研报提出了一种创新的机器学习资产定价模型，通过双神经网络架构突破传统线性因子模型的局限性。该模型将资产特征非线性映射为动态风险暴露（Beta），同时从市场数据中自动提取潜在风险因子（5个主因子+市场因子），两者联合优化以解释跨资产收益。相比传统方法（如Fama-French），这种框架无需预设因子，既可捕获复杂特征交互，又能通过集成训练（30次模型中位数）提升稳定性。基于此构建的四大策略表现显著：风险溢价策略（年化超额5.6%）、均值回归策略（捕捉定价误差反转）、因子动量（动态追踪12月强势因子）及多因子组合（Sharpe达1.7），均通过流动性优化和系统性风险对冲实现可投资性，在危机期间（如2020年3月）展现差异化互补优势，标志着因子投资进入非线性机器学习时代。

这份研报由深入探讨了如何通过系统化的投资策略捕捉左偏态分布中的风险溢价；报告指出，在资产回报分布呈现左偏（即左侧尾部风险较重，可能出现较大损失）时，市场往往低估了这种风险的定价，从而为投资者提供了获取超额收益的机会；作者分析了相关的理论框架、市场数据和历史表现，提出利用期权、衍生品或其他对冲工具识别并提取这一风险溢价的具体方法，旨在帮助投资者在波动性和不确定性较高的环境中优化回报。

这篇论文系统研究了高频交易中因交易成本导致的极端标签不平衡问题（80%样本为中性无收益类别），提出了结合时序建模与损失调整的解决方案。研究采用LSTM和Mamba架构处理60秒窗口内的13维微观市场特征（如订单簿价差、波动率等），对比了动态欠采样、固定损失权重（少数类权重提升8倍）、焦点损失及类敏感损失四类策略，验证了Mamba模型与固定权重组合在六种中国期货品种上夏普比率提升60%的显著效果。实验发现跨品种训练可缓解小品种过拟合，同时揭示了数据噪声与领域偏移的挑战。论文提出未来结合Transformer预训练和生成式数据增强的方向，并通过开源代码为实际交易系统提供模块化实现参考。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报系统性地构建了四类趋势识别模型——方差缩放（如赫斯特指数与方差比率）、贝叶斯变点检测（Karatzas方法与投影滤波）、启发式规则（CCRT延续/反转统计）及非参数检验（Mann-Kendall秩次相关性）。同时提出日内相关性断裂策略：基于5分钟数据捕捉高相关资产对的趋势背离，动态调整对冲比例并辅以波动率自适应风控。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报提出了一套系统化的尾部风险对冲框架，聚焦于通过普通看跌期权平衡持有成本（Carry）和极端市场条件下的凸性保护（Convexity）。报告引入替代性Carry计算模型，通过分离Gamma协方差和波动率溢价优化成本预估，并结合四因子动态波动率模型（涵盖平值波动率、偏度、蝶式及期限斜率）精准模拟市场崩盘时的波动率曲面变化。通过条件性Delta对冲机制（分段调整对冲比例）实现危机期保护与成本缩减的双重目标，回测显示该策略在2006-2022年多市场周期中显著优于传统长周期期权持仓，尤其在2020年新冠及2022年高波动环境下，灵活兼顾对冲效率与成本控制，为抵御各类尾部风险提供了可动态优化的系统化工具。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

本期我们探讨协整模型在统计套利中的应用，探讨了如何利用协整关系设计稳健的均值回归策略，并针对传统协整分析的局限性提出了实践的观察。

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