净值还在水上 - 节目列表

该研报介绍了MARS（Macro Allocation and Risk System），一种基于贝叶斯统计和现代宏观经济理论的新型系统性投资策略框架，旨在克服传统策略依赖单个资产信号和临时程序导致的适应性不足和过拟合问题。MARS通过联合建模资产价格与宏观经济变量的相互依赖关系，结合即时预测技术和神经网络进行动态投资组合优化，从而提升预测准确性、支持情景分析和改善风险管理，提供一个更透明、灵活且适应市场变化的全面解决方案。 ####################### 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。

该研究探讨了波动率不对称性（通过相对符号跳跃RSJ指标衡量）对大宗商品横截面收益的解释能力，发现将已实现方差分解为上行和下行分量后，RSJ指标能显著预测未来收益：做多RSJ最高组别并做空最低组别的策略可获得-6.29%的年化超额收益，且该策略在35年间累计收益达484%。通过Fama-MacBeth回归验证，RSJ因子的定价能力独立于市场、Carry、动量等传统因子，也与高阶矩指标如已实现偏度存在差异，表明波动率方向性分解为大宗商品定价提供了增量信息。 ####################### 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。

EP198用图论捕捉分析师预期中的alpha该研究报告的核论点是，传统分析师“一致预期”的计算方法（如简单平均数）存在缺陷，因为它忽略了分析师之间相互影响的现实。报告创新性地采用图论（Graph Theory）构建了一个“分析师网络”，将每位分析师视为一个节点，并根据他们预测值的差异来定义节点间的距离。通过计算网络的“中心性”，报告识别出处于所有观点最中心位置的预测，并将其定义为“智能共识”（Smart Consensus）。结论证明，基于这种“智能共识”构建的投资策略能够产生显著的超额收益（Alpha），其表现优于传统方法。此外，该网络模型捕捉到的信息与基于分析师个人历史表现的传统模型是互补的，将两者结合使用可以获得最佳的预测效果。 ####################### 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。

这篇论文发现，在全球各类资产中普遍存在一种强大且被忽视的“隔夜-日内反转效应”（CO-OC Reversal）。研究表明，通过利用资产的隔夜收益（从前日收盘到当日开盘）作为预测信号，来交易其随后的日内收益（从开盘到收盘），可以构建一个在股票指数、利率、大宗商品和外汇期货中均能获得显著超额回报的策略。论文指出，这种现象并非源于传统的投资者行为理论，而可以通过一个统一的“特定于资产类别的流动性供给”机制来解释：该策略本质上是在模仿开盘时的做市商，通过在不确定性较高的隔夜时段后提供日内流动性来赚取风险溢价。基于这一普遍规律，论文还创新性地构建了一个全球双因子模型，能有效解释不同资产类别的日内收益变化，为跨资产定价理论做出了重要贡献。 ####################### 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。

摩根大通的这篇研报提出了一套基于“市场错位”的系统性战术资产配置框架。其核心方法是运用主成分分析（PCA）从股票、债券、大宗商品等多个资产类别中提取共同的系统性风险因素。报告将“错位”定义为资产实际回报中无法被这些系统性因素解释的“残差”部分：当资产表现不及预期时，被视为“便宜”；反之则为“昂贵”。关键在于，该策略并非简单地买入便宜、卖出昂贵，而是引入了动量作为过滤器，仅在“便宜”的资产出现上涨势头时才买入，在“昂贵”的资产出现下跌趋势时才卖出，从而构建出市场择时或市场中性的投资组合，以捕捉价值回归并提高策略的胜率和稳健性。 ####################### 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。

这篇论文提出了一种基于强化学习（RL）的数据驱动方法——AI Shrinkage，用于优化协方差矩阵估计中的收缩强度（shrinkage intensity）。该方法适用于线性和非线性收缩估计，相比传统基于独立同分布（i.i.d.）假设的收缩估计器表现更优。通过强化学习代理动态调整收缩强度，AI Shrinkage能自动修正传统方法在收缩强度上的低估偏差，并根据市场环境自适应优化。实证研究表明，该方法在高维情境下显著降低了全局最小方差（GMV）组合的样本外风险，尤其在市场波动时期表现突出。此外，AI Shrinkage能灵活适应带约束的投资组合优化，解决了传统方法因忽略约束隐含的收缩效应而导致的次优配置问题。 ####################### 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。

该论文提出了一种利用聚类算法来改进传统配对交易策略的框架。其核心思想是，在直接寻找股票配对之前，先根据特定的相似性度量将股票池（本文使用标普500成分股）分组成不同的簇。论文重点比较了三种不同的距离度量方法对聚类和最终交易性能的影响：经典的欧氏距离、基于主成分分析的距离，以及一种新颖的、能够剔除共同市场因素影响的“偏相关系数”距离。通过在2000年至2023年间的详尽回测，研究发现，所有基于聚类的策略均能产生显著的超额回报，而使用“偏相关系数”作为度量标准的策略在风险调整后收益（如夏普比率）上表现最佳。这证明了通过机器学习识别股票间更深层次的经济关联，可以有效提升配对交易策略的盈利能力和稳健性。 ####################### 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。

本研究系统性地评估了时间序列动量（TSMOM）策略在中国大宗商品期货市场中的有效性。研究发现，该策略能够显著战胜传统的被动做多策略，尤其在市场下跌期间表现出强大的风险对冲能力。论文的一个核心贡献是验证了波动率管理技术的重要性，即通过根据商品的历史波动率来动态调整投资权重，可以极大地提升策略的风险调整后收益。通过对收益来源的深入分析，研究揭示了TSMOM策略的成功主要归因于单个商品自身收益的时间序列可预测性。最后，基于这些发现，论文进一步构建并测试了四种增强型策略（波动率平价趋势跟踪、复杂信号TSMOM、趋势指标策略和条件TSMOM策略），这些高级模型在考虑了现实的交易成本后依然表现稳健，证明了其强大的实战价值和适用性。 ############################# 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。

这篇文章探讨了如何利用深度学习模型（特别是基于订单流不平衡的循环神经网络如LSTM）从限价订单簿数据中预测股票价格的短期变动，研究发现此类方法在预测性能上显著优于传统线性模型及其他神经网络，并通过跨截面分析表明信息密度更高的股票（即每单位价格变化伴随更多订单簿更新的股票）具有更高的预测准确性。 ##################### 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。

内容介绍：研报提出了一种名为Rulefit的量化选股策略，通过将基于LightGBM集成树模型提取出的交易规则，利用LASSO回归精简为75条核心规则，构建线性模型预测下月股票收益。该策略自2006年以来年化多空收益达8.5%，信息比率超过1，具备良好解释性与稳健性，且对传统风险因子暴露低，表现出持续稳定的alpha。 ######################### 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。

这篇研报提出“Pairs Trading 2.0”策略，用机器学习优化传统配对交易：先在同行业内筛选历史价格高度相关的股票对，当价差偏离2.5倍标准差且随机森林模型预测未来15日将均值回归时开仓，预测继续发散则平仓。模型引入宏观、技术与个股基本面变量，显著减少无效交易、缩短持仓周期，美股回测年化收益达24%，信息比1.05，优于经典2.5σ规则。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai

这篇研报探讨了如何构建稳定可用的神经网络选股模型。研究发现，网络结构不宜过深两层隐藏层（32→16）即可有效捕捉非线性；学习率、dropout、batch size是最敏感的超参，需精细调优以防过拟合。由于金融数据低信噪比、权重初始化导致输出高度不稳定，为此提出集成5–10个相同结构但不同初始权重的网络，显著提高预测一致性并获得稳健的多空组合表现。 欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai