这篇研报提出了一种名为CSPO的创新股价预测框架，通过跨市场协同和伪波动率优化两大核心技术提升预测精度。该模型首先构建双层稠密定价转换器（BDP-Former），利用Transformer架构分别建模期货-股票关联和股票间协同关系，有效融合商品期货与金融期货的市场信息；其次创新性地引入伪波动率估计模块，通过贝叶斯神经网络量化预测不确定性，并设计自适应损失函数实现波动率感知的优化过程。实验表明，该框架在工业级回测中显著提升投资组合收益，在公开基准测试中关键指标较现有最优方法提升超过20%，同时通过消融研究验证了各模块的有效性，为融合多市场信息和量化预测不确定性提供了新的研究范式。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报构建了基于LASSO回归和XGBoost的机器学习模型（MLM2），通过380个预测变量（包括国别宏观经济差异、市场因子及全球政策不确定性等交互项）预测G10+1货币对美元汇率。实证显示，线性LASSO模型表现最优，样本外夏普比率达0.7，关键驱动变量为通胀差异与美国金融监管政策不确定性的交互项。该模型在2020年后政策分化期表现突出，并成功应用于套息交易增强策略，当前看跌人民币而温和看涨日元。研究验证了高维环境下线性模型的稳健性，同时强调宏观风险因子在量化汇率预测中的重要性。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

研报《量化关税风险》提出了四种评估企业关税风险敞口的方法：统计层面通过关税情绪指数和国家股指相关性模型（如中国股指敏感度达-0.16）捕捉市场即时反应；基本面分析则结合自研大模型QesGFT解析财报电话会中的关税讨论（如Flex LNG情绪值-0.92）和地理收入数据库（部分IT企业对中国销售依赖超95%）。研究显示，材料、医疗和信息技术板块风险集中，四维框架的交叉验证为投资者提供了动态对冲工具，尤其适用于当前特朗普政府重启钢铝关税（25%）及多国报复性措施下的复杂贸易环境。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

该论文系统介绍了Transformer模型及其核心机制，论证了其在（特别是多步）金融时间序列预测中的适用性，并展示了两个具体的金融应用：利用编码器部分构建趋势跟踪策略（结合弱学习器思想），以及利用完整的Transformer模型进行多期波动率预测以支持投资组合优化。同时，论文也强调了在实践中应用复杂模型于金融领域时需谨慎考虑的因素。 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《Alpha Insights from Global Job Postings Data》利用RavenPack提供的全球招聘数据（2007年起），构建了一套基于招聘趋势、技能需求和地理位置的股票选择模型（JSL模型）。研究发现，公司招聘增长（尤其是技术岗位和发达市场的扩张）能预测未来业绩和股票回报，但长期过度招聘可能反映管理层过度自信。通过分析技能独特性、新技能采用和地理多样性等因子，JSL模型在美、加、欧、亚等市场展现出强劲表现（夏普比率1.2-1.5），为量化投资提供了新的Alpha来源。报告还揭示了区域差异，如美国短期招聘增长利好股价，而欧洲因劳动力成本高可能呈现相反效应。 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名为DSPO（直接排序投资组合优化）的端到端深度学习框架，用于直接从原始多频股票数据构建特征排序投资组合。该框架通过股票级多频融合模块处理高频交易数据和低频基本面数据，利用跨股票Transformer建模全市场股票间的依赖关系，并创新性地设计了单调逻辑回归损失函数（MonLR）来直接优化投资组合排序目标。实验表明，DSPO在纽交所和A股市场分别实现了10.12%和9.11%的RankIC，累计收益超过120%，且收益波动仅为传统方法的1/10，展现了优异的性能和稳定性。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这两篇文章探讨了多期投资组合优化中如何平衡交易成本与时变Alpha信号的问题。Ritter和Kolm的论文提出了一个基于贝叶斯动态模型的统一框架，将交易成本、风险模型和Alpha预测整合到隐藏马尔可夫模型（HMM）中，通过最大化多期效用函数来优化交易路径，并采用分块坐标下降法降低计算复杂度。UBS的研报则聚焦实际应用，展示了如何利用这一框架在Alpha衰减和组合成分变化的场景下制定成本敏感的交易策略，通过调整Alpha预测和转移概率矩阵来提升策略表现。两篇研究共同强调了多期规划的重要性，为量化投资中的动态资产配置提供了理论支持和实践指导。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

研究报告《治理、会计质量、管理与公平》构建了一个创新的ESG投资框架，聚焦公司治理维度的量化分析。该研究系统考察了近100项财务指标，包括盈利能力、会计政策、资产负债表质量和融资结构等，发现诸如资产周转率下降、毛利率异常波动、递延收入激增、折旧政策变更等信号能有效预测企业风险和股价表现。研究团队运用机器学习技术开发了GAME模型，通过线性回归筛选关键指标，结合XGBoost算法识别复杂风险模式，该模型在全球市场（尤其欧洲和亚洲）展现出优异的预测能力，能提前预警财务造假、破产等风险，且与传统投资因子相关性低，为投资组合提供了独特的alpha来源和风险分散价值。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

论文《Power Sorting》提出了一种创新的股票因子投资组合构建方法——幂排序（Power Sorting），旨在解决传统分位数排序的局限性。传统方法依赖固定分组（如十分位数），无法捕捉特征与收益之间的非线性和非对称关系，且对称权重分配效率不足。幂排序通过幂函数将特征排名直接转化为权重，利用参数 和 分别控制长尾和短尾的权重集中度，从而灵活适应不同特征的非线性模式（如“倒微笑”或“倒 smirk”形态）。实证显示，幂排序在85个因子上的表现显著优于传统方法：等权重组合夏普比率提升57%，市值加权组合夏普比率翻倍，且因子显著性比例大幅提高。此外，幂排序在多因子组合和资产定价模型（如Fama-French）中也展现出优势。该方法结合了直观性与计算效率，为因子投资提供了更优的解决方案。 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利用个股和指数期权价格预测个股崩盘概率的新方法，通过Fréchet-Hoeffding不等式推导出崩盘概率的上下界，并证明下界（假设个股与市场在下跌时同步）更接近真实概率，实证显示其优于传统风险中性概率和基于股票特征的模型，且能实时生成行业层面的崩盘风险指标，为风险管理和政策制定提供了前瞻性工具。

这篇论文提出了一种名为"深度动量网络"(Deep Momentum Networks)的新型混合模型，将深度神经网络与传统时间序列动量策略相结合，通过LSTM架构直接学习最优的交易信号生成规则，并采用夏普比率作为损失函数进行端到端优化。该模型在88种连续期货合约上的测试表明，其夏普比率达到传统方法的两倍以上，即使在考虑交易成本后仍保持显著优势，同时通过引入换手率正则化项有效控制了交易频率，为动量策略的自动化设计提供了创新性的解决方案。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研究报告深入分析了如何利用ETF持仓数据构建有效的投资策略。报告指出，美国上市的规则型ETF已持有罗素3000指数成分股市值的9%以上，其被动交易特性对个股产生系统性影响。研究团队通过整合多源数据，建立了专有的Wolfe QES ETF数据库，并从中提取出三个关键信号：ETF持仓金额（Level）、持股比例（Intensity）和覆盖广度（Popularity）。研究发现，ETF持股比例的变化（如3个月Delta）是一个强力的均值回归因子，其构建的策略在中小盘股中表现优异，夏普比率达1.4-1.6，且与传统因子相关性极低。此外，报告还开发了ETF Flow风险因子，帮助投资者识别组合对被动资金的潜在风险暴露。这项研究为主动投资者提供了利用ETF数据获取超额收益和管理风险的新视角。