\

前言

感谢BQ-小Q送的礼物，礼物已经收到拉，一如既往的黑盒高科技风。高端大气上档次。

• ![{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.

报告摘要

主要观点

本篇是“学海拾珠”系列第二十三篇。作者在本文中证明，指标对因子收益的预测能力是视预测时长而定的，同时受指标与因子收益的时变关系以及数据挖掘的影响。尽管有这些挑战，但只要投资者能切实地意识到因子择时的局限性，因子择时仍有可能成为非常好的工具。

报告摘要

主要观点

本篇是“学海拾珠”系列第二十一篇。作者通过建立资产集群性指标和相对价值指标来对交易泡沫进行识别，并应用于行业轮动和因子择时两个领域中。

• 拥挤交易造成资产价格大幅度波动

拥挤交易指的是**大量具有类似特征的资金共同购买或出售某一或某

报告摘要

主要观点

本篇是“学海拾珠”系列第二十一篇。作者通过建立资产集群性指标和相对价值指标来对交易泡沫进行识别，并应用于行业轮动和因子择时两个领域中。

• 拥挤交易造成资产价格大幅度波动

拥挤交易指的是**大量具有类似特征的资金共同购买或出售某一或某一

摘要

Drobetz W于2019年发表的论文《Optimal Timing and Tilting of Equity Factors》，提出了一种使用外生变量构建因子择时策略的新方法，对因子权重直接进行参数化设计（Parametric Portfolio policy ,简称为PPP）。

https://bigquant.com/experimentshare/b6bb3c84df0c4da5bb0b495bc52feb06

\

导语

过滤是量化交易中最常用的选股功能，本文就来介绍几种常用过滤实现。

BigQuant平台提供了 数据过滤 模块，可以方便地针对DataFrame做列过滤。

我们首先在编写策略界面中新建一个可视化AI策略，如下图所示。 ![](/wiki/api/attachments.re

报告摘要

主要观点

本篇是“学海拾珠”系列第七十二篇，本期推荐的海外文献研究了基于贝叶斯面板模型估计基金业绩持续性的方法。之前的基金评价建模的基本假设限制性太强，此篇研究考虑了时变异方差性和时变协方差性对基金业绩的影响，建立了新的基金业绩和持续性评价模型。在

论文

来源：The Journal of Portfolio Management December 8,2021

标题：Trending Fast and Slow

作者：Eddie Cheng, Nazar Kostyuchyk, Wai Lee, Pai Liu, Chen

论文原名

Recent Advances in Reinforcement Learning in Finance

论文作者

Ben Hambly-牛津大学数学研究所

Renyuan Xu-南加州大学工业与系统工程系

Huining Yang

发布时间

2021 年

摘要

采 用统一的视角解释与测试所有的广义线性模型

多因子模型的本质是关于股票当期因子暴露和未来收益之间的线性回归模型。我们希望引入机器学习的思想，对传统多因子模型进行优化，最自然的想法正是从简单的线性模型入手。本文中，我们试图采用统一的视角解释与测试所有的广义线性模型，并分析它们

论文原名

《Are Stock Returns Predictable in China? A Machine Learning Approach》

论文作者

Huihang Wu, Xingkong Wei, Xiaoyan Zhang

修订时间

2021 年 10 月

论文原名

《Automated Stock Picking using Random Forests》

论文作者

克里斯蒂安·布赖通-慕尼黑工业大学

修订时间

2021 年 12 月 7 日

引言

我们通过在国际流动股票数据集上应用基于技术特征的随机森林模型来得

NBER工作论文第25398号，2018年12月，2019年9月修订

Shihao Gu 芝加哥大学布斯商学院

Bryan T. Kelly

耶鲁大学; AQR资本管理有限责任公司；美国国家经济研究局 (NBER)

Dacheng Xiu 芝加哥大学布斯商学院

摘要

我们对机器学习

导语

近日，来自Two sigma AI Core团队的David Kriegman教授进行了题为《Deep Learning for Sequences in Quantitative Finance》在线分享。David Kriegman是加州大学圣地亚哥分校的计算机科学与工程教授，也是

   使用机器学习算法的寻规软件其实10几年前就开始有，但那个时候CPU计算能力不强也没有GPU的加持所以使用了一些特殊的优化技术比如寄存器优化的算法，但是限定了算法的能力和数据的规模。随着计算密集型应用大部分都逐步使用以NAVIDA公司的GPU提供的CUDA接口来优化算法性能，算法性能得到

原文标题：Deep Residual Learning for Image Recognition

发布时间：2015年

作者：Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research

![{w:100}{w:1

研报标题：A Gentle Introduction to Graph Neural Networks

发布时间：2021年

作者：Benjamin Sanchez-Lengeling、Emily Reif、Adam Pearce、Alexander B. Wiltschko

摘要

这

https://bigquant.com/wiki/doc/moxing-zhineng-celve-bRMaPi1PHU XGB

https://bigquant.com/wiki/doc/senlin-moxing-zhineng-celve-nhMNmqQg94 RAF

\

test h1

test h2

test h3

test h1

\

原研报标题：Generative Adversarial Nets

发布时间：2018年

作者：Ian J. Goodfellow∗, Jean Pouget-Abadie† , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair‡ ,

原研报标题：Transformer: Attention is all you need

发布时间：2017年

作者：Ashish Vaswani、 Noam Shazeer、 Niki Parma 、Jakob Uszkoreit、 Llion Jones 、Aidan N. Gomez、 Ł

原研报标题：<BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding>

发布时间：2018年

作者：Jacob Devlin Ming-Wei Chang Kenton Lee Kristi

研报标题：ImageNet Classification with Deep Convolutional Neural Networks

研报作者：Alex Krizhevsky、Ilya Sutskever 、Geoffrey E. Hinton

简介

CNN 领域的经典之作， 作者训

策略案例

[https://bigquant.com/experimentshare/a4487be0f1a9468faadee1be471b7d26](https://bigquant.com/experimentshare/a4487be0f1a9468faadee1be471b7d