该论文提出了一种利用聚类算法来改进传统配对交易策略的框架。其核心思想是，在直接寻找股票配对之前，先根据特定的相似性度量将股票池（本文使用标普500成分股）分组成不同的簇。论文重点比较了三种不同的距离度量方法对聚类和最终交易性能的影响：经典的欧氏距离、基于主成分分析的距离，以及一种新颖的、能够剔除共同市场因素影响的“偏相关系数”距离。通过在2000年至2023年间的详尽回测，研究发现，所有基于聚类的策略均能产生显著的超额回报，而使用“偏相关系数”作为度量标准的策略在风险调整后收益（如夏普比率）上表现最佳。这证明了通过机器学习识别股票间更深层次的经济关联，可以有效提升配对交易策略的盈利能力和稳健性。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

本研究系统性地评估了时间序列动量（TSMOM）策略在中国大宗商品期货市场中的有效性。研究发现，该策略能够显著战胜传统的被动做多策略，尤其在市场下跌期间表现出强大的风险对冲能力。论文的一个核心贡献是验证了波动率管理技术的重要性，即通过根据商品的历史波动率来动态调整投资权重，可以极大地提升策略的风险调整后收益。通过对收益来源的深入分析，研究揭示了TSMOM策略的成功主要归因于单个商品自身收益的时间序列可预测性。最后，基于这些发现，论文进一步构建并测试了四种增强型策略（波动率平价趋势跟踪、复杂信号TSMOM、趋势指标策略和条件TSMOM策略），这些高级模型在考虑了现实的交易成本后依然表现稳健，证明了其强大的实战价值和适用性。 ############################# 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

这篇文章探讨了如何利用深度学习模型（特别是基于订单流不平衡的循环神经网络如LSTM）从限价订单簿数据中预测股票价格的短期变动，研究发现此类方法在预测性能上显著优于传统线性模型及其他神经网络，并通过跨截面分析表明信息密度更高的股票（即每单位价格变化伴随更多订单簿更新的股票）具有更高的预测准确性。 ##################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

内容介绍：研报提出了一种名为Rulefit的量化选股策略，通过将基于LightGBM集成树模型提取出的交易规则，利用LASSO回归精简为75条核心规则，构建线性模型预测下月股票收益。该策略自2006年以来年化多空收益达8.5%，信息比率超过1，具备良好解释性与稳健性，且对传统风险因子暴露低，表现出持续稳定的alpha。 ######################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

这篇研报提出“Pairs Trading 2.0”策略，用机器学习优化传统配对交易：先在同行业内筛选历史价格高度相关的股票对，当价差偏离2.5倍标准差且随机森林模型预测未来15日将均值回归时开仓，预测继续发散则平仓。模型引入宏观、技术与个股基本面变量，显著减少无效交易、缩短持仓周期，美股回测年化收益达24%，信息比1.05，优于经典2.5σ规则。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报探讨了如何构建稳定可用的神经网络选股模型。研究发现，网络结构不宜过深两层隐藏层（32→16）即可有效捕捉非线性；学习率、dropout、batch size是最敏感的超参，需精细调优以防过拟合。由于金融数据低信噪比、权重初始化导致输出高度不稳定，为此提出集成5–10个相同结构但不同初始权重的网络，显著提高预测一致性并获得稳健的多空组合表现。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该研究通过对长达十余年的布伦特原油期货高频数据进行深度分析，揭示了市场中存在显著且可预测的日内季节性规律。这些规律并非由单一市场的开收盘决定，而是由全球主要金融中心交易时段的接力所驱动，从而在一天内的特定时间点系统性地形成价格的统计性高点和低点。基于这一发现，研究者设计了一种简单的纯时间驱动交易策略，即在历史平均收益率的“低谷”时段买入，在“高峰”时段卖出（或反向做空）。最关键的是，在充分考虑了交易佣金和滑点等现实成本后，该策略依然能够持续产生经过风险调整后的显著超额收益（即正Alpha值），这有力地证明了即使在被认为高度有效的全球性期货市场中，依然存在可供量化交易者利用的微观结构性套利机会。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该论文探讨了在元标签（meta-labeling）框架中，通过模型校准来改进头寸规模（position sizing）方法，研究比较了六种基于预测概率的头寸规模算法（包括模型置信度、全有或全无、线性缩放、NCDF、ECDF和SOPS），并评估了它们的性能指标如夏普比率和最大回撤；结果表明，概率校准显著提升了固定头寸规模方法（如模型置信度和NCDF）的性能，但对于从训练数据估计函数的方法（如ECDF和SOPS），校准带来的改善有限，其中ECDF和SOPS方法在整体表现上最优，为从业者提供了根据风险偏好选择合适方法的指导。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该研报比较了三种特征选择算法（MDA、LIME和SHAP）在随机森林中的稳定性，提出了一种基于排序的"不稳定指数"来衡量特征选择的稳定性。研究发现LIME和SHAP比MDA更稳定，且LIME在排名靠前的特征上至少与SHAP一样稳定，因此最适合用于机器学习模型的人类解释。虽然三种算法选择的特征集不会随着迭代次数的增加而收敛到唯一集合，但特征选择能显著提高各种预测指标的表现，且三种算法的预测性能差异不大。研究还表明，在交易策略的元标记应用中，特征选择可以提高夏普比率和累计收益。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该研报介绍了综合拥挤度因子，该因子通过专有多数据整合每日评估全球约1万只股票的多空拥挤程度，其评分范围从-30（极度空头拥挤）至30（极度多头拥挤）；研究表明，基于该因子构建的多空策略年化收益达5.3%（夏普比率0.83），同时可应用于风险管理和行业暴露分析，并验证了拥挤效应与其他量化因子的独立性及互补性。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该报告提出了一个统一的多因子投资组合构建框架，通过多期优化方法有效聚合具有不同衰减速率和风险特征的多个alpha信号，在管理交易成本与信号衰减的同时提升组合表现的灵活性与精确性，模拟和实际数据验证表明该框架能显著降低成本并增强投资组合绩效。 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基于N期波动率标签和样本筛选技术的机器学习股票交易系统，旨在解决传统涨跌标签系统在股票数据噪声、非线性和复杂性方面的局限性。该方法通过衡量价格波动性来应对市场不确定性，并利用实例选择技术减少数据噪声和规模，从而构建更稳定、长期有效的交易系统。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai