该研报提出了一种创新的“集束收缩估计器”，旨在解决传统协方差矩阵收缩估计方法在处理包含股票、债券、商品等多资产类别的投资组合时表现不佳的问题。其核心思想是“先聚类、后收缩”：首先利用一种谱聚类算法，根据协方差矩阵的内在结构，自动将统计特性相似的资产划分到同质的组别中；然后，在每个组内部再分别进行更具针对性的收缩估计。为了使该方法更加智能和实用，论文还设计了一种“自适应”算法，通过分析样本特征值的分布来自动确定最佳的资产分组数量，无需人为指定。实证结果表明，这种结合了自动聚类和分层收缩的新方法，其表现优于多种现有的顶尖收缩估计器，为大规模、异构资产组合的风险管理和投资优化提供了更精确、更强大的工具。

这篇研究报告旨在解决金融领域中极具挑战性的“因子择时”问题，为克服影响因子表现的变量众多、关系复杂、动态时变以及因子间存在共同结构这四大难题，作者创新性地提出了一种带有经济学动机约束的深度学习模型——动态多任务神经网络（DMT）。该模型的核心在于，它利用多任务学习（Multi-task Learning）架构在一个统一的框架内同时预测所有因子的表现，从而有效捕捉它们背后共同的潜在驱动因素并防止过拟合；同时，它还整合了长短期记忆网络（LSTM）来动态地从海量宏观与金融数据中提取时变的状态信息。

这份研报介绍了Clara模型，该模型通过系统性、基本面和宏观分析多维框架识别可能长期表现不佳的股票，其核心基于七个支柱（包括基本面健康、估值、技术触发等），使用弹性网络增强算法整合约50个因子来预测下行风险；研究表明模型在12个月内 flagged股票表现差4.4%、两年差7.0%，成功率达72%且在市场压力时升至90%，具有低周转率（年84%）和跨周期稳健性，为投资者提供可持续的失败预警。

该研报提出了一种基于投资策略相对表现而非宏观经济条件的市场状态概念，并设计了一个混合识别-预测框架，该框架结合统计跳跃模型进行机制识别、XGBoost分类器进行机制预测以及基于投资组合表现的超参数优化，旨在识别策略持续跑赢/跑输的市场模式并学习其驱动条件；通过1960-2024年美国股票因子数据的实证分析，研报证明将机制感知预测应用于因子分配策略（如主动因子配置和互补因子动态切换）能显著提升夏普比率和信息比率。 ####################### 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。

这篇研报探讨了如何通过使用自定义损失函数来改进机器学习算法对资产回报的预测，指出标准对称损失函数（如均方误差MSE）忽略了预测错误的经济后果不对称性（例如小错误可能导致投资损失而大错误可能无影响），因此作者开发了多种自定义不对称损失函数（如AdjMSE系列），并在深度学习模型上测试其效果；实证结果表明，这些自定义函数显著提升了预测性能，风险调整回报指标（如夏普比率）比MSE翻倍，优于买入持有策略，从而证明了定制损失函数在金融预测中的实用性和稳健性。 ####################### 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。

该研报探讨了利用机器学习模型预测股票日内已实现波动率的方法，通过汇集多只股票数据以捕捉日内波动率的共性，并引入市场波动率作为代理变量增强预测效果；研究发现神经网络因能建模变量间复杂非线性关系而显著优于线性回归和树模型，且模型在未参与训练的新股票上表现稳健，证实了股票间存在普遍波动机制；此外，研报提出使用过去日内波动率而非日度数据预测未来波动率的新方法，揭示了日内时间效应的重要性，并在样本外测试中证明其优于传统基线模型。 ####################### 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。

本研究通过将股票日收益率分解为隔夜和日间成分，构建有向网络来捕捉市场整体的领先-滞后关系，并开发了一种基于聚类的投资组合策略，利用专门的谱聚类算法识别领导者和滞后者群体，从而隔离跨股票互动而非个股自相关；实证结果表明，跨股票的拔河现象能产生显著回报和alpha值，且近年来表现优于个股反转策略，反映了噪声交易者和套利者在投资组合层面的网络化交易行为。 ####################### 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。

该研报探讨了将量子概率理论应用于金融领域（特别是期权定价）的框架，提出量子概率通过用算子替代随机变量、处理不兼容观测及市场自反性等问题，能够更有效地刻画金融市场的复杂性和不确定性，为金融建模提供了比经典概率理论更优的理论基础。 ####################### 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。

该研报介绍了MARS（Macro Allocation and Risk System），一种基于贝叶斯统计和现代宏观经济理论的新型系统性投资策略框架，旨在克服传统策略依赖单个资产信号和临时程序导致的适应性不足和过拟合问题。MARS通过联合建模资产价格与宏观经济变量的相互依赖关系，结合即时预测技术和神经网络进行动态投资组合优化，从而提升预测准确性、支持情景分析和改善风险管理，提供一个更透明、灵活且适应市场变化的全面解决方案。 ####################### 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。

该研究探讨了波动率不对称性（通过相对符号跳跃RSJ指标衡量）对大宗商品横截面收益的解释能力，发现将已实现方差分解为上行和下行分量后，RSJ指标能显著预测未来收益：做多RSJ最高组别并做空最低组别的策略可获得-6.29%的年化超额收益，且该策略在35年间累计收益达484%。通过Fama-MacBeth回归验证，RSJ因子的定价能力独立于市场、Carry、动量等传统因子，也与高阶矩指标如已实现偏度存在差异，表明波动率方向性分解为大宗商品定价提供了增量信息。 ####################### 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。

EP198用图论捕捉分析师预期中的alpha该研究报告的核论点是，传统分析师“一致预期”的计算方法（如简单平均数）存在缺陷，因为它忽略了分析师之间相互影响的现实。报告创新性地采用图论（Graph Theory）构建了一个“分析师网络”，将每位分析师视为一个节点，并根据他们预测值的差异来定义节点间的距离。通过计算网络的“中心性”，报告识别出处于所有观点最中心位置的预测，并将其定义为“智能共识”（Smart Consensus）。结论证明，基于这种“智能共识”构建的投资策略能够产生显著的超额收益（Alpha），其表现优于传统方法。此外，该网络模型捕捉到的信息与基于分析师个人历史表现的传统模型是互补的，将两者结合使用可以获得最佳的预测效果。 ####################### 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。

这篇论文发现，在全球各类资产中普遍存在一种强大且被忽视的“隔夜-日内反转效应”（CO-OC Reversal）。研究表明，通过利用资产的隔夜收益（从前日收盘到当日开盘）作为预测信号，来交易其随后的日内收益（从开盘到收盘），可以构建一个在股票指数、利率、大宗商品和外汇期货中均能获得显著超额回报的策略。论文指出，这种现象并非源于传统的投资者行为理论，而可以通过一个统一的“特定于资产类别的流动性供给”机制来解释：该策略本质上是在模仿开盘时的做市商，通过在不确定性较高的隔夜时段后提供日内流动性来赚取风险溢价。基于这一普遍规律，论文还创新性地构建了一个全球双因子模型，能有效解释不同资产类别的日内收益变化，为跨资产定价理论做出了重要贡献。 ####################### 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。