净值还在水上 - 节目列表

这份UBS研究报告《Distilling return information in futures positioning》详细探讨了如何从CFTC期货持仓数据中提取有价值的投资信号。报告系统性地分析了不同类型交易者（如投机者和对冲者）的持仓情况对未来市场回报的预测能力，提出了多种信号构建方法，包括净持仓比率、Z-score标准化、持仓变化和持仓动量等。研究发现，持仓变化信号通常比持仓水平信号具有更强的预测能力，且不同类型交易者在不同资产类别上的预测能力存在显著差异。报告还构建了一个基于风险平价原则的多资产投资组合框架，将这些持仓信号应用于股指、国债、商品和货币期货等多种资产类别，回测结果显示策略在2000-2022年间表现良好，年化夏普比率在0.7-1.0之间。此外，报告还详细讨论了策略实施的各种实际考量，包括交易频率、执行方式、风险管理以及数据滞后等局限性的应对方法。

这三篇红利投资研报构建了一套完整的量化投资体系： 首篇解析全球红利股特性，指出中等偏高股息率叠加动量筛选策略的优越性，并推出预测股息增长的GRID机器学习模型； 第二篇聚焦危机中的股息削减，开发DISC模型预警潜在风险股及PADS模型捕捉“削减后继续下跌”的做空机会，提供差异化对冲工具； 第三篇集成前两篇成果，推出融合线性与非线性算法的MIND模型及三大落地策略——高股息成长（ARDG）、绝对收益高息（ARHY）和增强指数（EIHY），在控制波动与跟踪误差下实现年化6%-8%超额收益。 全系列通过动态因子建模、情境分析和实时校准，为不同风险偏好的投资者提供了从防御配置到对冲交易的系统化红利投资工具箱。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报主要介绍了N-LASR(非线性自适应风格轮动)模型在股票选择中的应用。该模型基于自适应提升技术，使用114个特征预测MSCI世界指数中约1,200只高流动性股票的收益。研报采用四种训练模型(长期、短期、季节性和对冲)进行信号融合，并与随机森林等其他机器学习方法进行比较。结果显示，尽管模型在过去5年表现略有下降，但仍保持较高的夏普比率(超过1.0)，且对滑点敏感度较低，周单向换手率适中(约20%)。研报还验证了模型在考虑执行延迟、交易成本和资产数量限制等实际因素后的稳健性，证明机器学习方法在量化投资中具有持续价值。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

本研报推出了QES核心因子库2.0（CFL2），作为对原有CFL的扩展升级，结合后包含近400个全球股票选择与风险信号，覆盖15,000只股票及40年的历史数据。CFL2聚焦会计质量、税收策略、现金流分析、市场动态信号等维度，引入119个新因子，旨在提升因子投资的精细化与前瞻性。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

本报告聚焦于外汇市场短期波动率预测（以欧元/美元EUR/USD为标的），提出一种结合季节性调整和经济事件影响的新框架，旨在解决传统模型在高频数据预测中的局限性，并验证其在交易策略中的应用效果。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

研报提出了一种利用普通看跌期权对冲尾部风险的统一框架，通过设计自适应的效用函数优化carry（持有成本）和convexity（凸性）的权衡，引入替代carry计算方法和经验性四因子模型分析现货-波动率动态，并结合条件性delta对冲策略，实现灵活、高效的全天候投资组合保护，经过广泛回测验证其在多种市场下跌场景下的适用性。 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Instrumented Principal Components Analysis（IPCA）的因子模型，用于研究S&P 500指数期权回报的风险-回报特性。论文利用1996年至2017年的日频数据，发现一个包含三个潜在因子的模型（可解释为水平、斜率和偏度因子）能解释期权回报横截面超过85%的变异性，相较传统无套利定价模型更灵活且拟合效果更佳，同时通过样本外交易策略验证了其实践价值，尽管因子解释性和非线性假设等方面仍有改进空间。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研究报告由德意志银行发布，探讨了量化投资中风格轮动（style-timing）的可行性和价值。报告通过完美预见模拟分析表明，尽管风格轮动因因子权重随时间变化而增加交易成本，其实现超额收益的门槛较高，但并非不可逾越。实证结果显示，德银的QCD alpha模型通过适度的风格轮动策略，成功超越了模拟中设定的盈亏平衡点，证明合理设计的多因子量化模型能够在考虑成本后通过风格轮动创造价值，同时强调了因子选择和时机把握的重要性。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这份研报主要探讨了系统性主题投资和风险管理，介绍了QesDKG（金融动态知识图谱）及其在投资中的应用。报告强调了利用大型语言模型（LLM）和生成图学习模型（KGTransformer）来捕捉金融系统中的复杂关系，并提出了基于主题的投资组合构建和动态风险对冲策略。此外，报告还探讨了如何通过主题特征改善多因子风险模型的解释能力，以及STAR投资策略的动态主题轮换方法，以应对快速变化的市场环境。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

Societe Generale研报提出了一种基于外汇市场的均值回归交易策略，利用VAR(1)模型识别均值回归和趋势跟随篮子，通过动态权重调整、延迟交易和成本敏感优化降低高频交易成本，并聚合日频、周频等多频率策略以分散风险，模拟显示较长估计窗口（如120天）和多频率组合可实现稳定收益，夏普比率接近1。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

Wolfe Research的研报《The Power of Gold and Platinum》利用黄金铂金比作为经济周期的代理变量，通过稳健回归分析股票对该比值的敏感度，发现周期性行业如材料和通信服务暴露较大，并预测铂金价格以形成前瞻性比值；同时研究表明该比值与衰退风险呈显著负相关，但更适合与其他模型结合使用，投资策略上推荐根据敏感度选股并结合GTAA模型超配信息技术等行业。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报探讨了在知识经济时代，无形资产对企业估值与资产定价的核心影响。研究发现，传统会计准则将研发（R&D）和销售管理费用（SG&A）全额费用化，导致企业账面价值和盈利能力被严重低估，尤其对科技、医疗和通信等高增长行业及成长型企业影响显著。通过将历史R&D和SG&A支出资本化并合理摊销，研究团队构建了**无形资产强度（IAI）、知识资本强度（KCI）和组织资本强度（OCI）**三个因子。实证表明，这些因子与传统风险因子（如价值、动量）相关性低，能有效解释股票横截面收益差异，且在科技板块表现尤为突出。 进一步分析显示，调整后的账面价值（加入无形资产）显著优化传统估值因子（如市净率）的表现。风险中性化后的IAI因子（RNIAI）年化阿尔法达8.5%，夏普比率提升至0.9倍，成为具吸引力的风险溢价来源。研究强调，无形资产信息不对称可能导致定价偏差，其量化模型为投资组合构建和风险管理提供了新工具，尤其适用于成长型策略优化。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai