净值还在水上 - 节目列表

该论文系统评估了多种损失函数在训练Transformer模型进行股票排名任务中的效果，旨在解决标准损失函数（如均方误差）在优化股票相对收益排序方面的不足；研究通过实证分析对比了点式、对式和列表式损失函数在S&P 500数据上的表现，发现如Margin损失和ListNet等排名导向的损失函数能显著提升投资组合的风险调整后收益，并强调损失函数的选择对将预测信号转化为实际盈利策略至关重要，为量化交易提供了实用指导。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

该研究提出了一种新颖的机器学习方法，通过结合两阶段分位数神经网络和样条插值来预测全球股票收益的完整分布，无需依赖参数假设即可灵活捕捉非高斯特征如厚尾和不对称性；该方法能够从预测分布中导出均值、方差等统计量，在样本外测试中显著优于传统模型，并证明其在美国及国际市场上的鲁棒性，同时揭示了中心分位数在资产定价中的重要性而高阶矩则未被系统性定价。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

该文章主要介绍了支持向量机（SVM）作为一种强大的机器学习工具在资产管理和战术信号生成中的应用，强调其通过核函数处理高维金融数据中的非线性关系，能够有效分类市场状态（如牛市、熊市或中性）、预测短期价格方向，并整合经济指标、动量指标和波动率条件以支持投资决策；文章还探讨了SVM在投资组合再平衡、风险管理和对冲策略中的实践价值，比较了其与逻辑回归和随机森林等其他模型的优劣，并扩展到图像处理技术在金融图表模式识别中的创新应用，最终突出了SVM在提高量化金融模型准确性和可解释性方面的重要性。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

该研究通过机器学习方法构建了“特征管理动量策略”（CMM），该策略通过灵活加权历史日度收益率生成动量信号，显著优于传统等权重动量策略。研究发现，CMM在样本内外均表现出更高的盈利能力和稳健性，尤其在市场危机期间避免了传统动量的崩溃风险，且其超额收益主要源于投资者对重大信息日（如财报公告、市场大幅波动等）的初始反应不足，而非风险补偿或过度反应。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

研报探讨了如何将主题因素（如人工智能技术扩散、未来能源、长寿和多极世界）整合到Barra风格的传统风险框架中，以增强投资组合风险归因的精确性；报告通过两种方法（正交主题叠加和集成主题增强）证明，主题因素能揭示原本被归为个股特异性风险的系统性风险，尤其在叙事驱动的市场压力时期（如AI热潮或地缘政治变动）效果显著，并在美国等地区显示出对系统性风险解释力的提升，同时减少了投资组合的未解释风险。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

本文提出了一种创新框架，用于分析交易时间非重叠的两个股票市场之间的相互依赖性，特别关注日内与隔夜回报的领先-滞后效应。研究通过引入阈值隔夜联动（TOC）计数过程，量化了市场情绪的传导强度，并采用Hawks Process建模联动事件的动量效应。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

本文针对动量与反转策略在实际应用中因高频调仓产生的高换手率问题，提出了一种结合路径依赖约束与投资组合优化的系统性解决方案。通过将资产基于信号吸引力与当前持仓状态进行分类，并引入L1正则化项与路径依赖约束，研究在保持策略收益特征的同时显著降低了交易成本。该方法在日频调仓框架下验证了其有效性，不仅大幅提升了策略的净风险调整收益，还通过协方差矩阵优化与权重约束进一步增强了组合的稳定性与可实施性。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

本文提出了一种基于机器学习的创新方法，用于预测股票收益的完整分布而非单一统计量。该方法通过结合两阶段分位数神经网络与样条插值技术，构建了无需依赖参数假设的平滑累积分布函数，能够灵活捕捉收益分布中的非高斯特征（如厚尾性和不对称性）。研究进一步展示了如何从预测的分位数中推导其他统计量（如均值、方差、偏度和峰度），并通过实证分析验证了该方法在美国及国际市场的稳健性。对于量化策略研究员而言，该框架提供了更丰富的分布信息，有助于优化风险管理、资产定价和投资组合构建。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

本文首次揭示了期权市场中的日内反转模式，即期权收益在交易日内以每半小时为间隔呈现显著的逆转现象。这一模式在统计和经济意义上均具有重要性，且对交易成本、隐含波动率变化及市场摩擦等控制变量保持稳健。研究通过构建基于需求的理论框架，指出日内需求压力是驱动反转的核心机制，从而对资产定价和市场效率提出了新的理论洞见。对于量化策略研究员而言，该研究不仅提供了一种基于高频数据的可交易策略思路，还深化了对期权市场微观结构和价格形成机制的理解，尤其强调需求失衡在短期价格预测中的关键作用。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

该研究报告旨在通过实证分析，比较不同差分技术在金融预测中的有效性，其核心论点是传统用于实现数据平稳的对数收益率（即整数阶差分）会过度清除价格序列中宝贵的长期记忆，从而损害模型性能。为验证此观点，论文提出采用分数阶差分技术，该技术能够在获得平稳性的同时最大限度保留序列记忆，并将此方法与传统方法处理后的数据一同作为输入，分别训练独立的LSTM神经网络模型。研究通过预测精度评估和模拟交易策略回测的双重维度进行比较，最终得出结论：使用分数阶差分技术处理数据的模型，在预测准确度和交易策略的风险调整后收益上，均显著优于使用传统对数收益率的模型，从而证明了保留数据记忆对于构建更有效的金融预测模型至关重要。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

本文对传统因子定价模型提出了重要挑战，指出其假设因子定价能力在时间维度上保持恒定这一做法存在显著缺陷。通过系统性的实证研究，作者发现因子的定价能力具有显著的时变性，并倾向于在某些特定时期内集中出现，这些时期被称为“定价能力聚集期”。文章提出了一种实时识别这些聚集期的方法，并基于212项公司特征进行了全面验证。研究进一步构建了一种结合因子时序选择策略的复合因子模型，该模型在解释与预测市场异象方面展现出卓越能力，并为因子动量现象提供了全新的解释视角。 ####################### 欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。 为保证群的纯粹性和交流质量，我们将严格审核入群身份。

本研究探讨了利用机器学习方法预测可转债横截面收益的可行性，重点关注中国市场的独特环境。研究采用了13种机器学习算法，包括线性模型、降维方法、树模型及神经网络，并构建了56个预测变量，涵盖可转债特性与股票市场因素。通过样本外测试，研究发现神经网络模型（尤其是单隐藏层神经网络NN1）在预测精度上显著优于传统线性模型与其他非线性方法。此外，研究识别了影响可转债收益的核心预测变量，如债券价格、历史收益、转股溢价及到期收益率等，并验证了机器学习方法在整合信息与处理非线性关系上的优势。研究结论为量化策略研究员提供了基于数据驱动的建模思路，强调了机器学习在复杂金融工具定价与预测中的应用价值。