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

这份Wolfe Research的研究报告探讨了亏损公司的投资策略。报告指出，尽管传统估值方法对亏损公司适用性较差，但许多价值、增长、动量和质量因子在亏损公司中表现出更强的预测能力。报告介绍了PLUM模型，这是一个专门为亏损公司设计的股票选择模型，其历史表现良好，夏普比率达1.5。报告还分析了多个现有模型在亏损公司领域的绩效，并比较了通用模型和专门模型的差异，最终得出开发针对亏损公司的专门模型是有效的结论。 欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai

这篇研究论文提出了一种基于强化学习算法的商品交易策略。该算法在包含交易成本和资产动态驱动因素的现实环境中生成交易策略，并在线性因素和二次交易成本的条件下，与分析最优解进行了基准测试。研究还考虑了更贴近实际情况的非线性动态模型，并通过模拟证明，在WTI原油价格的合成数据上，该强化学习算法优于线性化模型的理论最优策略。 文章详细介绍了该算法，包括SARSA算法的改进、神经网络的使用以及模型参数的校准。最后，研究比较了不同非线性模型的性能，并对未来的研究方向进行了展望。

本期我们介绍的论文，利用Nelson-Siegel模型来建模商品期货价格的期限结构，并通过提取水平、斜率和曲率参数中的信息，开发了新的投资策略。研究发现，基于斜率变化的策略能够产生显著的利润，这些利润与之前记录的风险因素无关，并且能够承受合理的交易成本。进一步分析表明，斜率策略的盈利能力随着投资者情绪的增加而增加，部分是对经济放缓期间损失的补偿。此外，该策略的盈利能力可以通过时机选择来放大，并且在Nelson-Siegel模型的不同规格下仍然保持稳健。论文还探讨了斜率策略的表现来源，包括风险补偿和基于情绪的错误定价，并验证了该策略在不同时间段和行业中的持久性。

这份UBS报告利用无监督机器学习和可视化技术，分析了140种金融工具在不同市场中的关联性，旨在识别行为异常的资产。报告通过比较不同时间段（最近两个月和过去三年半）的资产相关性变化，找出与市场整体走势存在显著差异的资产，例如某些农产品、欧洲和亚洲股票市场以及部分货币。报告还提供了市场结构的二维可视化图，展示了资产间的关联模式及其随时间的变化，但并非用于预测市场走势，而是为了提供进一步研究的线索。

这份Wolfe Research的报告介绍了一种新的全球股票选择模型MALTA，该模型利用多分支增强树（MBBT）等机器学习算法，通过整合中期模型、季节性模型、对冲模型和短期模型四个子模型，捕捉金融数据中常见的非线性模式，以期获得更稳健、更低的回撤以及与传统多因子模型相比更低的相关性。报告详细阐述了MBBT算法的原理、优势以及与其他机器学习算法的比较，并分析了模型参数选择、样本大小等对模型性能的影响。此外，报告还介绍了针对长期投资者和高容量投资组合设计的低换手率版本MALTA-HC模型，以及高频统计套利模型MALTA-StatArb。 报告最后比较了MALTA模型与Wolfe Research旗舰模型LEAP的性能和互补性。

这份报告介绍了一种名为StarPerformer的下一代统计套利策略，该策略利用深度学习算法（包括CNN、Conformer等）来预测股票的超额收益。报告详细阐述了模型架构、特征工程、可解释性AI以及自适应训练模块等方面，并通过与其他深度学习算法的比较，展示了StarPerformer模型的优越性能。此外，报告还探讨了将该策略应用于全球市场的可行性，并介绍了一种基于迁移学习的框架，以提升模型在不同地区市场的预测能力。最后，报告分析了该策略在实际投资中的应用，并考虑了交易成本、流动性约束等因素的影响。