型进行多期波动率预测以支持投资组合优化。同时，论文也强调了在实践中应用复杂模型于金融领域时需谨慎考虑的因素。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研究报告《Alpha Insights from Global Job Postings Data》利用RavenPack提供的全球招聘数据（2007年起），构建了一套基于招聘趋势、技能需求和地理位置的股票选择模型（JSL模型）。研究发现，公司招聘增长（尤其是技术岗位和发达市场的扩张）能预测未来业绩和股票回报，但长期过度招聘可能反映管理层过度自信。通过分析技能独特性、新技能采用和地理多样性等因子，JSL模型在美、加、欧、亚等市场展现出强劲表现（夏普比率1.2-1.5），为量化投资提供了新的Alpha来源。报告还揭示了区域差异，如美国短期招聘增长利好股价，而欧洲因劳动力成本高可能呈现相反效应。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇论文提出了一种名为DSPO（直接排序投资组合优化）的端到端深度学习框架，用于直接从原始多频股票数据构建特征排序投资组合。该框架通过股票级多频融合模块处理高频交易数据和低频基本面数据，利用跨股票Transformer建模全市场股票间的依赖关系，并创新性地设计了单调逻辑回归损失函数（MonLR）来直接优化投资组合排序目标。实验表明，DSPO在纽交所和A股市场分别实现了10.12%和9.11%的RankIC，累计收益超过120%，且收益波动仅为传统方法的1/10，展现了优异的性能和稳定性。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai