首页

每周研究回顾 [Quant Seeker]

作者：

quantocracy

在

,

QuantSeeker

QuantSeeker

每周研究回顾

投资和交易的最新研究

QuantSeeker's avatar

QuantSeeker

2025年6月3日

您好。又到了回顾最新投资研究的时候了。以下是上周精选的优秀论文列表，每篇都附有原始来源链接，方便您查阅。

异常现象与p值操纵 (p-hacking)

异常现象的持续性与非标准误差 (Coqueret and Perignon)

许多投资异常现象看起来引人注目，但它们的表现往往取决于测试方式。本文表明，重叠的设计选择，如持有期和权重，会在结果之间产生强烈的相关性，使得策略看起来比实际更稳健。作者提出了一种“路径特定重采样”方法，以改善对异常收益的推断。通过运用该方法，他们发现33种异常现象中有29种仍然显著，其中动量和趋势策略表现突出。因此，真正稳健的策略是那些在各种合理实施选择下都能经受住考验的策略。

因果因子投资协议 (Lopez de Prado and Zoonekynd)

许多基于因子的投资策略表现不佳，因为它们依赖于捕捉相关性而非因果关系的统计模型。本文展示了此类模型如何产生误导性信号和有缺陷的投资决策。它引入了一种基于因果推理构建因子策略的结构化方法，帮助投资者避免虚假模式，降低风险并改善样本外表现。

大宗商品

大宗商品通胀风险溢价：影响大宗商品和股票市场回报的强大特征 (Hou, Platanakis, Ye, and Zhou)

本文引入了一种新的大宗商品信号，其表现优于基差和动量等传统因子。作者递归估计了每种大宗商品期货曲线的三因子期限结构模型，以推导出大宗商品通胀风险溢价，这是一个衡量上行风险的前瞻性指标。该信号不仅改善了大宗商品选择，还提高了股票市场回报预测，表明大宗商品与股票之间存在密切联系。

加密货币

加密货币传染 (Aldridge and Du)

加密货币经常经历突然而剧烈的价格波动。本文开发了一个框架，将正常价格变化与突发跳跃区分开来，并分析了这些跳跃在不同币种之间的差异。研究发现，像Bitcoin这样的大型币种跳跃频率较低但幅度更大，而小型币种跳跃频率更高。作者提出了一种基于跳跃调整协方差矩阵的投资组合策略，该策略比标准方法能带来更高的Sharpe ratio，尤其是在市场波动剧烈期间。

股票

美国股票市场的共同跳跃不对称性 (Lin and Yu)

本文研究了不同股票与市场同时发生大幅跳跃的可能性。那些倾向于与市场“共同崩溃”而非“共同飙升”的股票，每月获得的收益大约高出0.5%，这可能是其承担系统性下行风险的补偿。

短期收益可预测性核心的不对称性 (Breckenfelder, Buchwalter, and Tedongap)

一些预测短期市场回报的模型侧重于罕见的极端事件。本文表明，日常的价格变动可能包含同样多甚至更多的预测能力。通过将高频回报分为典型（“核心”）和极端（“尾部”）部分，作者发现核心部分上行和下行波动之间的不平衡，即他们所称的“核心不对称性”，是一个强大的预测信号。因此，投资者可以通过关注日常回报的偏斜程度，而不是极端回报，来改善短期预测。

最佳股息策略是避免它们吗？ (Faber)

许多投资者喜欢派发股息的股票，因为它们能带来稳定的收入，但这些派发也伴随着隐性成本：税收。本文表明，投资者通常可以通过完全放弃股息，转而使用基于价值的策略投资廉价股票，从而获得更好的税后回报。对于应税投资者而言，尤其如此，避免股息并选择被低估的股票可以提高长期收益，同时最大限度地减少税收负担。

对冲基金

熊市因子与对冲基金表现 (Ho, Kagkadis, and Wang)

一些对冲基金策略被视为市场保险的卖方，在正常时期获得稳定回报，但在市场崩盘期间遭受巨大损失。本文研究了基于下行风险敞口的基金表现。研究发现，对下行风险因子敏感度较低的基金持续获得更高的回报，这并非通过承担更多风险，而是在波动性上升时更好地调整其敞口。投资者可以通过偏好具有较低下行风险beta值的基金经理来改善基金选择。

投资

被动式激进：被动投资主导的风险 (Brightman and Harvey)

随着被动投资占据主导地位，该论文认为它通过基于资金流动而非基本面推高价格来扭曲市场。作者发现，这种趋势增加了股票的联动性，降低了多元化效果，并削弱了价格发现能力。被动持股比例较高的股票对大盘走势更为敏感，对公司特定新闻的反应也较弱。投资者可以通过倾向于基本面指标而非追逐近期价格趋势的再平衡策略中获益。

多元化投资的熊市 (Faber)

许多投资者遵循教科书建议：建立全球多元化投资组合，进行再平衡，并坚持下去。然而在过去的15年里，此类投资组合的表现一直落后于S&P 500指数。该论文建议坚持多元化，跨地域、资产和因子进行多元化，这并非因为它总能获胜，而是因为当今的市场宠儿最终失宠时，它是最好的防御手段。

401(k)投资的预期结果：历史能告诉我们什么？ (McQuarrie and Bernstein)

许多美国人依靠401(k)计划为退休提供资金，期望通过定期储蓄和长期市场增长来达成目标。但回顾历史，该论文表明，这条路径只对那些极其节俭或幸运地把握住市场时机的人才可靠。作者发现，即使定期储蓄，市场回报也过于不稳定，大多数储户难以自信地为全面退休提供资金。

机器学习与大型语言模型

机器学习在波动率预测方法中的历史视角 (Qiu, Kownatzki, Scalzo, and Cha)

许多投资者和资产经理依靠模型预测波动率，以管理风险和资产定价。然而，预测波动率很困难，因为它受到经济数据、投资者行为和意外冲击等多种因素的影响。作者将GARCH等传统模型与LSTM和transformers等新型机器学习工具进行了比较。他们发现LSTM模型在预测波动率方面总体上最准确，尤其是在数据有限或市场波动剧烈时期。

金融预测的混合模型：结合计量经济学、机器学习和深度学习模型 (Stempien and Slepaczuk)

预测收益具有挑战性，因为金融市场存在噪声且不稳定。作者将ARIMA等传统工具与新型机器学习方法进行比较，并将它们结合成混合模型。融合线性和非线性方法，特别是ARIMA与LSTM或SVM的结合，产生的策略优于单一模型，甚至跑赢市场。投资者可以通过探索这些结构良好的混合方法获得优势。

期权

媒体报道、波动性过度反应与期权回报 (Yang)

当公司收到大量媒体关注时（使用RavenPack数据衡量），其期权跨式套利在次月往往表现不佳。这似乎是由投资者过度反应驱动的，即隐含波动率的上升幅度超过了未来实际波动率的合理水平。一种基于媒体报道利用这种效应的多空跨式套利策略能够获得高Sharpe ratio的强劲回报。

用期权押注股票？ (d’Avernas, Schlag, Sichert, Waibel, and Wang)

许多投资者认为，如果他们能够预测股票回报，那么通过交易该股票的期权应该能够获得更高的回报。然而，本文发现，使用预期股票回报来指导期权交易效果不佳。虽然预期股票回报能有效预测股票价格，但它们无法预测期权回报。因此，该论文建议，寻求从回报预测中获益的投资者应该直接交易股票，而不是使用期权。

风险管理

叙事因子与风险模型 (Brown, de Silva, and Lee)

传统风险模型忽略了投资者对各种主题和叙事的关注如何影响股票价格。本文表明，忽略这些叙事驱动的因子可能导致对投资组合风险的误判。通过新闻分析，作者建立了一种衡量叙事风险敞口并相应调整风险模型的方法。总的来说，研究结果表明，投资者可以通过将叙事信号纳入现有因子模型来潜在地改善投资组合风险估计和配置决策。

博客

FinTwit 和 LinkedIn

GitHub

Medium

播客

上周最热门链接

原文链接

评论

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

更多文章