净值还在水上 - 节目列表

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

该研究利用机器学习技术分析了美国股市153个多空因子组合的横截面收益可预测性，发现因子动量是驱动收益预测性的关键因素。通过242个因子特征（包括历史收益、风险和价值差）构建预测模型，研究发现预期收益最高的十分位因子组合每月可超越最低组合1.39%，但这一预测性随时间逐渐减弱。惩罚回归（如LASSO和弹性网络）表现最佳，预测R²达0.6%，而复杂模型（如神经网络）未能显著提升预测效果。因子动量不仅主导了变量重要性排名，还解释了机器学习策略的全部超额收益，控制后其alpha不再显著。研究证实了因子收益的强横截面可预测性，但强调其经济价值主要源于因子动量效应，为量化投资中的动态因子配置提供了实证依据。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇德意志银行的研究报告核心论点是，与其寻找全新的因子，不如通过对现有纯多头系统性因子策略的构建流程进行一系列精细化改进，从而显著提升策略表现。报告提出了四个关键的优化环节：一是在因子选择上，用相关性更低的“截面均值回归”因子替代传统的“低贝塔”因子以增强分散化；二是在因子构建上，采用更精细的框架，对金融、地产等特殊行业进行专门定义以增强因子稳健性；三是在风险优化中，提出一个关键创新，即改变优化目标，仅最小化无法带来回报的“特定风险”而非“总风险”，从而在同等波动率下获得更高效的因子敞口；四是在回撤控制上，将“平均回撤”作为直接约束条件加入优化器，实现对下行风险更主动的管理。综合这些方法，报告证明了可以在不显著增加策略整体波动率的情况下，有效提升长期回报并改善回撤表现。

摩根大通的这篇论文详细介绍了一个基于多因子的先进框架，旨在优化传统的备兑看涨期权（Call Overwriting）策略。该框架的核心思想是摒弃机械化、系统性地卖出期权的做法，转而采用一种更智能的选择性方法。具体而言，该策略首先会筛选并剔除那些存在波动率特征不佳或临近财报发布等风险的股票，然后利用一个复合信号来指导决策。这个复合信号是通过一种“最大投票机制”产生的，即让多个量化因子对是否卖出看涨期权进行“投票”，只有当多数因子达成共识时，策略才会执行卖出操作。这种整合多方见解的方法，旨在打造一个更具韧性和平衡性的策略，虽然它可能不会在每年都超越表现最好的单一因子，但能稳定地避免依赖单一因子可能带来的巨大风险，从而在多变的市场环境中实现更可靠和持续的增强收益。

摩根大通的这份报告提出了一种创新的“尾部交易”策略，旨在将市场极端下跌的“尾部风险”从传统对冲的成本中心转变为一个盈利机会。该策略的核心是放弃持续支付“保险费”的传统对冲模式，而是通过一个明确的信号——即VIX期货期限结构倒挂——来识别市场进入极度恐慌的“类尾部时期”。一旦信号被触发，策略将同时执行一个由三个支柱构成的组合交易：首先，通过做多股指期货（Delta交易）来捕捉市场恐慌见顶后的现货反弹；其次，通过买入并进行Delta对冲的看涨期权（Gamma交易），从被市场低估的实际波动率和上行潜力中获利；最后，通过做空VIX期货（Vega交易）来押注极端高企的波动率将向均值回归。这个三支柱框架通过在不同维度上分散风险来捕捉危机后的系统性市场行为，旨在不产生日常拖累成本的前提下，于市场动荡期间创造稳健的利润，从而可以作为现有投资组合或对冲策略的强大叠加层，显著改善风险调整后的回报。

论文提出了一种在高维环境下（即多因子和多预测变量）进行股票因子择时的框架，通过将因子收益与滞后预测变量交互构建因子择时组合，并采用多层收缩方法（包括协方差矩阵收缩、权重收缩和因子轮动约束）来抑制过拟合风险，确保样本外表现稳健。实证分析显示，结合宏观经济变量和因子特异性预测指标（如价值利差、动量等）的择时策略能显著提升夏普比率，即使在大市值股票因子或大规模因子库（如Jensen等提出的131个因子）中仍有效。该方法通过动态调整因子暴露捕捉时间变化的收益预测信号，同时避免极端杠杆，经交易成本调整后仍优于静态组合和等权策略，表明高维因子择时具有实际可行性。

论文提出集成多深度强化学习代理的股票交易架构，每个代理分别处理不同价格图表（笛卡尔坐标图、极坐标图、K线图），通过近端策略优化（PPO）算法学习交易策略。实验显示，组合策略在S&P 500等资产上显著优于单一图表策略：回溯测试中52项财务指标有50项领先（如原油交易年化回报达102%，索提诺比率4.2），关键优势在于多图表融合提供跨时间维度的市场视角，有效区分噪声与真实信号，并通过遗传算法调参和区块交叉验证降低过拟合风险。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai