本报告围绕主动股票型基金的优选开展研究，构建并筛选了80个基金因子，最终选择近1年索提诺比率、风格剔除后超额收益稳定性和合并规模三因子构建基金优选策略。多期回测显示该因子模型组合在不同年份均取得明显超额收益，且构建的增强组合在中证800、创业板指及偏股混合型基金指数上均实现持续超额收益，验证了因子选基策略的有效性与稳定性，为基金优选提供了科学依据。[page::0][page::1][page::2][page::3][page::4][page::5]
本文基于四类宏观因子事件定义，筛选出具有较高历史参考意义的有效因子事件，结合历史数据统计与资产收益预测，提出基于宏观因子事件的资产配置组合。实证显示，该策略自2008年底以来实现年化收益14.78%，显著优于固定比例基准组合，同时识别了PMI、社融存量同比等指标对债券、工业品和黄金资产的不同影响，为大类资产配置提供量化依据与投资建议。[page::0][page::1][page::2][page::3][page::4][page::5]
报告基于主动型基金的业绩归因体系，构建绩优基金组合，并识别基金经理高选股能力行业，通过长线持股和加仓持股维度构建选股策略。回测显示，长线持股策略及加仓持股策略年化收益率分别达17.1%和23.9%，超越偏股型基金指数与沪深300指数，且年度胜率均超过80%。报告还指出模型假设及现实间存在误差风险，为投资提供实证参考 [page::0][page::6][page::7][page::8]
本报告基于“历史可以重复”的假设，研发并实证了相似性匹配交易（SMT）策略。通过寻找历史相似走势片段预测短线股指期货趋势，结合分形与混沌理论验证收益率序列具有重复性，SMT策略在低频交易中取得较好风险收益表现，加入动态止损进一步提升策略稳定性和收益表现。报告还展示了十年样本外跟踪结果及详细回测交易数据，验证了策略的长期有效性和可操作性，为程序化交易及ETF低频交易提供量化支持 [page::0][page::1][page::2]。
本报告重构行业轮动量化框架，聚焦动量策略与拥挤度策略的复合应用。通过对申万二级行业基于动量因子筛选涨幅靠前行业，结合拥挤度因子剔除短期交易过热行业，显著提升行业轮动策略表现。策略回测区间为2010年至2021年，复合策略实现约29%的年化超额收益，显著跑赢行业等权基准，体现拥挤度因子在风险控制中的重要作用 [page::0][page::1][page::7][page::14]。
本报告基于信息不对称理论，提出并系统构建了DPIN因子体系，利用高频价量数据刻画股票日内信息优势交易概率特征。DPIN因子通过多维度行为、时间和统计特征衡量日内知情交易概率，结合全市场周度因子分档回测，凸显因子选股有效性，尤其DPIN_SMALL_PM_MEAN因子表现卓越，年化收益率达23.4%，信息比率高达1.31，显示高频价量数据因子在挖掘Alpha方面潜力显著，为量化选股添重要新维度 [page::0][page::6][page::8][page::13][page::16]。
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]
