净值还在水上 - 节目列表

这篇论文《End-of-Day Reversal》由Guido Baltussen、Zhi Da和Amar Soebhag撰写，研究了股票在交易日最后30分钟内出现的显著日内反转现象（“end-of-day reversal”）。研究发现，个股在交易日早期的表现与最后半小时的回报呈负相关，这种反转模式在经济和统计上都具有高度显著性，并且与市场日内动量不同。研究排除了流动性或伽马对冲效应的解释，认为这种现象主要由日内输家的正价格压力引起，其背后的原因可能与零售投资者在交易结束时的“逢低买入”行为以及做空者在收盘时的风险管理有关。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

德意志银行研究报告《Finding Alpha in the Noise: A Fresh Take on Cross-Sectional Mean Reversion》，在2021年3月提出的横截面均值回归因子基础上，通过信号和投资组合构建层面的改进，提升了回归阿尔法的性能和容量，同时降低了换手率。报告详细介绍了如何更高效地使用日收益数据、如何利用收益日期提升预测能力、如何通过交易量信息改进信号、如何将新闻情绪与回归有效结合，以及如何通过控制换手率来增强容量。这些改进措施经过了严格的样本外回测，结果稳健。报告强调，均值回归作为一种短期阿尔法策略，能够提供与传统风险因素不相关的回报流，有助于增加现有投资组合的多样化。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这篇报告介绍了高频CFTC净持仓预测模型的扩展，该模型旨在减少传统每周数据发布滞后带来的影响。报告指出，模型已从最初的17个期货扩展至38个，涵盖股票、固定收益、商品和外汇等多个类别，且在大多数商品上展现出较高的样本外预测能力，但在宏观驱动的品种上表现欠佳。此外，报告还更新了基于高频预测的VHP（对冲压力变化）策略，并设计了一种基于动量的交易策略，结果显示模型预测在多个资产上相较于传统每周数据有显著改进。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这份 J.P. Morgan 于 2024 年 12 月 4 日发布的研报，聚焦跨资产期货市场动量分析。报告先将跨式期权（delta-of-the-straddle DS）动量信号应用于该市场，与其他常用动量信号对比回测盈利能力；接着引入基于相关性的网络动量概念，构建相关网络并计算信号。通过构建波动率调整组合回测发现，DS信号表现较优。研究还依据资产平均相关性的 z 分数动态切换个体与网络动量信号，结果显示这种切换提升了夏普比率，增强了策略表现。当前，基于表现最佳的信号，研报建议关注最新的 252 天DS动量信号进行交易，并结合基本面分析给出部分商品的投资观点 。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这篇由J.P. Morgan发布的研报介绍了一种系统化的方法，通过定量技术分析来识别外汇和商品市场中的均值回归机会。报告详细阐述了如何利用算法识别动量背离模式，并结合机器学习来提高信号的准确性。研报还介绍了“预测锥”这一工具，用于评估系统信号的价值，并通过在多个市场（如USD/KRW、EUR/USD、USD/MXN、USD/JPY、铜、黄金和WTI原油）中的应用，展示了该方法的有效性和潜在的局限性。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这篇研报由J.P. Morgan在2019年11月7日发布，主要探讨了如何应用机器学习技术来预测美元的走势。报告中，研究团队使用了超过360个特征，涵盖20种货币的宏观经济和市场变量，通过随机森林（Random Forest）和支持向量机（Support Vector Machines）两种机器学习模型，对美元未来一个月的方向进行预测。研究发现，随机森林模型在预测美元方向上的表现优于支持向量机，准确率达到61%，风险调整后的回报率为1.181。关键特征包括经济增长、贸易平衡、市场压力指标等。报告的结论是，机器学习技术在预测美元走势方面具有显著的潜力，为外汇市场分析提供了新的视角。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

J.P. Morgan的这篇研报提出了一套基于量化模型的市场状态分类框架，通过水平（当前值对比长期均值）、变化（趋势方向）和凸性（趋势加速度）三个维度将市场动态划分为8种状态（如“高增长加速”“衰退减速”），并结合GDP、CPI、收益率曲线、VIX等核心指标的历史数据，分析每种制度下股债资产的历史回报规律。模型通过转移矩阵量化状态间的转换概率，动态预测未来资产收益，并采用夏普权重和比率均值权重优化配置。回测显示，该策略显著提升了夏普比率（股票策略从0.66升至0.77），降低了极端回撤（如2008年股票回撤比基准减少33%），且在60/40股债组合中年化收益达8%（夏普1.04），优于传统配置。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这份研报由摩根大通全球定量和衍生品策略团队于2024年10月3日发布，主要探讨了如何利用生成式人工智能（GenAI）和大型语言模型（LLMs）进行金融分析。报告首先介绍了人工智能的最新进展，并提供了使用GenAI的指南，强调了有效提示（prompting）的重要性。接着，报告通过多个实际案例，展示了如何在金融分析中应用GenAI，包括结果分析、财务报表分析、会议记录分析等。此外，报告还讨论了如何从PDF文件中提取数据、总结和提取关键信息，以及行为和语言分析在AI交互中的应用。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这篇论文研究如何利用偏矩改进中国商品期货市场的时间序列动量策略。研究发现，通过每日收益率计算的尾部分布的上、下偏矩可以部分预测时间序列动量的逆转。基于此，论文提出一种基于规则的方法来改进交易信号，实证结果表明，这种方法显著提高了样本外夏普比率，且结果对不同的回溯窗口具有稳健性。 论文还分析了偏矩与动量反转之间的内在联系，以及夜盘交易规则对市场的影响。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这篇论文综述了金融计量经济学中关于利用高频日内数据构建的已实现波动率度量来衡量、建模、预测和定价“好”波动率和“坏”波动率的最新进展。文章首先讨论单变量半方差测度，然后讨论多变量半协方差和半贝塔测度，最后简要讨论更丰富的部分（协）方差测度。重点关注这些测度的实际应用，并强调迄今为止在波动率预测和资产定价方面最值得关注的实证结果，包括利用这些测度改进波动率预测和资产定价模型。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这篇研报由UBS在2025年1月发布，主题是探讨如何利用UBS的Industry Network Intelligence（行业网络智能）来增强动量信号。研报指出，尽管市场信息越来越快地被定价，但简单的动量策略仍然有效。通过分析公司与其同行之间的关系，发现网络动量（network momentum）对传统动量信号有增量价值。过去五年中，结合网络动量的长短期策略比仅使用动量策略获得了更高的回报（11.6% vs 9.7%），且信息比率（IR）相似。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这份来自法国兴业银行(Societe Generale)的研报探讨了商品市场中各种系统性量化投资策略。报告详细分析了多种策略，例如期限结构、均值回归、趋势跟踪、以及基于市场流动性和仓位变化的策略，并评估了它们的长期表现、风险和相互关系。此外，报告还研究了这些策略在不同宏观经济环境下的表现，以及它们如何与传统投资组合（例如60/40组合）相结合以实现多元化和提高夏普比率。最后，报告提供了将这些商品量化策略整合到投资组合中的方法和建议。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai