净值还在水上 - 节目列表

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。

这份研报提出了一种创新的“凸性组合”策略，通过动态平衡进攻型股票组合（多因子Smart Beta）和防御型对冲组合，实现在牛市和熊市中的双向收益。研究对比了五种资本配置方法（包括风险平价、尾部风险调整和情绪指标驱动），发现基于尾部风险调整的分配方式表现最优；同时验证了月度分批再平衡策略在控制成本与跟踪误差上的有效性。该策略旨在解决传统市场中性策略在极端行情下的脆弱性，强调通过明确的定向敞口来适应高波动的市场环境。

这份研报通过构建覆盖标普500成分股12年历史的8500万网页数据库（Wave），创新性地提出企业官网数据可作为选股因子：研究发现网站规模（如HTML文件数量）、内容独特性（TF-IDF加权新话题）与多媒体多样性（视频/PDF占比）能有效预测股价表现，最终构建的64因子合成模型（Wave）在2020年后实现16%年化收益，其核心逻辑在于优质网站反映的企业信息透明度和创新力会被市场逐步定价，同时揭示了网站更新模式与财务风险的隐蔽关联。

这两篇关于股权风险溢价（ERP）的系列研究报告构建了一个完整的分析框架：2023年的首篇系统性地提出了六种ERP测量方法（包括历史均值法、收益率差法、回归模型和现金流模型），并通过主成分分析整合出具有预测能力的综合指标，重点验证了ERP对资产配置和衰退预测的应用价值；2025年的后续研究将方法论扩展至12种模型，并创新性地引入跨国比较维度，通过对42个国家市场的分析发现美国股市估值偏高而亚洲新兴市场更具吸引力，同时结合"Magnificent 7"科技股主导的市场新特征，更新了资产配置建议，强调在AI驱动市场分化背景下传统ERP指标需要动态调整，为投资者提供了融合估值监测、周期判断和全球配置的量化决策体系。

论文提出了一种结合时间序列与截面数据的波动率预测框架（CSV模型），以解决传统EWMA方法在风险预测中因参数选择（半衰期）导致的滞后或噪声问题。核心创新点包括： 截面校准：通过同一时点多个因子的跨资产波动调整（波动率乘数），动态修正EWMA预测，提升对市场实时波动（如金融危机）的响应速度（实证显示波动乘数在2008年峰值达1.8）； Q统计量评估：利用兼具鲁棒性与双分辨率的指标验证，证明CSV模型的Q值比最优EWMA（半衰期21天）降低0.0274，显著减少风险低估（误差降约19%）和高估。研究结论表明，CSV在多市场周期下稳定性更强，为动态风险管理提供了高精度且适应性更强的解决方案。

这篇论文系统性地研究了机器学习算法在预测交易所交易基金（ETF）价格方向中的应用价值。作者通过选取10只跨资产类别的高流动性ETF（包括股票、债券、商品及货币ETF），构建了包含历史收益率（信息集A）、交易量（信息集B）和时间虚拟变量（信息集C）的三维特征矩阵，并采用随机森林（RF）、支持向量机（SVM）和深度神经网络（DNN）三类模型进行多周期预测分析（1-250日）。通过严格的分层时间切片法将数据划分为训练集（70%）、验证集（15%）和测试集（15%），并创新性地引入增益指标（Gain）剔除市场趋势噪声。结果表明：中期预测窗口（20-60天）表现出最优预测效能，其中随机森林在40天周期以35.2%的增益值和0.85的AUC领先，其特征重要性分析揭示48%的预测力源于跨资产交易量数据；支持向量机凭借核技巧在60天周期的非线性关系建模中展现0.82的AUC；深度神经网络虽在短期预测受限，但在120天以上周期显现非线性模式捕捉潜力。

这篇在2012年发表的论文《成交量时钟：高频交易范式的新洞察》提出，高频交易（HFT）的核心革新并非单纯依赖速度，而在于时间范式的根本性转变。传统低频交易（LFT）基于物理时间（如分钟、小时）分析市场，而HFT采用以事件驱动的“成交量时钟”，将时间划分为固定成交量区间（如每5万合约），通过消除日内季节性波动、恢复数据正态性，使统计建模更精准。HFT利用微观结构漏洞（如订单流毒性、报价队列动态）实施做市、掠夺性算法（如流动性挤压、群体狩猎）及套利策略，虽提升市场流动性与价格发现效率，但也加剧流动性脆弱性和操纵风险。论文建议LFT通过迁移至事件时间框架、监测毒性指标（如VPIN）及隐蔽化交易策略（如随机化算法）应对挑战，强调市场参与者需在范式转换中重构决策逻辑与技术基础设施。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai