专题报告 - AI量化知识库 - BigQuant

因子组合方法

Wed, 24 Dec 2025 09:39:38 GMT

埃及和金砖国家双边贸易的决定因素：使用传统计量经济学和机器学习算法的引力模型

Mon, 12 May 2025 09:57:55 GMT

摘要

文章首先介绍了国际贸易的基本概念，包括进口和出口的定义，以及国际贸易的起源和重要性。文章提到，由于各国资源分配不均，国际贸易成为满足国内需求的重要手段。文章还回顾了国际贸易理论的发展，从亚当·斯密的绝对优势理论、大卫·李嘉图的比较优势理论，到赫克歇尔-俄林模型和克鲁格曼的新贸易理论。这些理论为理解国际贸易的模式和影响因素提供了基础。

研究方法

研究采用了以下方法：

**泊松牛顿-拉夫森方法：**这是一种经典的计量经济学方法，用于分析贸易量与各种因素之间的相关性。
**梯度提升（GB）和随机森林（RF）：**这两种机器学习算法用于识别对贸易量有显著影响的独立变量，并对这些变量的重要性进行排序。

实验和数据分析

研究使用了2001年至2021年的面板数据，数据来源于世界银行和国际货币基金组织。研究的因变量是贸易量，自变量包括合作伙伴的人口规模、工业在GDP中的比例、埃及固定投资在GDP中的比例、合作伙伴的人均GDP、埃及与金砖国家之间的地理距离、埃及工业部门对GDP的贡献增长、金砖国家的固定资本、全球GDP扩张、埃及的人均GDP以及合作伙伴GDP的整体增长等。

关键结论

泊松牛顿-拉夫森分析结果：
- 贸易量与合作伙伴的人口规模、工业增加值、金砖国家的人均GDP、埃及的固定资本形成以及地理距离呈负相关。
- 贸易量与埃及的人均GDP、工业增加值、金砖国家的固定资本形成、GDP增长和全球GDP扩张呈正相关。
机器学习算法结果：
- 梯度提升（GB）算法显示，金砖国家的GDP规模、全球GDP规模和国家之间的距离是影响贸易量的最重要因素。
- 随机森林（RF）算法也得出了类似的结果，但GB算法在准确性上略胜一筹。
特征重要性：
- GB算法认为金砖国家的GDP规模（34.48%）、全球GDP规模（26.33%）和国家之间的距离（15%）是最重要的三个因素。
- 其他重要因素包括埃及农业部门在GDP中的比例（8.3%）、金砖国家的固定资本形成（4.8%）、埃及GDP的规模（4.06%）和合作伙伴的人口规模（3.44%）。

研究意义

文章强调了基本引力模型中基本变量的重要性，并指出全球GDP规模是影响双边贸易的第二大重要因素。研究结果为理解埃及与金砖国家之间贸易流动的复杂决定因素提供了全面的视角，并为投资者提供了宝贵的见解，能更好地应对全球贸易的复杂性。

/wiki/static/upload/d1/d14bfefc-2f0e-46a6-876f-b5cf4c32d470.pdf

混合 ARMA-GARCH-神经网络，用于高频交易中的日内策略探索

Tue, 22 Apr 2025 10:38:49 GMT

摘要

文章指出，在过去20年中，武装冲突的频率增加，这些冲突不仅影响社会层面，还对经济和金融领域产生重大影响。例如，“9·11”事件后，市场不确定性显著增加，投资受到抑制。地缘政治风险对经济周期和金融市场有显著影响，因此中央银行家和企业投资者常将地缘政治风险视为投资决策的重要因素。此外，地缘政治事件对不同行业的影响不同，例如旅游业可能受到负面影响，而国防行业则可能从中受益。

研究方法

方法文章提出了一个结合ARMA-GARCH模型和多种神经网络技术的混合模型，用于检测日内市场模式并预测国防股票市场和外汇市场的波动。这些技术包括：

ARMA-GARCH-神经网络（NN）
ARMA-GARCH-深度循环卷积神经网络（DRCNN）
ARMA-GARCH-深度神经决策树（DNDT）
ARMA-GARCH-量子神经网络（QNN）
ARMA-GARCH-量子递归神经网络（QRNN）

ARMA-GARCH模型

ARMA-GARCH模型用于估计市场冲击，该模型结合了自回归移动平均（ARMA）和广义自回归条件异方差（GARCH）过程，能够捕捉时间序列数据的线性特征和波动性。

特征选择

文章使用互信息（Mutual Information）和冗余度（Redundancy）来选择对预测市场冲击最相关的特征。互信息衡量两个变量之间的相互依赖性，而冗余度则衡量特征之间的重复性。通过这两步特征选择过程，研究者能够筛选出对预测最有价值的特征。

神经网络集成

为了优化预测函数并避免过拟合，文章采用了集成神经网络方法。通过在每个移动窗口中对历史数据进行训练和验证，选择表现最佳的模型进行后续预测。此外，文章还采用了近邻K交叉验证（NK-CV）方法来评估每个神经网络模型的输出。

实验与结果

研究使用了2022年1月4日至12月19日的道琼斯美国航空航天与国防指数的日度数据，并考虑了在此期间发生的国际冲突，如阿富汗冲突、叙利亚内战、利比亚革命、也门内战和俄乌战争。此外，还分析了英镑和人民币的汇率时间序列数据（1990-2016年）。

预测性能

特征数量选择：通过随机样本预测试，研究发现20个输入变量在国防股票市场中表现最佳，而在汇率市场中，40个输入变量表现最佳。
预测准确性：使用最小冗余最大相关性（MRMR）和条件互信息最大化（CMIM）特征选择算法，结合随机交叉验证（Rand-CV）和近邻交叉验证（NK-CV）方法，研究发现CMIM在预测市场冲击方向上表现更好。
阈值集成投票技术：通过引入阈值调整，预测性能得到进一步提升。在国防股票市场中，所有方法的准确率在引入阈值后均有所提高，平均准确率在上升趋势中达到55.72%，在下降趋势中达到55.34%，均高于50%，表明模型能够准确预测市场冲击。

汇率市场预测

在汇率市场中，CMIM与Rand-CV方法结合时表现最佳，能够显著提高预测市场冲击方向的性能。对于英镑和人民币，CMIM在所有方法中的表现均优于MRMR。

关键结论

文章的混合模型（特别是ARMA-GARCH-QRNN）在预测市场冲击方面表现出色，准确率高于其他方法。这些发现对于投资市场参与者和投资组合经理具有重要意义，因为地缘政治事件的冲击可能为高频交易提供新的决策支持方法。此外，该研究还为理解国防股票市场和外汇市场在地缘政治事件中的动态和波动性提供了新的视角。

/wiki/static/upload/7f/7f06463b-de5d-4dc1-98e2-21bc563b7cb9.pdf

多空股票策略：综合指南

Mon, 31 Mar 2025 11:02:05 GMT

多空股票策略涉及在各种股票中持有多头和空头头寸，鉴于其本身较低的风险状况，对冲基金通常采用这种策略来提高风险调整后的回报。

在本指南中，我们将深入研究此策略的机制，探索其实现并使用 Python 回溯测试结果。我们将介绍基本知识，例如历史背景、驱动其回报的来源，以及高级主题，例如它与仅做多和市场中性策略等其他投资方法的比较。

此外，我们将解决围绕该策略的常见误区，并提供有效构建和实施该策略的分步指导。从了解排名方案和资本配置到管理风险和交易成本，这份综合指南提供了对多空股票投资细微差别的见解，强调了其优缺点。

什么是多空股票策略？

多空股票策略包括买入预期会上涨的股票（多头头寸）和卖出预期会下跌的股票（空头头寸）。它的目标是从市场上涨和低迷中获利，同时最大限度地减少整体市场风险。

多空股票策略示例

多空股票策略的一个例子是同时买入被低估的公司的股票（做多）同时卖出被高估的公司的股票（做空）。

例如，假设投资者根据基本面分析认为 A 公司被低估，B 公司被高估。他们会购买 A 公司的股票，预期其股价会上涨（多头头寸），并卖出 B 公司的股票，预期其股价会下跌（空头头寸）。

通过保持多头和空头头寸的平衡投资组合，无论大盘是上涨还是下跌，这种策略都允许交易者潜在地产生回报。

让我们看看一些可以包含在多空股票策略中的被低估股票和高估股票的真实例子。

在 2024 年 1 月至 3 月，以下是被高估和被低估的股票名单。

前 5 名最被高估的股票

公司名称	股票	经济护城河	价格/公允价值比率
翼挡	翅膀	窄	2.72
摄氏度	CELH 餐厅	没有	1.85
西南航空	亲爱的	没有	1.82
瑞致达	VST	没有	1.78
Dell Technologies	山谷	没有	1.77

资料来源：晨星

前 5 名最被低估的股票

公司名称	股票	经济护城河	价格/公允价值比率
翼挡	翅膀	窄	2.72
摄氏度	CELH 餐厅	没有	1.85
西南航空	亲爱的	没有	1.82
瑞致达	VST	没有	1.78
Dell Technologies	山谷	没有	0.82

资料来源：晨星

现在，让我们看看多头股票策略是如何出现的。

多空股票策略的历史多空股票策略的历史可以追溯到 20 世纪对冲基金的兴起，因为这种策略最常部署在对冲基金中。让我们在下面看看这种策略是如何随着提到的里程碑逐渐形成的。

20 世纪 - 对冲基金的兴起多空股票策略的历史可以追溯到 20 世纪初，当时投资者开始采用技术来降低市场风险，同时利用个股波动。然而，随着对冲基金和机构投资者的兴起，该策略在 20 世纪下半叶变得更加突出。

1950 年代和 1960 年代 - 价值投资开始在 1950 年代和 1960 年代，本杰明·格雷厄姆（Benjamin Graham）和沃伦·巴菲特（Warren Buffett）等投资者普及了价值投资，这是长空股票策略的基本原则。他们主张买入被低估的股票，卖空被高估的股票，以从市场定价的差异中获利。

1970 年代和 1980 年代 - 多空股票策略的出现在 1970 年代和 1980 年代，金融理论和计算技术的进步促进了更复杂的定量模型的实施，用于选股和投资组合管理。这一时期出现了量化驱动的多空股票策略，利用统计分析和数学算法来识别盈利机会。

20 世纪末和 21 世纪初在 20 世纪末和 21 世纪初，监管变化、竞争加剧和金融工具的激增进一步塑造了多空股票投资的格局。今天，该策略随着数据分析、机器学习和人工智能的发展而不断发展，使投资者能够改进他们的方法并适应不断变化的市场条件。⁽²⁾

接下来，您将看到策略回报的来源。

策略回报来源多空股票策略产生的回报主要来自以下来源：

选股：利润来自正确识别多头头寸被低估的股票和空头头寸被高估的股票。对公司基本面、财务指标和市场情绪的熟练分析有助于有效的选股。市场时机：成功把握市场时机可以通过在市场上涨期间建立多头头寸和在低迷时期建立空头头寸来提高回报。然而，市场时机需要对经济指标、技术分析和宏观经济趋势进行敏锐的观察。因素暴露：多空股票策略通常包含对特定因素的敞口，例如价值、增长、动量或质量。利用这些因素相对于大盘的表现可以推动回报。现在您已经了解了多空股票策略的基础知识，让我们继续了解多空股票基金的类型。

多空股票基金的类型

多空股票基金有多种类型，每一种都有独特的特点和投资策略，适合特定的市场条件和投资者偏好。一些常见和流行的类型是： ⁽²⁾

特定行业基金： 特定行业的多空股票基金专注于特定行业或部门，例如技术、医疗保健或金融。这些基金利用深厚的行业专业知识来识别所选行业内的多头和空头头寸机会。
市场中性基金： 这些基金旨在通过平等加权多头和空头头寸来实现零净市场敞口。市场中性策略侧重于利用多头和空头头寸之间的相对错误定价，而不是定向市场走势。
地域基金： 有专注于特定地区或国家的地理多空股票基金，例如美国、欧洲、亚洲或新兴市场。这些基金在特定地理区域内采用多空投资策略，使投资者能够利用当地市场机会，同时通过空头头寸降低整体市场风险。

展望未来，我们将看到多空股票策略和仅做多投资之间的区别。

多空股票策略与仅做多投资

方面	多空股票策略	只做多投资
投资策略	持有股票多头和空头头寸，旨在从股票涨跌中获利。	仅投资于多头头寸，预期股价会随着时间的推移而上涨。
风险管理	通过平衡多头和空头头寸，寻求最大限度地减少市场敞口，降低整体投资组合风险。	由于完全受市场波动影响，因此通常具有较高的市场风险。
盈利潜力	由于能够从股价上涨和下跌中获利，因此可能获得更高的回报。	回报完全取决于多头头寸的表现，限制了盈利潜力。
多样化	通过在多头和空头头寸之间分散风险来提供更大的多元化。	有限的多元化，因为它只专注于多头头寸。
市场敏感度	由于能够在看涨和看跌市场中产生利润，因此对整体市场走势不太敏感。	对市场波动高度敏感，因为它缺乏从下跌的股价中获利的能力。

多空股票策略和市场中性策略之间也存在相当大的差异，我们接下来将看到。

多空股票策略 vs 市场中性策略

方面	多空股票策略	市场中性策略
投资策略	主要目标是通过选择预期跑赢大盘（多头头寸）和跑输大盘（空头头寸）的个股来产生 alpha（超额回报）。	重点是从相关资产之间的相对价格变动中产生回报，同时最大限度地减少对更广泛市场波动的风险敞口。无论整体市场方向如何，它都旨在获得一致的回报。
风险取向	由于受市场波动影响，通常具有较高的风险。在市场低迷期间，它可能会经历重大回撤。	由于寻求维持中性市场敞口，因此通常具有较低的方向性风险。但是，它仍可能面临与所交易资产相关的特定风险。
性能	具有更高的回报潜力，但也伴随着更高的波动性和潜在的损失，尤其是在动荡的市场条件下。	通常旨在获得更一致（尽管较低）回报和更低的波动性。它侧重于通过相对价格变动而不是市场方向来产生 alpha。
商情	通常在趋势市场或个股价格大幅波动的高波动时期表现良好。	在更稳定的市场条件下或在资产之间相关性较低的时期表现良好，因为它依赖于相对价格变动。

还有一个在交易中广泛使用的术语，即价值投资，它还考虑了被高估和被低估的股票。让我们看看长期空头股票策略与价值投资有何不同。

多空股票策略 vs 价值投资

方面	多空股票策略	价值投资
投资方法	根据短期价格变动和市场低效率，积极交易股票多头和空头头寸。	持有基本面强劲的被低估股票的多头头寸，旨在从其长期潜在升值中获利。
持有期	通常持有中短期头寸，利用短期市场波动和错误定价机会。	通常保持长期头寸，让被低估的股票有时间实现其内在价值并带来回报。
风险管理	通过多头和空头头寸的组合来管理风险，寻求利用市场上涨和低迷，同时最大限度地降低整体投资组合风险。	专注于通过全面的基本面分析来降低风险，选择具有强大基本面和安全边际的股票。
盈利潜力	通过积极交易短期价格变动和市场低效率，提供更高的回报潜力，但也带来了更高的风险。	通常旨在实现长期适度、一致的回报，专注于资本保值和复合回报。
投资理念	强调利用市场低效率和短期价格变动来产生超额收益，通常利用量化模型和算法交易策略。	倡导耐心、有纪律的投资方法，寻求以折扣价购买优质股票并长期持有。

展望未来，我们将看到多空股票策略的运作。

多空股票策略的运作

要了解此策略的工作原理，让我们看一个示例。对冲基金在 Apple 和 Google 各持有 1000 美元的多头头寸，在 Microsoft 和 IBM 各持有 1000 美元的空头头寸。

投资组合（科技界别）

对于导致科技行业所有股票下跌的事件，对冲基金将从 Apple 和 Google 的多头头寸中获利，但将从 Microsoft 和 IBM 的空头头寸中获利。

因此，对投资组合的影响最小。同样，导致科技行业所有股票上涨的事件也将对投资组合产生最小影响。对冲基金采取这一立场是因为他们预计苹果和谷歌的股价会上涨，而 Microsoft 和 IBM 的股价会下跌。

如果基金经理的观点偏向于多头，那么他可以更多地重视投资组合的多头，例如 70% 的资本用于多头，30% 的资本用于空头。

然而，市场崩盘对投资组合的影响会更大。但是，这种多头头寸比例较高的结构将有助于投资组合价值在牛市中更快地升值，就像在 COVID-19 下跌后看到的那样。

您必须了解围绕多空股票策略的某些神话。

关于多空股票策略的神话

围绕多空股票策略存在一些神话，往往使投资者的看法蒙上阴影。让我们看看下面的这些神话。

一个常见的误解是，由于其卖空成分，这是一种冒险的策略。然而，如果执行得当，多空股票可以提供风险调整后的回报。
另一个神话是它需要复杂的数学模型。实际上，成功的实施更多地依赖于基本面分析和市场理解，而不是复杂的公式。
此外，一些人认为多空股票仅适用于对冲基金，但个人投资者也可以通过适当的风险管理从其原则中受益。

接下来将讨论构建多空股票策略的步骤。

构建多空股票策略的步骤

多空净值策略的构建步骤如下：

让我们详细了解每个步骤并创建我们自己的多空股票策略。

第 1 步 - 定义 Universe

确定我们将建仓的股票范围。可以根据美元交易量、市值、价格和影响成本来定义 Universe。在这里，我们将使用市值来识别我们的股票。

第 2 步 - 桶装浆料

从股票领域中，我们将根据科技、制药、汽车、金融服务和快速消费品等行业对股票进行桶类投资。在我们的示例中，我们将使用技术部门。

第 3 步 - 定义多头或空头证券的参数

这是工作流程中的关键步骤。在这里，我们将根据前一天的回报对桶中的股票进行排名。表现良好的股票将排名较高，而表现不佳的股票将排名较低。我们将使用均值回归原则来进行交易。我们将做多排名较低的股票，做空排名较高的股票。

注意：此处可以使用季度盈利增长、市盈率、P/BV、移动平均线和 RSI 等参数的组合，每个参数具有不同的权重，以创建盈利策略。

第 4 步 - 资本配置

为第 3 步中入围的每只股票分配等量的资本是一种流行的资本配置策略。等权重方法有助于避免集中在投资组合中的特定股票上。

现在让我们看看使用 Python 的多空股票策略中的计算部分。

在 Python 中构建多空股票策略的步骤

首先，让我们从导入所有必要的库开始。我们将使用 yfinance 库来导入我们的数据。对于这一策略，我们选择了 38 只在纽约证券交易所上市的大盘科技股。

第 1 步 - 导入库并获取历史数据

第 2 步 - 计算回报

第 3 步 - 生成信号

输出：

第 4 步 - 打印累积回报、夏普比率和最大回撤输出：

第 5 步 - 可视化

输出：

从上面的图表中可以看出，该策略产生了适度的正回报和相对较低的风险调整后表现，如夏普比率所示。此外，最大回撤适中，表明该策略的表现存在一定程度的波动。

请务必注意，回溯测试结果并不能保证未来的性能。所呈现的策略结果仅用于教育目的，不应被解释为投资建议。为了评估其有效性，有必要跨多个参数对策略进行全面评估。

现在，让我们看看排名方案在多空股票策略中的重要性和作用。

多空股票策略的排名方案

排名方案的选择是该策略最关键的组成部分。在我们的示例中，我们使用 1 天的回报来对我们的股票进行排名。这样的技术因素可以与其他指标相结合，如移动平均线、成交量指标等。

在对股票进行排名时，使用动量还是均值回归也是一个非常重要的决定，因为不同的股票会有不同的行为。

另一种流行的策略是利用基本因素，如公司的价值和业绩，结合市盈率、市盈率、利润率、盈利增长和其他基本因素来得出排名方案。

例如，AQR 资本管理公司的 QMJ（Quality Minus Junk）投资组合根据质量评分对其股票进行排名。该质量评分由三个基本因素组合而成：盈利能力、增长和安全性。

接下来，我们将讨论为多空股票策略选择资本配置的相关性。

多空股票策略的资本配置

一旦排名过程完成，跨股票的资本分配对策略的表现至关重要。在我们的方法中，我们采用了等权重法，为所有股票分配相同的权重。

或者，可以根据每日回报分配权重，为偏离平均回报更大的股票提供更高的权重。另一种常见的方法是基于市值的加权，以减少对波动性较大的小盘股公司的风险敞口。

再平衡频率在多空股票策略中起着重要作用，我们接下来将看到这一点。

多空股票策略的再平衡频率

确定特定策略将产生结果的时间段非常重要。例如，由于我们使用的是价格数据，因此我们只能准确预测第二天的情况。尽管如此，我们肯定可以根据价格数据预测多天的回报，但与选择预测每周或每月回报的基本因素相比，准确性不会那么高。

再平衡频率对交易成本有影响，但同时对某些投资组合股票的不利波动反应缓慢。

接下来，我们将了解多空股票策略的风险管理和行业趋势。

多空股票策略的风险管理和行业趋势

与所有策略一样，这种策略也存在风险。风险在于投资组合中选择的股票的表现与预期发生偏差。

在上面的例子中，如果多头证券的价格下跌，而空头证券的价格上涨，那么投资组合将遭受损失。需要审慎的风险管理，例如在触及止损时对股票进行平方，并将利润上限保持在个股水平。

除此之外，必须定期用新库存重建投资组合，并且投资组合必须持有大量股票。这将有助于限制对股票的关注。AQR 长空基金的典型行业敞口和前 5 大多空持有量如下所示。如您所见，该基金高度多元化，对任何特定行业的敞口有限。

同样，它不是大量集中持有特定股票，而是持有少量不同的股票，以避免面临公司特定的风险。此外，可以看出，总体而言，该投资组合在某种程度上是市场中性的，略微偏向于多头。这实际上是最新的行业趋势，越来越多的对冲基金偏向多头，以利用不断上涨的股票市场。

多空股票策略中的另一个重要概念是交易成本和滑点，我们接下来将看到。

多空股票策略的交易成本和滑点

与任何算法交易策略一样，对于实际应用，必须考虑可能与之相关的交易成本。通常，一旦您考虑到交易成本和滑点，看似有利可图的策略可能就不是了。

由于在我们的策略中，我们每天都在进行新交易，因此会有大量的交易，因此会产生大量的交易成本。另一方面，根据基本因素进行的交易将超过一个月或一个季度，因此，交易数量会更少，交易成本更低。

滑点表示交易的预期执行价格和实际执行价格之间的差异。它可能由多种因素引起，例如市场波动、流动性有限或交易量大。滑点对交易策略的整体盈利能力的影响可能很大，尤其是在涉及频繁交易或大额交易的情况下。

例如，如果最初测试策略时假设每笔交易的滑点和交易成本为 0.1%，但随后的成本分析显示成本更高，则可能需要进行调整。在策略测试和开发过程中，将假设的交易和滑点成本修改为 0.2%，可以确保更真实、更准确的回测结果。这种调整使交易者能够考虑实际市场状况，从而提高其策略的可靠性。⁽³⁾

交易成本成本取决于特定经纪人的佣金。每个经纪人收取不同的交易成本。例如，AmeriTrade 在外汇中收取佣金和基于点差的成本，而 Interactive Brokers 不收取基于点差的费用，他们只收取佣金。

如果有两个经纪商只收取基于佣金的成本或基于点差的成本，那么他们的佣金或点差将有不同的值。交易者在继续之前应仔细评估这些成本。因此，交易者有责任找出经纪人收取的交易成本值。

现在让我们找出多空股票策略的应用。

多空股票策略的应用

多空股票策略在各种投资环境中都有广泛的应用。对冲基金、机构投资者和个人交易者通常采用它，以寻求利用看涨和看跌的市场条件。该策略用于投资组合多元化、风险管理和提高风险调整后的回报。此外，多空股票策略应用于从股票和衍生品到另类投资（包括商品和货币）的行业。

此外，这种方法可以根据特定的投资要求进行定制，例如瞄准 alpha 生成、管理波动性或实施市场中性策略。总体而言，多空股票策略的多功能性和适应性使其成为不同市场环境和投资者目标投资工具包中的宝贵工具。

我们接下来将简要讨论一些关于多空股票策略的优势。

多空股票策略的优点

以下是多空股票策略的一些最有用的优点。

多样化： 通过同时持有多头和空头头寸来提供多元化优势，从而降低整体投资组合风险。
灵活性： 适应各种市场条件，让投资者从价格上涨和下跌中获利。
Alpha 生成： 通过巧妙的选股和积极管理多头和空头头寸来产生阿尔法的潜力。
风险管理： 通过在熊市期间从空头头寸中获利来对冲市场低迷。
**定制：**可以定制以适应特定的风险回报目标和投资要求。

让我们看看在使用多空股票策略时需要注意的一些缺点。

多空股票策略的缺点

这些是多空股票策略的一些缺点。您可以在下面看到相同的内容。

**复杂性：**需要复杂的分析和专业知识来识别被低估和高估的证券，以便有效实施。
执行风险： 与卖空相关的执行风险，包括潜在的空头挤压和借贷成本。
**杠杆作用：**杠杆可用于放大回报，但也会增加风险和波动性。
市场曝光： 多头偏倚或空头偏倚可能使投资组合面临市场方向性风险。
**成本：**更高的交易成本，包括空头头寸的借贷成本，可能会影响整体回报。

结论

在对冲基金中流行的多空股票策略提供了一种平衡的方法来利用市场波动。通过同时持有股票的多头和空头头寸，投资者旨在提高风险调整后的回报，同时最大限度地减少整体市场风险敞口。这种策略植根于历史趋势和金融理论，随着技术的进步和监管的变化而发展。它的回报来自选股、市场时机和因子敞口。

各种类型的多空股票基金迎合不同的市场条件和投资者偏好，从特定行业到市场中性方法。尽管存在误解，但成功的实施并不一定依赖于复杂的数学模型，也并非对冲基金所独有。构建多空股票策略涉及定义宇宙、对证券进行排名、分配资本和管理风险。关键考虑因素包括排名方案、资本配置、再平衡频率、风险管理和交易成本。

用于股市预测的人工智能和机器学习的进步：技术和案例研究的全面分析

Tue, 25 Mar 2025 11:02:48 GMT

摘要

股市预测是一个经典但具有挑战性的问题，吸引了经济学家和计算机科学家的关注。交易活动涉及高风险，投资者可能会损失部分或全部投资金额，因此需要更智能的技术来辅助投资决策。

除了传统的金融数据，如价格和交易量，文本数据（如新闻和社交媒体）和宏观经济数据（如GDP和CPI）也可用于预测。这些数据类型可以提供历史数据中不存在的有用信息。

研究方法

文章详细介绍了以下几种用于股市预测的机器学习算法：

1.支持向量机（SVM）：用于回归和分类问题，通过核技巧方法转换数据，寻找最佳边界。

2.随机森林（RF）：由多个决策树组成，通过聚合预测结果来提高准确性。

3.K最近邻（KNN）：基于最近邻数据点的分类或回归方法。

4.朴素贝叶斯（NB）：基于贝叶斯定理的分类算法，适用于实时预测。

5.可解释的正则化类别关联规则算法（RCAR）：基于规则的分类器，通过正则化逻辑回归技术开发模型。

6.长短期记忆网络（LSTM）：用于时间序列预测的循环神经网络，通过控制信息的输入、存储和输出来预测未来事件。

7.人工神经网络（ANN）：模拟人脑神经网络的结构，适用于预测分析。

实验与关键结论

文章回顾了多项相关研究工作，并总结了以下关键发现：

Indu Kumar等人的研究：比较了SVM、RF、KNN和NB等多种机器学习模型，发现随机森林在数据集较大时表现最佳，而朴素贝叶斯在数据集较小时表现较差。
W. Bao等人的研究：提出了结合LSTM、小波变换（WT）和堆叠自编码器（SAEs）的深度学习解决方案，用于股票价格预测。该方法通过WT去除噪声，SAEs提取深度特征，LSTM进行最终预测。
Mehar Vijh等人的研究：使用ANN和RF预测不同行业的公司收盘价，发现ANN在预测股票价格方面优于RF。
Wen Fenghua等人的研究：通过奇异谱分析（SSA）分解原始股票指数，结合SVM进行预测，发现SSA-SVM组合预测效果优于单独的SVM预测。

提出的新研究方法

文章提出了一个新的股市预测方法，具体步骤如下：

1.从雅虎财经收集历史数据，包括开盘价、最高价、最低价和收盘价（OHLC）。

2.对数据进行预处理，并应用小波变换（WT）去除噪声。

3.使用堆叠自编码器（SAEs）对技术指标和OHLC变量进行多层训练，以提取深度特征。

4.应用门控循环单元（GRU）模型进行预测，GRU类似于LSTM，但结构更简单，计算更高效。

5.使用均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均偏差误差（MBE）、Theil不等式系数（Theil U）和相关系数（R）等指标评估预测准确性。

结论

文章强调人工智能在股市预测中的重要性，并指出机器学习模型能够快速处理多种数据类型，为投资者提供决策支持。文章提出的新方法结合了小波变换、堆叠自编码器和门控循环单元模型，为未来的研究提供了一个初步的指导框架。

/wiki/static/upload/96/966803a6-97ba-4c3a-9858-a47787b586f9.pdf

期货是否改善了中国指数ETF市场的基因训练高频技术交易规则？

Mon, 17 Mar 2025 09:56:40 GMT

摘要

本篇文章的核心内容是研究期货市场是否能够通过信息溢出效应改善中国指数ETF市场的高频技术交易规则（Technical Trading Rules, TTRs）。研究使用了遗传程序（Genetic Programming, GP）技术来寻找最优的技术交易规则，并分析了指数期货信息对这些规则盈利能力的影响。研究结果表明，在2015年监管事件之前，期货市场信息对ETF市场的技术交易规则具有显著的改进作用，但在监管事件之后，这种改进作用减弱。

研究背景

技术交易规则（TTRs）试图通过分析历史价格和交易量数据来预测价格趋势，从而识别短期市场低效并获取超额收益。然而，这种基于可观察市场数据的预测方法与有效市场假说（EMH）相悖，因此学术界对其有效性存在争议。本文旨在探讨两个核心问题：一是TTRs是否能够利用市场信息低效来获取超额收益；二是股票期货与现货价格之间是否存在信息领先-滞后关系。

研究方法

研究采用了遗传程序（GP）技术，这是一种基于达尔文自然选择和适者生存原则的全局搜索和进化适应算法。GP通过编码候选解决方案为非线性树结构（决策树），并利用遗传操作（如繁殖、交叉和变异）来生成、适应和选择最优决策树。研究中，GP的目标是利用市场信息低效来最大化规则的盈利能力。

数据与样本

研究选取了中国股票市场的两个指数：沪深300指数（CSI300）和中证500指数（CSI500），分别代表大盘股和中小盘股。研究使用了这两个指数的ETF和期货的5分钟高频数据，数据时间跨度从2012年7月到2020年2月。

实验设计

研究将数据集划分为多个非重叠的等距窗口，每个窗口包含约180天的数据。其中70%的数据用于训练GP，30%的数据用于规则选择。研究还考虑了两种不同的交易成本假设（0.025%和0.1%），以评估交易成本对TTRs性能的影响。

关键结论

**1.无期货信息时的TTRs表现：**在不使用期货信息的情况下，GP训练的TTRs在样本内表现出较高的超额收益，但在样本外的表现不佳，平均超额收益为负。这表明在没有期货信息的情况下，中国股票市场表现出弱式效率，即历史价格信息难以被用来获取超额收益。

**2.加入期货信息后的TTRs表现：**当将期货价格信息纳入GP训练过程后，TTRs的样本外表现显著改善，超额收益增加，且更多规则在样本外测试中获得正收益。这表明期货市场信息能够显著提升TTRs的盈利能力。

**3.市场时机能力：**研究还评估了TTRs的市场时机能力，即规则在市场高回报期间进入市场、在低回报期间退出市场的能力。结果显示，加入期货信息后，TTRs的市场时机能力显著增强，尤其是在低波动率期间更倾向于进入市场。

**4.监管事件的影响：**2015年中国对股指期货市场实施了一系列监管措施，导致期货市场流动性大幅下降。研究发现，这些监管措施显著削弱了期货信息对TTRs盈利能力的提升作用，表明期货市场的信息溢出效应依赖于市场的套利效率。

研究意义

文章的研究结果对中国股票市场的信息效率和期货市场的功能提供了新的见解。它表明，期货市场信息可以通过信息溢出效应提升现货市场的交易规则表现，但这种效应受到市场套利效率和监管政策的影响。此外，研究还强调了在高频交易中，小盘股市场可能比大盘股市场存在更多的信息低效，为投资者提供了潜在的交易机会。

/wiki/static/upload/af/af1e655e-ed9b-4a1b-ac0c-2675a23b9c2a.pdf

使用大型语言模型进行情感交易

Wed, 12 Mar 2025 12:12:31 GMT

研究背景

金融领域越来越依赖文本数据（如金融新闻、监管文件和社交媒体）来预测经济事件和市场走势。

传统的情感分析方法（如基于词典的方法）存在局限性，无法充分捕捉文本中的复杂信息。

大型语言模型（LLMs）如BERT、OPT、QuantAgent和FinBERT等在自然语言处理（NLP）任务中表现出色，为金融文本分析提供了新的可能性。

研究目的

探讨LLMs在金融新闻情感分析中的表现，并与传统方法（如Loughran-McDonald词典）进行比较。

评估LLMs情感分数对股票回报的预测能力。

设计基于LLMs情感分析的交易策略，并评估其实际表现。

数据与方法

**数据来源：**使用Refinitiv的全球新闻数据和CRSP的每日股票回报数据，涵盖2010年1月至2023年6月期间的965,375篇美国金融新闻文章。

**模型选择：**研究了四种模型——OPT、BERT、QuantAgent、FinBERT和Loughran-McDonald词典。

情感分析方法：

使用LLMs对新闻文章的情感进行分类，并根据股票3天超额回报的正负情况对新闻进行情感标注。

通过回归分析评估LLMs情感分数对次日股票回报的预测能力。

交易策略设计：

根据LLMs的情感分数构建长仓、空仓和多空组合策略。

考虑交易成本（10个基点），并根据新闻发布时间调整交易执行时间。

研究结果

情感分析准确性：

OPT模型表现最佳，准确率为74.4%；BERT和FinBERT次之，准确率分别为72.5%和72.2%。

传统Loughran-McDonald词典的准确率仅为50.1%，远低于LLMs。

股票回报预测能力：

回归分析显示，OPT模型的情感分数对次日股票回报的预测能力最强，其回归系数显著高于其他模型。

FinBERT和BERT也表现出一定的预测能力，而Loughran-McDonald词典的预测能力最弱。

交易策略表现：

基于OPT模型的多空组合策略表现最为出色，从2021年8月到2023年7月期间实现了355%的收益，显著优于其他策略和传统市场组合。

BERT和FinBERT的多空组合策略也分别实现了235%和165%的收益。

相比之下，基于Loughran-McDonald词典的策略仅实现了0.91%的收益。

结论

LLMs（尤其是OPT）在金融新闻情感分析和股票回报预测方面表现出色，优于传统方法。

基于LLMs情感分析的交易策略能够实现显著的超额收益，显示出LLMs在金融投资策略中的潜力。

研究强调了将先进语言模型与金融分析相结合的重要性，并为未来的研究和实践提供了方向。

/wiki/static/upload/72/7231fc5f-e018-4463-b9fd-d991cd486104.pdf

股票市场高频交易与期权做市成本

Mon, 03 Mar 2025 02:51:47 GMT

文章背景

高频交易（HFT）通过高速交易和复杂的算法在金融市场中迅速崛起，显著改变了电子市场的运作方式。尽管已有大量文献研究了HFT对单一市场质量的影响，但很少有研究探讨HFT在不同资产类别（如股票和期权）之间的跨市场影响。本文填补了这一空白，研究了股票市场中的HFT活动如何影响期权市场的流动性。

研究方法与数据

研究使用了2009年纳斯达克HFT数据和期权价格报告机构（OPRA）的交易数据，覆盖了103只股票。主要变量包括HFT的交易量、期权市场的买卖价差、期权的隐含波动率、Delta、Gamma和Vega等。此外，还使用了CBOE的开收盘期权数据、Refinitiv的五分钟股票价格数据等。研究还通过两阶段最小二乘法（2SLS）和工具变量（IV）方法来解决潜在的内生性问题。

研究发现

1. HFT活动对期权市场的影响\n文章发现，股票市场中HFT的总活动与期权市场的买卖价差呈正相关。具体而言，HFT的流动性需求型交易（aggressive HFT）会导致期权市场的买卖价差扩大，而流动性供给型交易（liquidity-supplying HFT）则没有显著影响。这一效应在经济上具有重要意义：HFT活动每增加一个标准差，期权市场的买卖价差会增加3.5%，导致交易成本上升。\n2. 延迟套利渠道（Latency Arbitrage Channel）\n文章提出了延迟套利渠道，即HFT利用其速度优势在股票和期权市场之间进行套利。当期权市场的报价未能及时更新以反映股票市场的价格变化时，HFT可以通过“狙击”这些过时的报价获利。研究通过计算可盈利的看涨看跌平价关系（put-call parity）违规次数来测试这一渠道，发现HFT活动对期权价差的影响在这些违规次数较多的股票中更为显著。\n3. 知情交易渠道（Informed Trading Channel）\n文章还探讨了知情交易渠道，即期权市场的知情交易者可能通过期权市场向股票市场传递信息，从而影响HFT的活动。研究利用Raj Rajaratnam被捕这一外生冲击事件来测试知情交易的影响，发现知情交易在被捕前对期权价差和HFT活动有显著影响，而在被捕后这种影响消失。这表明知情交易在被捕前放大了HFT对期权价差的负面影响，大约使这种影响增加了50%。

结论

文章得出结论，股票市场中的HFT活动通过延迟套利和知情交易渠道对期权市场的流动性产生了负面影响。这些发现对市场参与者、监管者和政策制定者理解HFT在复杂市场结构中的作用具有重要意义。本文强调了需要更好地理解HFT的成本和风险，以确保市场的稳定和效率。

/wiki/static/upload/cc/cc91a74a-4a1a-40f0-a2eb-ae22b4368ae3.pdf

基于数据证券化的数据交易机制研究

Thu, 20 Feb 2025 07:09:20 GMT

1. 文章背景

在当前数据交易的学术研究和产业实践中，市场机制的有效性往往受到限制。本文提出一种基于数据证券化的数据交易机制。该机制将数据所有权与使用权分离，将所有权证券化，通过集中定价与自由交易的两阶段市场机制实现定价和撮合交易。本质上，本文构建的交易机制重塑了用户与持有者之间形成的价格空间中的定价场景，将买方、卖方和市场对数据的价值感知反映在数据价格中。本文利用强化学习方法对所提机制进行仿真验证，为其实际可操作性和有效性提供初步证据。

2. 现有研究分类与问题

文章将现有的数据交易机制研究分为三类：

1.基于卖家视角：包括成本定价、数据质量评估定价和卖家收益最大化定价。

2.基于买家视角：考虑买家对数据的需求和应用场景，如基于数据使用收益、买家效用和客户感知价值的定价。

3.基于市场视角：结合买家和卖家信息，考虑市场因素，包括基于博弈论和拍卖理论的研究。

现有研究存在的问题包括：

1.市场机制的作用未充分发挥，现有研究多集中在数据产品定价，而未充分考虑市场机制对数据流动的促进作用。

2.定价机制的合理性不足，多为固定价格和平台中介交易，未能充分反映数据产品的不确定性价值。

3.市场进入成本高，现有的估值定价方式增加了数据交易和持有成本。

3. 基于数据证券化的数据交易机制设计

1.设计目标

实现市场定价，促进交易。

反映不同市场参与者对数据产品的价值评估。

明确交易过程中的利益相关者，实现数据所有权的转移和利益分配。

2.基本设置

数据产品权利：数据所有权被分割为多个最小单位进行证券化，以提高流动性；数据使用权则不可分割，属于最终购买者。

市场参与者：包括数据持有者（初始上传者）、数据交易者（持有流通所有权）和数据用户（购买使用权）。

3.数据市场交易机制

准备阶段：数据持有者提交数据产品描述，获得所有权和使用权。

集中定价阶段：基于第二价格密封出价拍卖机制，形成交易基础价格，并分配流通所有权。

自由交易阶段：通过买卖订单匹配，形成市场价格，促进所有权流通，并允许数据交易者购买使用权。

4. 数据交易机制模拟

1.模拟设计

环境设置：状态空间包括市场价格、剩余份额、参与者信息等；动作空间包括买卖订单。

代理设置：包括数据交易者和数据用户两种角色，使用深度确定性策略梯度（DDPG）算法进行强化学习。

训练过程：使用经验回放机制，训练10,000时间步，每10步更新一次网络。

2.模拟结果

学习有效性验证：强化学习代理（Agent 2）的损失函数均值和标准差显著下降，表明代理在环境中学习成功。

学习稳定性验证：所有代理的损失函数均值和标准差均趋于稳定，表明学习过程稳定。

机制有效性验证：大多数代理能够通过优化策略获得更高的累积奖励，表明机制为参与者提供了优化和获利的互动交易环境。

正文

/wiki/static/upload/74/748cabf5-31e1-4c1f-8b9d-f80ea1f9ad4d.pdf

结合量化金融模型和市场微观结构分析来增强算法交易策略

Thu, 20 Feb 2025 03:53:17 GMT

文章背景

在当今复杂的金融市场中，“算法交易”变得非常重要。本文深入探讨了四个关键指标的融合 - 相对强弱指数（RSI）、指数移动平均线（EMA）、成交量加权平均价格（VWAP）和移动平均收敛/发散（MACD）相对强弱指数（RSI）、指数移动平均线（EMA）、成交量加权平均价格（VWAP）和移动平均收敛/发散（MACD）以创建和开发有效的交易策略。

使用这四个指标创建的武器蜡烛策略显示出它的效率，因为它能够实现 1.882 的利润因子。这表明，当这四个技术指标结合起来制定策略时，与使用两个或三个指标的组合相比，它可以提供更准确和更可靠的交易信号。算法交易者应该使用多指标方法来更全面地了解市场并做出明智的交易决策。

研究方法

本文采用了“武器烛台策略”（Weapon Candle Strategy），通过结合RSI、EMA、VWAP和MACD四个技术指标来优化交易信号。研究的主要贡献在于通过回测和参数调整，在NSE的NIFTY 50和BANKNIFTY指数上实现了60.63%的盈利交易比例和1.882的利润因子。

关键结论

1.单一指标表现：单独使用RSI、VWAP、EMA和MACD时，表现并不理想，利润因子均低于1.1，且存在较高的回撤风险。

**2.多指标组合策略：**通过结合四个指标，研究提出的“武器烛台策略”实现了显著的性能提升，盈利交易比例达到60.63%，利润因子为1.882，最大回撤仅为2.42%。

3.风险与收益平衡：该策略实现了1:1的风险与收益比，适合多种市场条件。

正文

/wiki/static/upload/20/20c4bbf7-242a-41ea-8bd8-2d26184800a9.pdf

一种基于机器学习的模型用于识别高频交易

Thu, 23 Jan 2025 08:31:09 GMT

简介

本文旨在开发一种基于机器学习技术的概率模型，以识别高频交易（HFT）。该模型能够进行精确的日内识别，解决了现有HFT识别框架缺乏广泛接受标准以及代理指标带来的不一致性问题。通过利用学术数据，该模型为未来的HFT研究提供了更好的一致性和可重复性。通过引入模糊逻辑，概率模型使政策制定者在制定政策时拥有更大的灵活性。研究使用了法国资本市场BEDOFIH数据库的数据，并开发了一个能够准确区分HFT的稳健分类模型。此外，通过逆向工程将模型转化为可解释的回归树，增强了模型的可解释性，同时不损害其预测能力。本研究为推进HFT研究提供了有价值的见解，并为在不同市场环境中识别HFT提供了一种可转移的方法。

研究内容

研究背景

高频交易（HFT）是金融市场中一种利用高速计算机系统和复杂算法进行超快速交易的策略。HFT在现代金融市场中占据重要地位，尤其是在美国和欧洲市场。然而，由于缺乏统一的定义和识别方法，HFT的识别一直是一个挑战。现有的识别方法主要依赖于交易者身份信息或特定的交易行为代理指标，这些方法存在局限性，无法提供一致和可重复的结果。

研究方法

数据来源：研究使用了法国金融市场监管机构（AMF）提供的BEDOFIH数据库数据，涵盖2017年5月4日的高频交易数据。
特征工程：研究提取了16个特征，包括订单价格、订单生命期、订单深度、与最佳买卖价的差异等。
机器学习模型：研究尝试了多种机器学习算法，最终选择了随机欠采样提升（RUSBoost）方法，因为它在处理类别不平衡数据时表现出色。
模型解释：通过逆向工程将复杂的集成模型转化为可解释的回归树，以便更好地理解模型的决策过程。

关键发现

模型性能：RUSBoost模型在识别HFT方面表现出色，具有较高的真阳性率（TPR）和真阴性率（TNR）。在测试数据中，该模型的TNR平均为73.69%，TPR平均为99.86%。
特征重要性：研究发现，订单生命期、订单状态、账户类型和交易组特征（recs）是区分HFT和非HFT的关键特征。
模型解释：通过回归树的解释，研究揭示了HFT订单的典型特征，例如订单生命期短、倾向于交易高流动性证券等。
实时识别能力：该模型能够利用公开的订单簿数据实时识别HFT，为监管机构提供了实时监控和管理HFT活动的工具。

结论

本研究通过机器学习技术开发了一个能够准确识别HFT的概率模型，并通过逆向工程增强了模型的可解释性。该模型不仅在法国市场表现出色，还具有在其他市场环境中应用的潜力。通过提供一种标准化的HFT识别方法，本研究为理解HFT对金融市场的影响提供了新的视角，并为政策制定者提供了灵活的政策制定工具。未来的研究可以进一步探索该方法在不同市场中的适用性，并优化模型以提高其识别精度。

详细正文

/wiki/static/upload/b2/b21082cd-5a33-4d06-9a7b-d3d38f191656.pdf

动量效应在基于机器学习的加密货币交易的应用

Thu, 23 Jan 2025 07:39:03 GMT

摘要

本文探讨了如何利用机器学习技术在加密货币交易中利用动量效应。加密货币交易近年来在私人投资者中越来越受欢迎，而动量效应对底层市场的影响已被多项研究证实。量化交易系统可以通过动量指标来开仓和平仓，但现有的利用动量效应的方法并未依赖机器学习，而是基于人工制定的规则，这些规则在加密货币市场这种高度波动的环境中并不适用。本文提出利用机器学习方法自动检测加密货币市场数据中的动量效应，并预测下一个交易日加密货币受动量效应影响的可能性及其方向。通过对比测试，机器学习模型能够较好地预测短期价格波动，减少错误交易信号的数量，并提高投资回报率。

研究内容

研究背景

加密货币市场近年来吸引了大量金融机构和投资者的关注，尤其是比特币（BTC）、以太坊（ETH）等加密货币的投机性交易显著增加。与传统资产相比，加密货币具有更高的价格波动性，这引发了关于其是否遵循传统金融市场预测模型的讨论。传统金融模型假设投资者是风险厌恶的，并且能够理性决策，同时市场存在有效的套利机制。然而，这些假设在加密货币市场中并不完全成立，导致了动量效应和反转效应等异常现象的出现。

动量效应指的是资产价格的正向自相关性，即价格上涨的资产可能继续上涨，而下跌的资产可能继续下跌。相反，反转效应指的是资产价格在长时间偏离后会回归其基本面价值。本文利用动量效应设计了一种盈利的加密货币交易策略。

研究方法

数据获取与准备：研究收集了比特币、以太坊和莱特币的历史价格数据，并基于技术分析指标进行特征工程。
数据集标注：使用动量效应标注数据集，将交易日分为正向动量、负向动量和正常日。
分类模型：训练并应用分类模型预测下一个交易日的动量效应及其方向。
机器学习模型：测试了多种机器学习模型，包括支持向量机（SVM）、高斯朴素贝叶斯（GNB）、K最近邻（KNN）、逻辑回归（LR）、随机森林（RF）等，并进行了广泛的回测实验。

关键发现

机器学习优于传统方法：机器学习方法在预测动量效应方面优于传统启发式方法，尤其是在减少错误交易信号和提高投资回报率方面表现突出。
KNN模型表现最佳：在所有测试的加密货币中，KNN模型平均表现最佳，尤其是在比特币和以太坊上。
交易结果：机器学习方法在交易模拟中表现出更高的盈利交易比例和更高的平均交易回报率。例如，在比特币上，KNN模型的平均交易回报率为0.78%，而传统方法仅为0.06%。

详细正文

/wiki/static/upload/82/827ff2e7-dea5-4f34-903f-4e0d80be5bf8.pdf

使用机器学习技术对配对交易的最优再平衡频率进行分类

Wed, 22 Jan 2025 07:46:50 GMT

文章简介

摘要

本文提出了一种基于机器学习（ML）的方法，用于预测配对交易算法（PTA）的最优再平衡频率（ORF）。研究使用了来自Binance交易所的50种加密资产的高频（按分钟）价格数据，并构建了所有可能的两资产组合。这些组合根据相关性被分为三组：正相关、弱相关和负相关。通过模拟PTA并计算每对资产的ORF，研究发现随机森林（RF）、逻辑回归（LR）和支持向量机（SVM）在短期和长期应用中对ORF范围分类的表现最为出色。负相关组合的分类性能最佳，而正相关组合的准确率最低。此外，通过验证数据集验证了所提ML程序的稳健性，证明了ORF范围分类在实际交易市场中的适用性。

作者

Mahmut Bağcı 和 Pınar Kaya Soylu

期刊

《伊斯坦布尔证券交易所评论》（Borsa Istanbul Review）

发表日期

2024年

研报总结

研究背景

配对交易是一种通过定期调整两个资产配置来获取利润的交易策略。其核心在于选择合适的再平衡频率（ORF），以最大化利润并控制风险。然而，ORF的选择受到多种因素的影响，包括资产之间的相关性、市场波动等。本文通过机器学习技术，探索如何准确预测ORF范围，以优化配对交易策略。

研究方法

数据来源：研究使用了来自Binance交易所的50种加密资产的高频价格数据（按分钟计算），涵盖2022年和2023年的数据。
配对交易算法（PTA）：PTA通过定期调整两个资产的权重来实现利润最大化。研究假设初始资产权重相等，并通过模拟交易来计算每对资产的ORF。
机器学习模型：研究使用了六种监督学习算法（逻辑回归、支持向量机、K最近邻、决策树、随机森林和朴素贝叶斯）来分类ORF范围。输入变量包括组合的均值、方差、偏度、峰度、风险价值（VaR）和相关系数，输出变量为ORF。

实验设计

相关性分组：所有资产组合根据相关性分为三组：正相关（>0.3）、弱相关（-0.3 ≤ r ≤ 0.3）和负相关（< -0.3）。
ORF分类：ORF范围被分为四个类别：非常高频率（≤1小时）、高频率（1小时 < 频率 ≤ 1天）、中等频率（1天 < 频率 < 1周）和低频率（≥1周）。
模型训练与验证：使用75%的数据作为训练集，25%的数据作为测试集。通过100次随机抽样（bootstrap方法）计算每种模型的平均准确率。

关键发现

ORF分布：正相关组合的ORF大多集中在中等频率范围（1天到1周），而负相关组合的ORF则集中在低频率范围（超过1周）。这表明，随着相关性从正向变为负向，最优再平衡频率逐渐降低。
模型表现：随机森林（RF）在正相关和负相关组合中表现最佳，逻辑回归（LR）和支持向量机（SVM）在弱相关组合中表现最佳。朴素贝叶斯（NB）在所有情况下表现最差。
验证数据集：通过2024年1月和2月的数据验证了RF模型的稳健性。结果显示，负相关组合的分类准确率最高，正相关组合的准确率最低。
实际应用：配对交易算法（PTA）在短期（月度）和长期（年度）应用中均优于被动持有策略。在短期应用中，PTA在91.80%的正相关、81.89%的弱相关和53.86%的负相关组合中表现更好；在长期应用中，PTA在所有组合中均优于被动持有策略。

结论

本文通过机器学习技术成功预测了配对交易的最优再平衡频率范围。研究结果表明，通过合理选择再平衡频率，可以显著提高配对交易的利润。此外，所提出的机器学习方法具有较高的准确率和稳健性，可以应用于实际交易市场。未来的研究可以探索更多特征变量和先进的机器学习算法（如深度学习或集成学习），以进一步提高ORF范围分类的准确性。

正文

/wiki/static/upload/7f/7f279fab-ba47-44ef-af4b-97698e036a60.pdf

智能贝塔策略在中国市场的应用研究

Wed, 22 Jan 2025 03:02:54 GMT

研究背景

随着智能贝塔策略在中国股票市场的关注度不断提高，本文研究了六种知名风险因子（规模、价值、低波动率、动量、质量和股息）在中国市场的有效性，研究时间为2006年7月31日至2018年11月30日。

主要内容与发现

因子表现概览\n研究发现，所有风险因子均实现了绝对和风险调整后的回报差异。低波动率、价值和高股息组合的风险调整后回报差异最高。除动量指数外，所有由标普道琼斯指数公司提供的中国因子指数均实现了长期的绝对和风险调整后的超额回报。
因子指数的市场表现
- 低波动率指数：表现最为出色，不仅回报率最高，还显著降低了波动率和回撤幅度。
- 高股息指数：在熊市中表现出色，具有防御性特征。
- 动量指数：在牛市中表现更好，但在熊市中可能表现不佳。
- 价值、质量和规模因子：在不同市场周期中表现出明显的周期性特征。
市场周期与投资者情绪的影响
- 市场周期：因子指数对市场周期敏感，动量因子在牛市中表现更好，而低波动率和质量因子在熊市中更具防御性。
- 投资者情绪：低波动率、高股息和高质量股票在市场情绪低迷时表现更好，而小盘股和高动量股票在市场情绪中性或低迷时可能获得更高回报。
因子策略的周期性特征
- 小盘股和高动量股：表现出明显的顺周期性，适合在市场上涨时配置。
- 低波动率和高质量股：表现出防御性，适合在市场下跌时配置。
多因子策略的优势\n研究指出，不同因子之间的相关性较低，这意味着通过组合多种因子策略，可以实现风险分散化，从而降低整体投资组合的风险。

结论

智能贝塔策略在中国市场表现出显著的周期性特征，不同因子在不同市场环境下表现各异。低波动率和高股息因子在风险控制和防御性方面表现出色，而动量和小盘因子则在市场上涨时更具优势。投资者可以根据市场预期和情绪，灵活配置不同因子策略，或采用多因子组合以实现风险分散化和长期收益优化。

适用建议

本文为投资者提供了在中国市场应用智能贝塔策略的实证研究结果，建议投资者根据市场周期和情绪调整因子配置，或采用多因子策略以降低风险并提高收益。

详细正文

/wiki/static/upload/38/3834f9c1-68ac-4932-875d-f1e2369d0b1f.pdf

通过多因子智能贝塔投资实现更平稳的超越市场表现

Wed, 22 Jan 2025 02:53:26 GMT

作者：Chris Brightman, CFA, Vitali Kalesnik, PhD, Feifei Li, PhD, 和 Joseph Shim

文章背景

智能贝塔（Smart Beta）投资策略，也称为因子投资（Factor Investing），近年来迅速取代了传统的股票选择策略。传统主动管理的股票型共同基金表现持续低于被动基准，而许多基于因子的智能贝塔策略则持续超越这些市值加权基准。本文探讨了如何通过多因子智能贝塔策略实现更平稳的超越市场表现。

主要观点与发现

因子投资的优势\n研究人员已经识别出数百个声称可以预测股票回报的因子，但作者认为只有少数几个因子能够提供超越市场的机会。这些因子包括价值（Value）、低贝塔（Low Beta）、盈利能力（Profitability）、投资（Investment）、动量（Momentum）和规模（Size）。通过分散投资这些因子，可以显著降低跟踪误差，并提高风险调整后的回报。
因子与智能贝塔的区别
- 因子（Factor）：公司和股票价格特征，提供跨股票市场的共同回报来源。
- 因子组合（Factor Portfolio）：通过做多具有期望特征的股票，做空不具有期望特征的股票来构建。
- 智能贝塔（Smart Beta）：简单、透明、低成本的系统化投资策略，通常设计用于利用因子研究。智能贝塔策略是纯多头组合，避免了实施成本过高。
六种最具稳健回报的因子\n作者通过研究发现，以下六个因子在未来几十年内有潜力超越市场：
- 价值（Value）
- 低贝塔（Low Beta）
- 盈利能力（Profitability）
- 投资（Investment）
- 动量（Momentum）
- 规模（Size）\n这些因子在美国市场的平均年化因子回报率为4.86%，且因子之间的相关性大多较低或为负，表明它们可以提供强大的分散化收益。
因子投资的挑战
- 许多因子是数据挖掘的结果，可能不具备长期有效性。
- 一些因子在学术研究中表现良好，但实际投资中可能已经耗尽机会。
- 低贝塔因子的高回报部分源于估值上升，未来可能表现不佳。
- 因子组合的实际回报需要考虑交易成本，某些因子的交易成本可能过高，抵消了所有收益。
多因子智能贝塔策略\n通过将单个因子策略组合成多因子智能贝塔策略，可以显著降低风险并提高回报。作者测试了三种组合方法：
- 买入并持有（Buy and Hold）：将组合平均分配到六个因子策略中，不进行再平衡。
- 系统性再平衡（Systematic Rebalancing）：每季度将组合重新平衡到每个因子策略的平均权重。
- 动态再平衡（Dynamic Rebalancing）：基于短期动量和长期均值回归信号，动态调整因子权重。\n动态再平衡策略表现最佳，年化回报率比平均单因子策略高出近1个百分点，同时显著降低了最大回撤和表现不佳的持续时间。
国际市场的实证研究\n作者在国际市场上（日本、英国和欧洲）进行了样本外测试，发现多因子智能贝塔策略在这些市场中也表现出显著的超额回报和风险降低效果。

结论

通过多因子智能贝塔策略，投资者可以在显著降低跟踪误差和缩短表现不佳时期的同时，实现超越市场的表现。动态再平衡策略能够进一步提高回报和降低风险，为投资者提供一条更平稳的超越市场表现的路径。

适用建议

本文为投资者提供了如何通过多因子智能贝塔策略实现更稳健的超额回报的实证研究和方法论指导。投资者可以根据自身的风险偏好和市场环境，选择适合的再平衡策略。

详细全文

/wiki/static/upload/de/de9d4309-fcfd-4093-a021-297a41a8350a.pdf

StockRanker 介绍

Wed, 15 Jan 2025 11:40:37 GMT

StockRanker

StockRanker 是 BigQuant 平台提供的高性能排序学习算法(list-wise)，为量化投资场景做了优化。StockRanker可以根据输入的多个股票特征训练模型和做出排序预测。

在量化投资中，排序任务指的是根据某些标准对一组股票进行排序。例如，投资者可能希望按照未来收益潜力对股票进行排序，以决定投资组合的构成。排序学习（Learning to Rank）是一种机器学习方法，专门训练一个模型来优化排序效果。StockRanker 采用的是 list-wise 方法，它不仅考虑个别股票的特征，还关注整个股票列表的排序质量，从而实现更优的排序结果。

StockRanker的原理可以参考论文：From RankNet to LambdaRank to LambdaMART

使用说明

在 AIStudio 中，+ 新建策略 > 选择可视化AI策略模版，这里使用的是 StockRanker 算法。

M.stockranker.v9(
    train_data: I.port("用于训练的数据", specific_type_name="DataSource", optional=True) = None,  # type: ignore
    validation_ds: I.port(
        "验证集，用于在训练过程中检验模型的状态，收敛情况。验证集通常用于调整超参数，根据几组模型验证集上的表现决定哪组超参数拥有最好的性能",
        optional=True,
        specific_type_name="DataSource",
    ) = None,  # type: ignore
    base_model: I.port("基础模型，可以在此模型上继续训练", optional=True, specific_type_name="字符串") = None,  # type: ignore
    predict_data: I.port("用于预测的数据", specific_type_name="DataSource", optional=True) = None,  # type: ignore
    learning_algorithm: I.choice("学习算法，机器学习优化算法", ["排序", "回归", "二分类", "logloss"]) = "排序",  # type: ignore
    number_of_leaves: I.int("叶节点数量：每棵树最大叶节点数量。一般情况下，叶子节点越多，则模型越复杂，表达能力越强，过拟合的可能性也越高", min=1) = 30,  # type: ignore
    min_docs_per_leaf: I.int("每叶节点最小样本数：每个叶节点最少需要的样本数量，一般值越大，泛化性性越好", min=1) = 1000,  # type: ignore
    number_of_trees: I.int("树的数量：一般情况下，树越多，则模型越复杂，表达能力越强，过拟合的可能性也越高", min=1) = 20,  # type: ignore
    learning_rate: I.float("学习率：学习率如果太大，可能会使结果越过最优值，如果太小学习会很慢", 0.0, 1.0) = 0.1,  # type: ignore
    max_bins: I.int("特征值离散化数量：一般情况下，max_bins越大，则学的越细，过拟合的可能性也越高", min=1) = 1023,  # type: ignore
    feature_fraction: I.float("特征列采样率：在构建每一颗树时，每个特征被使用的概率，如果为1，则每棵树都会使用所有特征列", 0.0, 1.0) = 1,  # type: ignore
    data_row_fraction: I.float("数据行采样率：在构建每一颗树时，每个样本数据被使用的概率，如果为1，则每棵树都会使用所有数据行", 0.0, 1.0) = 1,  # type: ignore
    sort_by: I.str("数据排序字段，对输入数据排序，多个字段用英文逗号分隔，为空则不对数据排序，一般使用 date,instrument，兼容旧版使用 date") = "date,instrument",  # type: ignore
    plot_charts: I.bool("显示模型相关图表") = True,  # type: ignore
    ndcg_discount_base: I.float("NDCG base：用于计算NDCG的 discount = log2(base + position)，其中position从1开始。base越大，位置的影响越小", 0.0) = 1,  # type: ignore
) -> [
    I.port("预测结果", "predictions"),  # type: ignore
    I.port("模型", "model"),  # type: ignore
]

理解模型

特征重要性：一般用来观察不同特征的贡献度。排名越靠前越重要的。计算原理可以参考 xgboost 等算法的 feature importance。一般可用于：
- 模型的可解释性：期望情况下，重要的特征是符合观察和逻辑的
- 特征筛选：剔除贡献度不高的尾部特征，增强模型的鲁棒性的同时，起到特征降维的作用
模型：展示了StockRanker的树模型可视化。该模型由多棵决策树组成，每棵树的内部节点包含特征及判断条件，叶节点表示预测分数。所有树的分数相加得出最终预测分数。分数仅用于相对比较，绝对值大小不代表相关性，例如使用score > 2.323进行过滤可能导致过拟合。

优化模型

可以从如下几方面优化模型效果（可用于一般机器学习算法）

数据准备：使用高质量的数据，确认数据，BigQuant 平台提供行情、财务、技术指标、另类因子等丰富的数据，并对数据做了时间对齐和一般清洗。但在具体问题时，仍可能需要去确保完整性，处理缺失值和异常值等。
特征工程：特征选择和创新往往是alpha的根本来源，这是应该重点关注的。根据投资策略选择相关特征，如市盈率、动量指标等。创建新的特征以捕捉更多市场信息，例如滚动平均、波动率等。
算法参数：StockRanker默认提供了一组经验参数，但根据需求可能需要调整模型的超参数，如学习率、树的数量等
- 数据量（样本和特征）和模型复杂度一般正相关，常用相关参数 number_of_leaves、min_docs_per_leaf、number_of_trees
- 其他参数可以参考前面文档
评估模型
- 使用排序指标（如 NDCG）评估模型性能，可以在训练中指定 validation_ds（简单的可以直接把训练数据连接上去，验证集不影响训练结果），查看每个迭代的 NDCG 变化
- 根据策略绩效做端到端评估

常见问题

Q1: StockRanker 是否支持自定义特征？

是的，用户需要自己选择和构建特征，以提升模型的适应性和预测能力。

Q2: 如何处理模型的过拟合问题？

可以通过增加数据量、使用正则化技术、减少特征数量或采用交叉验证等方法来缓解过拟合。

Q3: StockRanker 的训练时间长吗？

由于 StockRanker 针对多核进行了优化，使用更多核心，往往可以数倍的提高计算速度。可以升级到 BigQuant Pro 获得更多算力和数据。

Q4: 我可以解释 StockRanker 的排序结果吗？

是的，StockRanker 提供了特征重要性分析，帮助用户理解哪些特征在排序中起到了关键作用。

基金抱团加强，量化选股策略超额明显-光大证券20250105

Fri, 10 Jan 2025 10:01:30 GMT

要点

市场情绪追踪：上涨家数占比指标最近一个月高位震荡，上涨家数占比达 70%以上，市场情绪较高。从动量情绪指标走势来看，近一月快线、慢线均向上，快线处于慢线上方，预计在未来一段时间内将维持看多观点。从均线情绪指标来看，短期内沪深 300 指数处于情绪景气区间。\n基金分离度跟踪：截至 2024 年 12 月 31 日，基金抱团分离度环比上月下行，基金抱团程度有所加强。最近一月抱团股和抱团基金超额收益出现小幅上行。\nPB-ROE-50 策略跟踪： PB-ROE-50 策略在各股票池超额收益明显。基于中证500 股票池获得超额收益 1.82%。基于中证 800 股票池获得超额收益 2.78%。基于全市场股票池获得超额收益 4.09%。\n机构调研策略跟踪：公募调研选股策略和私募调研跟踪策略在 12 月份超额收益明显。公募调研选股策略相对中证 800 获取超额收益 1.18%，私募调研跟踪策略相对中证 800 获取超额收益 2.57%。\n负面清单：截至 2024 年 12 月 31 日，宽松有息负债率排名前 30 的股票中，中毅达、指南针、现代投资、春兴精工、思创医惠、华映科技、泉峰汽车在传统口径下排名在 100 及以后。\n财务成本负担率较高的股票有宁波方正、赣锋锂业、宝莱特、海汽集团、龙洲股份、中华企业、曲美家居、光明地产、新时达、广弘控股、晨鸣纸业、ST 汇金、正平股份、五矿新能、海南橡胶、首华燃气、清水源、安道麦 A、回盛生物，其指标数值均在 10 倍以上。

正文

/wiki/static/upload/8b/8bf5e8de-e559-49c1-ad85-3a911726436f.pdf

转债凸性的量化表达（gamma）-天风证券20241224

Fri, 10 Jan 2025 09:27:28 GMT

简介

转债凸性的理论逻辑虽然和衍生品 greek 中的 gamma 类似，但实际操作思路上更类似于债券的凸性。这主要是因为转债在目前的 A 股市场中的主流投资策略是持有买入，而非 delta 对冲套利。

基于此，凸性对转债来说是“好属性”：当正股上行，凸性会放大转债 delta 收益；当正股下行，凸性会作为对冲项减少转债跌幅。从这个角度来看，高凸性转债或有一定超额收益。

我们设计了两种衡量凸性的方案：BS 优化法和截面差分法。

BS 优化法：我们用隐波来替代 BS 公式的正股波动率，这种情况下 BS 公式得到的转债价格和实际转债价格一致，从而得到的BS公式 gamma 解析解，相当于是仅考虑转股期权的情况下，当前转债价格关于股价的二阶导的解析解的近似。

截面差分法：截面差分法完全舍弃了 BS 的定价框架，从时间截面上转债平价-转股溢价率的统计关系入手，假定两者存在映射关系 f，则利用 f 我们可以得到截面上转债溢价率变化和的转换价值变化的二阶导关系，进而反推出转债收益率和正股收益率的凸性关系（我们以后称为截面差分 -gamma）。相对于 BS 优化-gamma，截面差分-gamma 对任意个券均能得到全时段相对平滑的凸性曲线。

若每月月末买入 BS 优化-gamma 最大的 30 只转债，从结果来看，2020 年以来两种策略均能取得明显正收益。其中 BS 优化-gamma 年化收益在 10%左右，且每年收益分布相对均匀。相对中证转债指数，BS 优化-gamma 策略仅在两个时段出现明显超额回撤：2021 年年初和 2024 年 Q3，均是转债出现信用风险担忧的时间。也即转债凸性主要从股性角度寻找 alpha，债性因素扰动下，转债凸性择券效果一般。

相比于传统的低价和双低策略，Gamma 因子有明显独立性。设定月度投 30 只转债的前提下，2022 年以来高 gamma 策略和低价策略仓位重合度多数情况下不足 50%，和双低策略仓位重合度多数情况下不足 40%。

另一方面，从超额收益的角度来看，历史回测表明，在过去很长一段时间， gamma 因子相较低价、双低策略出现明显正超额收益。而且从结果上来看，gamma 策略超额表现较好的时间点往往是转债估值偏高的时段，也即在转债市场“内卷”的环境下，更进一步的二阶导策略有效性提升。

12.20 调仓仓位：本钢、希望、万凯、兴业、温氏、闻泰、齐翔 2、希望 2、上银、贵燃、华翔、弘亚、禾丰、旺能、永安、西子、丰山、苏利、东亚、大中、利民、江山、凌钢、通裕、东南、回盛、紫银、佩蒂、永东 2、长集等。

风险提示：历史统计规律失效风险；资金流动性超预期风险；条款博弈风险；业绩披露不及预期风险；宏观超预期风险事件风险。