这篇由Wolfe Research发布的研报深入介绍了一种名为ULTRA（Unfading Low Turnover Robust Alpha）的创新全球选股模型，该模型通过结合线性算法（弹性网络提升）、因子层面的简单移动平均平滑技术和年度因子选择与月度权重更新的系统化架构，成功实现了低换手率与持续阿尔法收益之间的最优平衡，并在全球发达市场与新兴市场的回测中展现出强劲且可扩展的绩效，尤其适合大规模、长周期的机构投资策略。 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FATE（Financial Affinity-based Diffusion Transition Embedding）的新型金融时间序列可视化算法，通过结合定制化的距离度量和基于扩散映射的降维技术，有效解决了传统方法在金融数据可视化中面临的噪声干扰和结构模糊问题。该算法允许采用相关性距离、传递函数信息距离和时间滞后Hellinger距离等多种度量方式，并通过扩散步骤和f-散度优化增强了数据结构的鲁棒性。实验表明，FATE不仅能清晰区分股票市场中的行业板块结构，还能准确识别合成ARMA时间序列中相近模型的细微差异，特别是在使用传递函数信息距离时表现最优。研究强调了距离度量选择对揭示数据结构的关键作用，为金融时间序列分析提供了更强大的可视化工具。

该论文提出了一个名为“五重奏”（Quintet）的模块化成交量预测框架，旨在提供一个比传统“黑箱”模型更透明、更精确的解决方案。其核心是将复杂的预测任务分解为五个协同工作的子模型：首先，在交易开始前，通过一个结合了20日几何平均、ARMA动态调整和特殊日历效应的日度成交量模型，一个可根据隔夜跳空和预期总量动态调整的盘中U型曲线模型，以及一个独立的收盘集合竞价模型，共同生成一个基于历史数据的“先验”预测。然后，当交易开始后，模型最关键的部分——一个贝叶斯推断模型——会启动，它将这个先验预测与实时观察到的盘中成交数据进行动态融合，从而持续地更新和修正对全天总量的预测。整个框架通过这种方式，巧妙地平衡了历史规律的稳定性与当日市场动态的即时性，最终实现了一个高精度且易于理解和维护的成交量预测系统。

这两篇论文提出并系统阐述了“基于相关性的预测”这一新框架，核心思想是用马氏距离度量历史样本与当前情境的“相似性”及其自身“信息量”，合成为“相关性”后加权历史结果进行预测；引入“拟合度”作为事前即可评估的预测可靠性指标；通过同时优化样本子集与变量组合的“CKT回归”，在保持与线性回归的理论一致性的同时，克服其线性假设与模型僵化，又避免了主流机器学习算法的黑箱与过度依赖经验调参，实现透明、灵活且非任意的高适应性预测。

该论文旨在解决量化交易策略参数优化中的核心挑战：如何在巨大的参数空间中，为评估成本高昂且形式未知的“黑箱”目标函数（如夏普比率）找到最优解。文章提出采用贝叶斯优化作为一种系统性的智能搜索方法。该方法通过构建目标函数的概率代理模型，并利用采集函数来智能地平衡对高潜力区域的“利用”和对不确定性区域的“探索”，从而能以远少于随机搜索的迭代次数，定位到更优的参数配置。通过一个配对交易策略的实证分析，论文表明贝叶斯优化能够显著提升策略的夏普比率。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

德意志银行2024年12月6日发布的《单只股票日内交易》研究报告探讨了股票在日内和隔夜交易中的回报模式，发现过去隔夜回报与未来隔夜回报呈正相关（动量效应），而与未来日内回报呈负相关（反转效应），反之亦然。这些模式在全球范围内具有持续性，可用于构建交易信号，产生显著的经济收益。报告还指出这些效应可能与散户投资者在开盘时的交易行为导致的错误定价有关。考虑到开盘的低交易量，市场影响和容量成为关键问题，研究展示了单期优化（SPO）和多期优化（MPO）如何通过减少市场影响提升策略表现，其中MPO能将净夏普比率提高15%-20%。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该研究提出以事件强度而非传统日历时间衡量投资回报更具信息价值，基于信息理论将时间重新标度为事件单位，使每个回报对应相同程度的事件强度。通过马氏距离量化事件强度，研究发现事件时间下的回报分布更接近正态分布且资产协同变动更稳定，从而提升统计推断的可靠性。实证显示，事件时间视角下股市崩盘的异常性显著低于日历时间评估，表明传统方法可能低估极端事件发生概率。研究对压力测试、绩效评估和组合构建具有实践意义：压力测试需更保守的风险假设，绩效评价应基于事件强度而非固定时段，而组合优化采用事件时间估计的波动率和相关性可增强抗风险能力。研究为投资分析提供了基于信息理论的新框架，强调事件驱动的时间标度能更准确反映市场动态。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该研报提出了一种结合深度学习与变点检测（CPD）的新型动量交易策略，通过将在线高斯过程变点检测模块嵌入深度动量网络（DMN）框架，有效提升了传统动量策略在剧烈市场变化（如2020年市场崩盘）中的适应能力。研究表明，该策略能够动态平衡慢速动量（利用持续趋势）与快速均值回归（捕捉局部价格反转），通过变点严重性评分和位置参数指导LSTM模型优化仓位配置。在1995-2020年回溯测试中，引入CPD模块使夏普比率提升33%，尤其在非平稳市场表现突出，夏普比率提升约70%。该方法避免了人工设定阈值，通过数据驱动方式识别不同强度的市场失衡，显著优于传统时间序列动量策略和基准模型，同时降低了波动率和最大回撤，为量化投资提供了更稳健的解决方案。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇论文系统性地研究了如何精准预测多资产类别下各类投资因子的长期波动率，旨在填补因子投资风险管理领域的空白。它利用了一个覆盖股票、固定收益、大宗商品和外汇的广泛数据集，其中包含21个因子策略，历史数据可追溯至1969年。论文通过构建一系列逐步复杂的预测模型，发现预测的准确性存在一种单调提升关系：使用更长的历史数据回看期和预测更长的未来时间窗口，能有效过滤短期市场噪音，从而得到更可靠的预测结果。研究进一步证明，一个综合考虑了长期均值回归效应、短期波动率聚集特征，并创新性地引入外部宏观经济变量（如全球财政平衡、通货膨胀和收益率曲线陡峭度）的复杂模型，其预测效果最优。此外，研究还指出固定收益和套利类因子的波动率可预测性最高，且多因子组合的波动率比单一因子更易预测。这些核心发现在严格的样本外测试中得到了验证，证实了该方法的稳健性和现实应用价值。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该研究提出了一种通过多任务神经网络统一资产排名和投资组合权重分配的新方法，与传统分离两步骤的方法不同，该方法同时学习资产排名和优化多空头寸的资产数量，从而更好地在模型预测阶段对齐投资者偏好。实验使用中国A股历史周数据表明，将投资组合权重分配纳入多任务学习框架显著优于依赖启发式或历史估计的基准方法，提升了样本外财务表现，同时有效学习投资组合约束并平衡资产排名与权重优化的权衡。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

本文通过实证研究发现：在期货统计套利策略中，**跨商品配对（不同基础商品的合约组合）的收益显著高于同商品配对（同一商品不同到期日的合约组合）**。该结论在能源、金属及股指期货市场普遍成立，尤其能源领域跨商品策略年化夏普比率达1.29（同商品仅0.33）。核心原因是产业链关联商品（如原油与汽油）的定价偏差机会远多于单一商品的期限价差，且跨商品收益受期限结构斜率影响显著。研究为期货套利策略优化提供了明确方向：应优先挖掘具有经济逻辑关联的跨商品组合。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该研究探讨了利用监督机器学习技术预测外汇市场中买卖价差的可行性，通过详细的市场分析揭示了外汇价差的重要特征，并证明将这些特征纳入模型能显著提升预测性能。研究发现，外汇市场的流动性分布不均，交易成本受时间、市场条件等因素影响显著，价差预测对优化交易时机至关重要。文章比较了多种机器学习算法（如随机森林、XGBoost等）的表现，结果显示随机森林模型预测误差平均为17.6%，优于传统线性模型。研究还强调了跨市场波动性溢出效应和时间序列特征（如周内和日内模式）对预测的关键作用，为未来结合宏观经济指标等扩展研究提供了方向。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai