本报告提出了一种基于端到端深度学习的期权交易策略框架，摒弃传统定价模型和市场假设，直接从期权市场数据学习交易信号。通过对标普100中标的的一个多周期回测，深度学习模型相较于规则型趋势和均值回归策略在风险调整收益上显著领先，LSTM模型在考虑交易成本时表现尤为优异。引入换手率正则化后，模型在高交易成本环境下仍能维持较优表现，展现了数据驱动策略在期权交易中的强大潜力和可扩展性 [pidx::0][pidx::1][pidx::2][pidx::3][pidx::4][pidx::5][pidx::6][pidx::7]
本报告提出了一种基于频率域的时间序列预测框架FreqTSF，通过引入频率变换模块和频率交叉注意力，模拟因果系统中实部与虚部间的Kramer-Kronig关系，提升对长短期依赖和多周期信号的捕获能力。该方法通过短时傅里叶变换提取多尺度频率信息，用频率交叉注意力确保频域内实虚部的内在联系，显著降低计算复杂度，从理论和实证上均证实其时间复杂度和内存复杂度从$\mathcal{O}(L^2)$降至$\mathcal{O}(L)$，在四个基准数据集上相比最新方法实现了15%的均方误差和11%的平均绝对误差相对减小，验证了其优越的预测性能和资源效率[pidx::0][pidx::1][pidx::3][pidx::6][pidx::8].
本报告提出并实现了基于“液体民主”理念的Liquid Rank声誉系统，通过对比Twitter上比特币相关推文的情感指标和用户声誉评分，显著提升了情感指标与比特币价格变化及交易量之间的相关性。研究表明，应用该声誉系统后，相关指标（如用户发帖字数和认知行为模式等）的Pearson相关系数提升达10%以上，且合成加成因子（SACI）分析结果显示，考虑声誉系统和1天滞后数据能更准确预测比特币价格波动，表明该系统在社交媒体趋势分析和加密货币价格预测中具备良好潜力和应用价值 [pidx::0][pidx::1][pidx::2][pidx::3]。
本报告提出了Quantformer，一种基于Transformer的改进型神经网络架构，用于构建投资因子。通过替换词嵌入层为线性层，直接处理数值型时间序列数据，并简化解码器结构，Quantformer能够有效捕获长期依赖关系，精准预测股票未来一段时间的收益。利用2010年至2023年中国A股4601只股票超500万条滚动数据进行训练和回测，Quantformer因子在多频率（月、周、日）数据上的交易策略均展现出显著优于传统100个价格-成交量因子的表现，收益、夏普率与Alpha均处于领先水平，且具备良好的风险控制能力。研究验证了结合市场情绪信息的Transformer模型在量化交易中的潜力 [pidx::0][pidx::10][pidx::14][pidx::15][pidx::16].
本报告提出OMNIPRED框架，基于大型语言模型，利用Google Vizier多任务异构黑盒优化数据，实现对不同输入空间和目标函数的通用回归预测。通过文本化参数及指标表达，LM在多任务混合训练中显著优于传统回归模型，且具备对新任务快速微调的迁移能力，展现了语言模型在实验设计中高精度、跨域数值回归的潜力 [pidx::0][pidx::1][pidx::3][pidx::6][pidx::8]
本报告系统性综述了大规模语言模型（LLMs）的最新进展，涵盖其背景、关键能力（如内隐学习、指令跟随与推理）、核心技术（如模型扩展、训练与调优）、应用方法（如提示学习和链式推理）及性能评估。通过汇总代表性模型和数据集，分析了预训练数据的构成与质量对模型能力的影响，以及适应性调优（指令调优与RLHF）在提升模型对人类需求和安全性的作用，全面呈现了LLMs在自然语言处理、知识利用及复杂推理等多领域的应用与挑战，为研究与实践提供权威参考 [pidx::0][pidx::1][pidx::4][pidx::8][pidx::14][pidx::19][pidx::22][pidx::23][pidx::27][pidx::31]
本报告系统阐述了下一代量化投资Quant 4.0的全景技术框架，聚焦自动化AI、可解释AI、知识驱动AI三大核心组成，旨在突破传统Quant 3.0在模型调参劳动力、黑箱解释及低频投资场景应用中的局限性。报告结合丰富图表，详尽介绍了自动因子挖掘、神经符号回归、AutoML架构搜索、模型压缩、XAI方法（如LIME、SHAP）、金融知识图谱构建与推理技术，及其在量化选股与风险分析中的应用。此外，系统描述了Quant 4.0的软硬件平台架构及计算资源需求，重点指出未来十个技术挑战，包括计算力需求爆炸、另类数据融合、认知AI和因果推断、金融元宇宙模拟、跨时空统一建模等，为量化投资技术创新与实践提供全面指南和研究方向 [pidx::2][pidx::9][pidx::11][pidx::17][pidx::20][pidx::24][pidx::27][pidx::29][pidx::32][pidx::33][pidx::36][pidx::37][pidx::38][pidx::39][pidx::40]
本报告系统评估了多种深度学习模型（包括随机模型、逻辑回归、MLP、LSTM、带自注意力机制的LSTM及CNN-LSTM）在限价订单簿（LOB）高频交易价格变动预测中的性能表现。结果显示，多层感知机（MLP）与当前最先进的CNN-LSTM模型性能相当，提示时空动态虽为LOB的良好近似，但可能非其本质维度。基于LOBSTER提供的英特尔股票数据，模型通过不同时间跨度的对数收益率分类任务进行比较，并利用贝叶斯相关t检验聚类模型性能，揭示了不同架构对LOB复杂性不同层次的捕捉能力 [pidx::0][pidx::9][pidx::10][pidx::11][pidx::12][pidx::15]。
本报告研究市场做市商同时在明池和暗池中提供流动性的最优控制问题，结合代理问题框架，设计交易所针对做市商的最优激励合约。通过构建并求解高维非线性哈密顿-雅可比-贝尔曼(HJB)方程，报告证明了解的存在唯一性，并引入深度强化学习算法近似最优控制策略和激励方案。数值实验揭示了激励机制对做市商订单量分布的显著影响及暗池交易延迟对价格影响的调节作用，为多场景下交易所制定make-take费用政策提供量化支持 [pidx::0][pidx::2][pidx::5][pidx::7][pidx::14][pidx::19][pidx::20][pidx::23]
本报告采用深度强化学习算法设计连续期货合约的交易策略，涵盖离散和连续动作空间，并引入波动率调整提升奖励函数表现。基于2011年至2019年50个最活跃期货合约的多资产类别数据，实证显示所提算法优于经典时间序列动量策略，能在高交易成本下实现正收益。实验结果表明算法能有效捕捉大趋势并在盘整期灵活调整持仓，为金融量化交易策略设计提供新思路与参考 [pidx::0][pidx::1][pidx::6][pidx::7][pidx::8]。
本论文提出了基于深度强化学习的加密货币市场做市框架（DRLMM），采用先进的策略梯度算法（A2C与PPO）结合多级限价订单簿（LOB）、交易流不平衡（TFI）及订单流不平衡（OFI）指标作为观测空间，实现端到端的市场做市自动化。实验比较了两种奖励函数（位置盈亏与交易完成），验证了模型能在比特币、以太坊和莱特币市场中产生稳定且有利可图的日收益，并具备良好的泛化能力。结果显示，采用交易完成奖励函数的策略能够生成更多交易且更优的收益表现，且A2C与PPO算法在动作重复次数上表现出差异化的适应性，展现了DRL在市场做市领域解决随机库存控制的有效性[pidx::0][pidx::4][pidx::10][pidx::11][pidx::12]
本报告构建了一个多代理经纪商市场模拟器，训练强化学习（RL）市场做市商代理以研究其在不同竞争环境、奖励设计和市场价格趋势下的行为。研究表明RL代理能学习竞争对手报价策略，通过买卖价偏斜（skewing）智能管理库存风险，并根据价格漂移维持相应的正负库存。同时设计并测试了多种风险厌恶的奖励函数，有效降低库存PnL波动，增强代理稳健性，为复杂市场做市战术的模拟和评估提供了重要工具 [pidx::0][pidx::1][pidx::5][pidx::6][pidx::7]。
本报告基于超过九年、包含千万级用户与亿级交易的比特币交易网络数据，构建地址与用户两种网络视角，对网络拓扑结构及其变化与比特币价格动态之间的因果关系做了系统分析。研究揭示价格波动与用户行为异质性之间的反馈机制，尤其发现在价格下跌时节点活动表现更大异质性，挖掘出网络结构指标在反映市场集体行为与预测价格走势中的价值，为理解加密货币市场演化提供了新视角[pidx::0][pidx::2][pidx::8][pidx::11]
本报告建立了基于加密资产安全性和稳定性两大核心特征的最优选择模型，模拟投资者如何通过“加密资产推荐应用”在不同资产对之间做出选择。研究发现投资者的风险偏好驱动了加密资产的采纳动态，不同资产类别如CBDCs、稳定币、加密货币和加密代币表现出截然不同的采纳概率和预期收益，且投资者的异质性导致市场表现多样化。模型定量揭示了加密资产生态系统中资产存活与消亡的可能路径，为投资策略设计和市场预测提供了理论工具 [pidx::0][pidx::1][pidx::3][pidx::9][pidx::15]。
本报告提出Deep Momentum Networks（DMNs），将深度神经网络嵌入传统的时间序列动量策略框架，通过端到端学习趋势估计和头寸规模，实现信号的Sharpe比率最大化。基于88个连续期货合约的回测显示，Sharpe率优化的LSTM模型在无交易成本下，将传统策略表现提升超过两倍，且在考虑交易成本2-3个基点时仍优于基准。提出的交易频率正则化方法有效抑制高成本环境下的换手率，提升模型稳健性，为动量策略的深度学习应用提供了有力支持 [pidx::0][pidx::6][pidx::7][pidx::11][pidx::12].
本报告提出了一类基于乘法噪声的随机偏微分方程(SPDE)模型，用于刻画以中价为中心的限价订单簿动态，结合中价的随机演化，实现了有限维Markov过程的参数化，提升模型的估计和计算效率。通过对两因子模型和均值回复深度模型的深入分析，揭示了订单簿深度、成交量及订单流失衡对价格动态的影响，模型有效重现了限价市场中价格变动及订单流统计特性，并基于实际高频数据进行了参数校准和实证验证，为理解价格形成机理及市场微观结构提供了坚实理论基础和实用工具 [pidx::0][pidx::1][pidx::3][pidx::5][pidx::17][pidx::26][pidx::34]
本报告研究了加密货币市场中动量效应与流动性的关系，通过双变量动量-流动性排序构建投资组合，并在711种加密货币之间进行双周调仓。研究发现动量效应在高流动性加密货币中尤为显著，支持投资者羊群行为理论；同时，在上期表现不佳的资产中发现流动性溢价。基于此，报告提出两种长期持有策略——“流动性强的赢家”与“流动性弱的输家”，其风险调整后表现均优于市值加权基准组合，且在交易成本考虑下仍具备稳健性[pidx::0][pidx::2][pidx::3][pidx::4][pidx::5]。
本报告针对限价委托簿（LOB）构建了一个弱一致性的市场做市模型，遵循市场微结构中订单类型分类，允许任意订单量、价格跳跃和买卖价差分布，且保障价格变动与订单类型一致。采用最优切换与冲动控制理论处理标记点过程，建立对应的Hamilton-Jacobi-Bellman准变分不等式（HJBQVI）并提出数值求解方法。基于纳斯达克ETF QQQ真实数据的标定和仿真，验证了模型对价格时间优先、跳跃幅度及订单多样性的刻画，并指出传统Avellaneda-Stoikov框架中的价格不一致性会显著高估做市利润约50%以上。本模型在风险管理和策略优化上展现出较高实用性，为高频做市提供了新的理论和实务工具 [pidx::0][pidx::1][pidx::4][pidx::6][pidx::8][pidx::22][pidx::29][pidx::30]。
本报告针对导致盘口价差变化的三类事件：成交、撤单和限价委托单的挂单，对其对股票价格的影响进行了系统分析。研究发现，撤单比成交更频繁地打开买卖价差，当撤单主导价差变化时，盘口的其他指标也随之变化。成交和撤单均对其自身及跨股票价格产生积极影响，而挂单则表现为负向影响。特别地，成交的自我响应与所有成交事件响应十分相似，表明撤单和挂单在盘口及价格动态上的长期影响与成交相当。该结论对理解订单簿微观结构及价格形成机制具有重要意义 [pidx::0][pidx::1][pidx::2][pidx::4][pidx::5][pidx::6][pidx::7][pidx::8]。
本报告提出了一种基于Sarsa强化学习算法的自适应配对交易模型，实现了协整配对交易模型参数的动态优化。该模型通过自适应调整评估时间窗口、交易时间窗口、开仓与平仓阈值参数，有效提升了交易策略的收益率和风险调整后表现（索提诺比率），并降低了最大回撤及交易次数，体现了更优的盈利能力和风险控制能力。模型在中国债券市场4组主要配对债券组合上的仿真测验中表现稳定优异，累计收益率显著超越传统固定参数交易模型，且收益差异通过统计显著性检验。该方法填补了强化学习在统计套利领域尤其配对交易中的应用空白，展示出强大的自适应学习和持续优化能力，为投资者提供了有效的套利与风险控制工具 [pidx::0][pidx::4][pidx::6][pidx::7][pidx::9][pidx::10]。
