本报告基于 Hou, Xue and Zhang 提出的 q 因子模型，搭建 A 股市场上的因子组合并进行实证分析。结果显示，标准 q 因子模型对 A 股市值、投资及盈利因子的解释度有限，尤其是投资因子显著性较低。通过将投资因子替换为价值因子构建改进模型，显著提升了解释度。基于改进模型构建的多因子策略在2017年至2020年期间回测表现优异，实现年化21.62%收益和25.57%超额收益，夏普比率为1.076，最大回撤33.64%。报告强调该策略的历史有效性，但不保证未来持续表现，为量化选股提供新的参考框架 [page::0][page::2][page::4][page::5][page::8][page::9]
本报告基于Level-2资金流向数据，构建小单、中单、大单及超大单资金流向因子，运用单因子IC检验及Lakonishok等提出的NPR模型，验证资金流向因子与未来股票收益的关系。研究发现，小单资金流向因子与未来收益存在显著负相关，意味着个人投资者高频交易的股票未来表现较弱；而大单开盘资金流向占比因子则与未来收益呈显著正相关。NPR模型结果进一步表明，小单NPR因子的显著性最高，大单及超大单的相关性较低。五日累积因子相较单日因子在开盘资金流向及交易差额方面表现更优，资金流向能有效反映不同投资者类型的交易偏好及其对应的收益预期，为Alpha投资策略提供了新的因子来源和量化工具 [page::0][page::2][page::5][page::10][page::12]
本报告系统分析了南向资金的时间序列特征及其与外部市场因子的相关性，基于南向资金流向及持仓数据分别构建了择时和选股策略。择时策略利用南向资金流入的布林带突破信号，在恒生指数上获得年化12.7%的收益及14.7%的超额Alpha。选股策略分别基于成交活跃股的净买入额和持仓变动构建，年化收益分别达到33.96%和17.60%，显示南向资金背后的投资者具备较强的市场趋势判断和个股选择能力，为投资者提供有效的量化策略参考 [page::0][page::3][page::5][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14]
本报告基于杠杆因子和盈利收益因子构建研究，揭示了两者在信贷周期驱动下的显著风格轮动特征。通过构建预测平均值：M2同比领先指标，实现了因子择时与风格轮动，大幅提升了组合收益率。基于中证500的回测结果表明，采用该风格轮动策略年化收益率达15.74%，夏普比率0.72，显示优异的风险调整收益能力和良好的操作可行性 [page::0][page::2][page::4][page::6][page::8][page::9][page::11][page::12]。
本报告基于2018年至2021年期间北向资金持仓数据，系统研究了银行类与券商类资金两大类型的持仓及增持因子的收益预测能力。发现银行类资金的长期持仓因子与月频收益密切相关，策略年化收益超过30%，夏普比率达1.25以上；券商资金则在短期增持因子的日频收益预测中表现更优。摩根士丹利作为头部机构，其持仓因子可取得近28%的超额年化收益，表现显著。报告还给出了基于持仓市值占比和增持市值占比构建的多策略回测结果，验证了模型稳定性和选股有效性[page::0][page::7][page::8][page::13][page::24]。
报告基于朝阳永续业绩超预期数据，重点分析分析师调升和文本标题超预期两类超预期事件，构建事件驱动策略。实证显示两策略年化收益均约23.3%，超额收益超12%，风险控制较好，验证了PEAD现象的稳健性和可投资性 [page::0][page::2][page::6][page::8][page::10][page::12]。
本报告通过深入分析北向资金托管机构的持仓数据，发现摩根士丹利证券在机构中具有显著的选股能力。基于摩根士丹利证券的持仓和增持信息，构建了持仓追踪策略、增持追踪策略及叠加分析师调升与超预期事件的追踪增强策略，分别取得年化收益率30.24%、25.95%和40.12%，均表现出较低换手率、较大容量及较低相关性，显示北向机构尤其是摩根士丹利持仓信息具备显著的实证Alpha能力，有效覆盖电力设备及新能源、电子和计算机等行业，为量化选股与策略构建提供强有力支撑 [page::0][page::3][page::10][page::11][page::14][page::18][page::20]
本文利用 QLIB ALPHA360 因子结合 Temporal Fusion Transformer 模型预测中证500未来一日收益率，通过TopKdropN策略回测，结果显示TFT模型在收益率、信息比率及换手率控制方面均优于传统ICIR加权方法，年化收益最高达19.57%，信息比率1.74，且换手率更低，表现出模型的稳定性与超额收益能力 [page::0][page::3][page::23]
报告系统分析了光伏行业的发展背景、产业链竞争格局及上市公司市值与估值水平，基于300多个因子构建行业因子库，筛选出流动性、波动率、价值、成长、盈利及财务安全六大类关键因子。针对光伏行业股票构建指数增强策略，策略通过每月末选择过去一年内表现最佳的单因子，筛选行业成份股前10%构建等权组合，自2018年以来实现年化收益率57.69%，超额收益显著，夏普比率达到1.27，显示出光伏行业良好的alpha和beta属性，且策略敏感性测试确认14个月窗口期收益最佳，彰显因子组合的有效性和稳健性 [page::0][page::2][page::6][page::11][page::13]。
本报告基于沪深市场Level2限价订单簿数据，构建80维高频量价因子，利用结合卷积神经网络和LSTM的DeepLOB深度学习模型，对日内短期收益率进行三分类预测。研究显示，当连续多次确认信号触发（参数N>15）时，股票交易单次平均收益率超过0.8%，且模型直接应用于可转债交易，单次收益率高达5.55%，展现出显著的收益能力和良好的泛化性[page::0][page::2][page::7][page::14][page::15][page::18][page::20]。
本报告介绍了将 Google Brain 提出的 AutoML-Zero 算法改进应用于量化因子挖掘领域的AlphaZero框架，通过量纲化处理、算子结构优化及正则化进化算法实现高效因子进化。报告展示了三个挖掘出的高频数据低频化因子，均表现出较高的IC、胜率和年化多空收益率，验证了AlphaZero在因子挖掘上的有效性及潜力，具备广泛应用前景 [page::0][page::5][page::13][page::14][page::18]。
本报告介绍了一种基于openFE的基本面因子挖掘框架，通过结构化组合三大财务报表数据和基础算子，构建约70万个因子。利用两步筛选法筛选出表现最佳的合成因子，发现金融基本面动量、市值和行业因子最具重要性，估值与成长因子次之，质量因子表现一般。利用这些因子构建的选股模型在回测期间表现稳定，实现年化超额收益21%，夏普比率1.19，策略在中证500和中证1000指数表现较好，沪深300表现一般。后续将结合启发式算法和衍生数据优化模型，并分行业进行差异化因子挖掘 [page::0][page::3][page::4][page::8][page::11][page::12]
本报告构建并融合了四大类因子：基本面因子OPENFE、日频量价因子Alpha158、分钟频因子MAlpha65和高频降频因子L2Alpha，利用LIGHTGBM模型对A股全市场进行滚动训练测试。结果显示，多因子融合模型明显优于单因子模型，Model4综合因子年化收益率达35.57%，夏普率1.72，最大回撤25.9%。不同频率下，低频模型中基本面因子的边际重要性提升，行业因子权重最大。模型表现稳定且适应多个调仓周期，对因子融合的量化策略具有重要指导意义 [page::0][page::2][page::9][page::10][page::11][page::12][page::13][page::14][page::15]
本报告提出基于领域知识生成的基本面因子挖掘框架，结合遗传规划与枚举法高效挑选投资因子，通过对基本面与估值因子的基因和结构分析，批量生成有效因子并进行相关性筛选。实证显示多种基本面因子和估值因子构建的多空组合表现优异，策略具有良好的历史收益及稳定性，为量化投资提供科学因子挖掘思路与方法 [page::0][page::3][page::6][page::14][page::26].
本报告针对传统行业因子处理方法存在的信息稀疏和关联性缺失问题，提出基于Graph Embedding的行业因子向量化方法。通过构建行业间相关性图结构，采用Node2vec算法生成行业向量，较传统one-hot编码能更好地表达行业内部的关联性并提高信息密度。该向量化方法可作为机器学习和深度学习模型的输入，提升因子在多因子量化模型中的表现，为量化研究和投资决策提供新的思路与工具[page::1][page::11][page::13][page::15]。
本报告基于TiDE及其改进模型TiDGE探讨了时间序列深度学习模型在股票收益率预测中的应用。研究指出，原始TiDE模型对选股效果有限，而通过引入GRU结构改进的TiDGE模型，显著提升了时序信息处理能力和预测表现。回测显示，TiDGE策略在全A股池内实现了较好的年化收益和信息比率，且回撤控制较优，为量化选股提供了新的思路和方法 [page::1][page::7][page::14][page::16][page::17][page::20]
本报告系统评测了多种时间序列模型对Alpha因子预估效果的差异，涵盖截面模型、经典RNN（如LSTM、GRU）、时序卷积网络（TCN）以及Transformer及其衍生模型。实测结果显示，时序模型在因子结构简单时表现优于截面模型，复杂因子结构下Transformer和GRU表现最佳。模型回测涵盖Alpha360与Alpha158因子集，综合考虑IC、年化收益率、夏普比率和最大回撤等指标，为量化Alpha模型的选择提供实证依据，另外探讨了元学习对时序数据漂移的适应性方法 [page::1][page::5][page::58][page::50][page::56][page::57][page::62].
本报告系统性介绍了波动性交易的理论与实务，核心在于利用对波动率的度量、预测与隐含波动率的价差捕捉交易机会。报告重点解析了Black-Scholes-Merton定价框架及其假设的适用性，详述了包括Parkinson、Garman-Klass、Yang-Zhang以及首次达到时间法等多种波动率测度方法，揭示波动率存在聚集性、均值回复及非正态分布特性。基于波动率预测的多种模型，尤其是GARCH及其扩展，在实务中获得广泛应用，并辅以波动率锥体帮助估计波动率区间。报告详细剖析隐含波动率的动态特征、微笑效应及相应的交易和套期保值策略；在交易执行与资金管理方面，提出最优的交易规模方案，包括Kelly准则及其变体，强调交易者应基于严格的统计方法和风险偏好制定头寸规模。最后，报告分析了交易心理学中的多种认知偏差及其在波动率交易中的作用，通过详实案例展示了隐含与实现波动率套利的具体交易流程和风险回报特征，为量化波动率交易提供科学的理论支持与实践指导 [page::1][page::14][page::31][page::52][page::65][page::81][page::110][page::143][page::164][page::187][page::223][page::231][page::249].
本报告提出TradingAgents，多智能体大型语言模型(LLM)驱动的金融交易框架，模拟真实交易机构中的专业分工与协作。通过基本面、情绪、新闻和技术分析师等角色，及多轮辩论衡量市场看多与看空观点，实现风险管理与交易决策。实验证明该框架在累计收益率、夏普比率与最大回撤方面显著优于传统规则与趋势策略，展现出高盈利能力与可解释性，推动多智能体LLM在金融交易中的应用潜力 [page::0][page::2][page::6][page::7]
本书是一本涵盖金融领域量化面试真题的权威指南，整理了185个纯量化问题及140个非量化题目，涉及数学、衍生品定价、统计和金融经济学等多个领域。书中融汇作者在MIT、印第安纳大学及世界最大机构资产管理公司的丰富教学与研究经验，结合图表与解析，详细讲解量化问题的解题思路和常见误区，为求职及财务量化岗位面试提供系统准备参考[page::7][page::13][page::21-24][page::31][page::35-37][page::49-55][page::57-61][page::69-75][page::123-135][page::167-170][page::189-195][page::207-211][page::222-225][page::236-239][page::244-245].
