本报告基于盈利与成长两大核心变量构建基本面量化选股策略，实证回测从2009年到2021年，等权重组合年化收益率达30.32%，显著超越同期中证800和偏股混合基金指数。组合采用ROE、销售毛利率和现金回报率等指标筛选，行业覆盖医药生物、化工、电子等，持仓稳定，换手率适中，风险控制有效，最大回撤低于50%。策略稳定展现出持续超额收益能力，适合长期战略配置参考[page::0][page::1][page::2][page::3][page::4][page::5][page::6].
本报告基于深度学习方法，结合高频价量数据构建日频因子，通过7层全连接神经网络提取高阶特征，结合回归模型筛选优质选股因子。样本外测试显示，所提取因子平均信息系数(IC)高达7.7%，基于因子组合构建的多头组合在中证500和中证1000成分股中的年化超额收益率分别达26.0%和42.4%，超额夏普比率分别为2.99和3.37，验证了深度学习在高频因子挖掘中的有效性和应用潜力。未来可探索卷积神经网络和循环神经网络等结构以进一步提升特征表达能力。[page::0][page::4][page::9][page::10][page::13][page::14][page::16]
本报告基于信息不对称理论，构建了高频价量数据因子VWPIN，量化衡量市场个股信息优势交易概率。通过全市场及多个指数范围的实证分析，VWPIN因子均表现出显著的选股能力，因子IC均值在0.033-0.064之间，正IC占比保持在60%以上，回测期间多头对冲策略年化收益率达19.07%，且与传统BARRA因子相关性较低，适合作为新的高频技术性选股因子。同时，因子具有较高换手率，对手续费较为敏感，需重点关注风险管理 [page::0][page::10][page::13][page::14][page::15][page::16][page::17][page::18][page::19].
本报告提出了基于Transformer架构的跨模态时间融合模型CMTF，融合了历史价格、宏观经济指标和财经文本数据，利用张量表示和解释方法以提升金融市场预测的准确性和可解释性。实证结果显示，CMTF在股票涨跌方向预测中优于多种基线模型，特别是在召回率和F1值上显著提升，且自动训练策略加快了模型迭代与优化过程[page::0][page::1][page::4][page::5][page::7]。
本报告提出一种结合GARCH模型与深度强化学习的混合框架，实现了动态调整市场风险水平的VaR估计。实证验证显示，该方法在欧元区Stoxx 50指数数据上显著提升了VaR预测准确性，减少违反次数及资本需求，同时满足监管指标。通过视为不平衡分类问题的DDQN模型优化风险分类，增强了模型对极端事件的响应能力，凸显其在现代风险管理中的应用价值 [page::0][page::2][page::3][page::5][page::15][page::16][page::20][page::21][page::23]
本报告提出了Patched Channel Integration Encoder (PCIE)模型，通过创新的股票价格数据“分块令牌化”方法，融合绝对价格与价格变动通道，实现多步股票价格的预测与预测。该方法有效缓解了多步预测中的累计误差问题，并显著提升了模型在两个真实股票数据集上的均方误差和平均绝对误差表现，实现了当前最先进的多步股票价格预测与预测性能[page::0][page::4][page::9][page::12]。
本报告系统研究了对数Heston模型相关偏微分方程的存在性与唯一性问题，突破Feller条件限制，证明了供应更广泛初始条件（包括不连续）的唯一粘性解存在性，并扩展经典解的正则性结果。针对金融衍生品定价中的PDE，报告还提出并验证了一种基于有限差分与树状方法的混合数值逼近方案，保证其收敛性，适用于Heston及相关模型，兼顾理论与计算实践 [page::0][page::1][page::3][page::12][page::20][page::22][page::27]
本报告首次提出结合外部时序知识图谱信息，通过动态异质图神经网络与时序过程模型，提升股价预测的排名准确性。构建了涵盖宏观经济指标、企业事件和股票间复杂关联的时序知识图谱，并设计了TA-HKGE模型，实现对不同持有期内股票收益的有效排序，实验证明显著优于传统基于历史价格的模型 [page::0][page::1][page::3][page::4][page::6][page::9]。
本报告基于巴西Petrobras欧式期权的历史数据，构建深度残差神经网络模型进行期权定价。通过自定义混合损失函数结合市场数据和Black-Scholes模型，模型在3至19巴西雷亚尔价格区间的平均绝对误差（MAE）较Black-Scholes减少64.3%，表现更优且对长期到期选项的预测更加精准，揭示了深度学习在金融定价建模的潜力与局限性 [page::0][page::6][page::9]。
本报告基于条件独立随机变量模型，揭示金融资产收益率分布的尺度变换规律，说明收益率的幂律厚尾和其波动率分布幂律厚尾之间的直接联系。通过对标普500指数、苹果、Paramount股票及比特币的实证分析，发现股票收益率尾部服从幂律，而比特币收益率表现出拉伸指数分布特征，源自其波动率分布的不同形态，验证了模型的广泛适用性与数据折叠现象[page::0][page::1][page::2][page::3][page::4]。
本文提出一种线上多变量正则化分布回归模型，实现对高维电力价格条件分布所有参数的联合建模。该模型基于多变量分布回归，结合LASSO型正则化的在线坐标下降算法，支持依赖结构的路径式正则化和提前停止。通过德国日前电力市场的实证预测研究，结果显示相比只建模边际分布且依赖结构静态不变的模型，该方法在考虑如可再生能源注入及历史价格等指标时，能显著提升预测性能且计算速度提升80至400倍以上，具备实际应用潜力 [page::0][page::1][page::3][page::13][page::19][page::21]。
本报告提出一种结合随机波动率和利率变动扩展的Black-Scholes模型，采用有限差分法求解偏微分方程，并与基于LSTM的机器学习模型进行比较。研究显示，LSTM在预测准确性上优于扩展PDE模型，但计算效率逊色；扩展模型适合对参数敏感且需快速计算的场景。两种模型对不同市场条件均表现出良好的适应性，为期权定价提供了互补的视角和实用策略 [page::0][page::1][page::3][page::4][page::5]。
本报告探讨了量子退火技术在投资组合优化中的应用，通过混合量子-经典方法有效提升了资产选择和配置效率。实证结果显示，基于量子优化的投资组合在13个月内比基准组合多增值约30万印度卢比，且再平衡策略进一步提升了组合表现，体现出量子技术在金融优化上的潜力与应用前景 [page::0][page::4][page::5][page::6]。
本报告基于Vasicek模型扩展，引入负跳跃过程刻画极端气候事件对企业资产价值的冲击，结合资产强度及地理脆弱性实现企业物理气候风险聚类；通过调校模型参数，量化物理气候风险对股票组合的影响，构建物理风险加成的VaR指标，揭示不同行业和地区气候风险暴露异质性，为资产管理和监管提供科学风险计量框架和实操工具 [page::0][page::1][page::4][page::6][page::9][page::12][page::14][page::16]
本报告提出了一种结合卷积神经网络（CNN）与Transformer结构的混合模型，用于有效捕捉金融时间序列中的短期波动与长期依赖。通过对标普500成分股的日内价格预测实验，模型在准确率和计算效率上均优于传统统计方法和先进深度学习模型，展示了该方法在金融预测领域的广泛应用潜力 [page::0][page::2][page::5][page::7].
本报告提出基于Echo State Network（ESN）的多时段非线性预测框架，用于预测美国股市内日不同时间区间的股票收益率。相较传统线性模型和带正则化的回归基准，ESN因其固有的递归结构和非线性映射能力，实现了最高0.87%的均方预测误差（MSFE）降低，并且在统计检验中表现显著优越。该方法计算效率高，适合系统性交易中的实时预测，预测性能对随机参数初始化保持鲁棒性，尤其适用于短中期（10分钟至2小时）预测，收盘收益预测效果较弱[page::0][page::2][page::13][page::16][page::17]。
本文针对边际期望缺口（MES）这一系统性风险核心指标，在已知边际分布但不确定依赖结构的条件下，推导了MES的最坏与最好风险边界，并通过加性、乘法和最小值三种背景风险模型利用有限依赖信息改进风险边界。此外，基于资本资产定价模型假设的风险线性回归关系，给出另一组MES风险边界。研究揭示，依赖信息的引入显著缩小了风险评估的区间，提升了系统性风险度量的准确性 [page::0][page::3][page::7][page::11][page::16][page::23][page::26]
本报告提出了一种基于深度学习的端到端风险预算组合框架，采用带有下界约束的softmax层显著提升了模型对神经网络初始化的稳定性，减少了结果的波动性，同时确保组合表现持续优于风险平价基准。实证结果基于7只ETF的历史数据，验证了该框架在样本内外的鲁棒性和较低的绩效离散度，推动大规模资产组合优化的可行性，为金融投资提供可靠且高效的深度学习方案 [page::0][page::1][page::6][page::8][page::15][page::16][page::17][page::18][page::19]
本报告围绕固收＋基金展开，基于历史净值和持仓数据构建了超额收益稳定性、静态持仓表现及动态交易能力三大因子，综合评估固收＋基金历史表现与交易能力。通过多因子量化筛选构建基金组合，获取显著且稳定的超额收益，且在控制基金指数配置偏差基础上实现指数增强。报告还分析了固收＋基金的配置特征、业绩归因及赎回成本控制，具有重要参考价值 [page::0][page::3][page::6][page::13][page::16][page::20]
本报告基于主动型权益基金的重仓股持仓频次，从热门股、普通股、冷门股三类个股视角对基金权益资产收益进行分解，应用Carino方法计算季度收益贡献，并开发基金因子描述基金对不同类型个股的投资能力。研究发现，热门股呈现大盘成长特征，冷门股偏小盘价值，且冷门股因子构建的基金组合在历史回测显示了显著超额收益。此外，基于基金重仓冷门股筛选的个股组合，长期收益优于整体冷门股及沪深300和中证500指数，显示该另类分类视角具备良好的投资指导价值。[page::0][page::8][page::10][page::16][page::17][page::21][page::22]
