净值还在水上 - 节目列表

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

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