首页

  • 每周研究回顾 [Quant Seeker]

    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

  • 开跑：一种普适性的元策略 [Paper to Profit]

    开跑：一种普适性的元策略

    利用一个简单概念实时选择表现最佳的策略。

    Paper to Profit's avatar
    Paper to Profit
    2025年6月3日


    The 1821 Derby at Epsom. I don’t think these fellows were thinking about optimizing algorithmic trading strategy baskets back then.

    1821年埃普瑟姆德比马赛。我不认为当时这些人会去考虑优化算法交易策略组合的问题。

    我们通常会把一系列资产组合成交易策略。同样，我们也需要把资本配置到一系列交易策略中。在我上一篇文章（这里）中，我展示了如何利用生成式AI来创建理论上无限数量的交易策略。但是，除非这些策略实际能赚钱，否则这毫无意义。

    尽管回溯测试能告知我们既往情况，但却会引入数据窥探偏差。一种MetaStrategy，即能为我们选择最佳系统(们)的自适应系统，是一种更好的解决方案。我基于深入研究开发了一种定制算法，使我们非常接近最佳策略的性能，或实现理论上的超额收益。

    其工作原理如下：

    与其一直分析所有系统，不如让表现良好的系统自己告诉我谁是赢家。这就像赛马一样，我让策略在赛道上‘奔跑’，然后在中途观察哪些策略正在脱颖而出。虽然这看起来出奇地简单，但它的效果却更加令人惊叹。

    一个可视化示例

    您所看到的是100个随机策略。它们的表现仅是随机生成的百分比盈亏。当其最大权益增加时，它们就会沿着赛道向终点线移动。因此，当每条线静止不动时，策略就处于回撤状态。黑色线条突出显示了前10名表现者。

    请注意一个特别之处：尽管这些策略只是随机噪音，但在比赛进行到大约一半时，当前的领先者并没有太多变化。它们继续保持领先。而落后者则停滞不前，没有任何贡献。

    这正是我用来开发我的普适性MetaStrategy的相同概念。我让这场比赛在真实策略中进行，然后在一定时间后，选出表现最佳的策略并只对它们进行投资。这就像让市场为我决定谁是赢家一样。

    一个简单的应用

    在我上一篇博文中，我生成了164个稳健策略，每个策略有8种配置（4个回溯窗口 × 2个再平衡周期）。为了消除手动操作部分，我回到了最初的259个策略组合，并计算了所有259 x 8个策略的回报（减去2个，总计2070个）。

    然后我定义了一个‘燃烧期’，即我们在选择专家之前让策略运行的时间量。让策略运行更长的时间可以让表现不佳的策略有更多时间被淘汰。

    上面是这个过程。在让所有2070个策略运行2500天后，我选择了前20名专家。之后，只有这前20名策略被投资（等权重）。您可以看到这个MetaStrategy与所有系统组合的等权重MetaStrategy的性能对比。

    现在，我们需要建立一些基准指标来理解这种方法在总体上的效果如何。

    我们可以假设最差的MetaStrategy表现为所有策略的等权重投资组合，因为那是天真选项。最佳的MetaStrategy是从第一天起就投资于表现最佳的策略，因为我们不可能比这赚更多的钱*。

    * 我们可以，但这次我不会深入探讨这条路线。

    无论如何，这是在1000天燃烧截止期后筛选出前20名资产，并对这20个资产进行等权重投资的运作方式。



     

    财富倍数（t ≥ 1000）
  最佳单一专家（事后诸葛亮视角）                              :  71.94×
  所有专家平均                                  :  23.34×
  直到t=1000等权，然后对前20名进行筛选                   :  13.82×

    哇，这个策略太糟糕了。它的表现甚至不如我们简单地将所有2070个策略等权重投资。我当时意识到，也许我这个可爱的小把戏概念根本行不通。直到，我考虑了其他事情：

    既然我们知道所有顶级策略的表现都会漂移，有些时期表现更好，有些时期则不同，那为什么要对所有顶级策略进行等权重投资呢？

    因此，我策略的基石构想应运而生。

    现场押注‘赛马’

    当然，我遇到了一些挫折。但这永远不会阻止我实现目标。如果我们知道策略的表现会潮起潮落，那么坚持使用前k个等权重MetaStrategy的意义不大。

    我设计了一个简单的轮换系统，大致如下：

    1. 每75天计算一次，在我们的前k名精选策略中，哪个策略在上一季度表现最佳。
    2. 将100%的资金配置转换到该系统，并持有到下一个季度。

    这允许了一定的适应性，同时避免了可能阻碍绩效的大规模换手。

    我还应该提醒您，这2070个策略都高度相关，并且在它们的范畴内共享相同的10-12种资产。这也使得设计MetaStrategy变得更加困难，因为当所有策略都相似时，实际上并没有真正的非相关‘对冲’。我接下来会研究多元化。

    结果



     

    财富倍数（t ≥ 1000）
  最佳单一专家（事后诸葛亮视角）                              :  71.94×
  所有专家平均                                  :  23.34×
  直到t=1000等权，然后对前20名进行筛选                   :  13.82×
  直到t=1000等权，然后自适应筛选                     :  84.15×

    现在我们看到了惊人的表现。一点点的适应性让我们的MetaStrategy能够与事后表现最佳的专家竞争并超越其表现，而无需任何前瞻性知识。这是一个好消息，意味着我们可以通过结合绩效跟踪和适应性来实现与最佳专家接近的表现。

    自行实施

    您可以通过简单地导入一个策略回报矩阵并将其放入系统中，来亲自试用这些算法。

    现在请在私人Google Drive中查看策略代码。如果您尚未付费订阅，请考虑立即订阅，以获取我所有其他文章中的所有过往策略和代码。

    您的订阅支持我推进研究并为您带来成果。谢谢！

    如果您喜欢这篇文章，请记得订阅，将我所有内容直接发送到您的收件箱。我非常感谢迄今为止获得的所有支持，并期待为大家带来更多高质量的内容。

    研究愉快！

  • 奔向赛场：一种通用元策略 [Paper to Profit]

    奔向赛场：一种通用元策略

    利用简单概念实时选择表现最佳的交易策略

    作者：Paper to Profit | 发布日期：2025年6月3日

    1821年Epsom赛马会

    1821年Epsom赛马会。我想当时这些人并未考虑优化算法交易策略组合。

    我们经常会有一篮子资产，并将其转化为交易策略。但同样，我们也有一篮子交易策略，需要将资金分配其中。在上一篇文章中，我展示了如何利用生成式AI创造理论上无限多的交易策略。然而，如果这些策略无法盈利，这一切就毫无意义。

    回测可以告诉我们过去发生了什么，但这会引入数据窥探（data snooping）的问题。一个元策略（metastrategy），即一个自适应系统，能够为我们选择最佳系统，是一个更好的解决方案。我基于深入研究开发了一个定制算法，使我们非常接近最佳策略的表现，或者说接近理论上的超额表现。

    工作原理如下：

    与其一直分析所有系统，我更倾向于让表现好的策略自己告诉我谁是赢家。就像赛马一样，我让这些策略在赛道上‘奔跑’，在途中观察哪些策略领先。尽管这看似非常简单，但它的有效性却出人意料。

    视觉示例

    请观看以下视频：

    你看到的是100个随机策略，它们的表现是随机生成的百分比收益和损失。当它们的最高净值增加时，它们会沿着赛道向终点线移动。因此，当某条线不动时，说明该策略正处于回撤期。黑线突出显示了每一阶段的前10名表现者。

    请注意一个奇怪的现象：尽管这些策略只是随机噪声，但在比赛进行到一半时，当前的领先者变化不大，他们继续保持领先。而落后的策略则一直滞后，无所贡献。

    这就是我用于开发通用元策略的相同概念。我让比赛继续进行，但使用的是真实策略，然后在一定时间后，选择表现最佳的策略并只投注于它们。就像让市场为我决定谁是赢家。

    一个简单应用

    在我的上一篇博客中，我生成了164个稳健的策略，每个策略有8种配置（4个窗口回溯期 × 2个再平衡周期）。为了去掉人工干预部分，我回到了最初的259个策略组合，并计算了259 × 8个策略的回报（去掉2个后共计2070个）。

    然后，我定义了一个‘燃烧’周期（burn rate），即我们让策略运行一段时间后选择最佳专家的时间。让策略运行更长时间可以让表现不佳的策略有更多机会被淘汰。

    策略筛选过程

    以上是这一过程。我在所有2070个策略运行2500天后选择了前20名专家。之后，仅投资于这前20名（等权重）。你可以看到该元策略的表现与所有系统等权重的元策略相比如何。

    现在，我们需要建立一些基准指标，以了解这种方法的整体表现如何。

    我们可以假设最差的元策略表现等同于所有策略的等权重组合，因为这是最朴素的选择。最佳元策略则是从第一天就投资于最优策略，因为我们无法赚取比这更多的钱*。

    *我们可以，但我这次不打算深入探讨。

    无论如何，以下是设置1000天‘燃烧’周期，然后筛选出前20个资产并等权重投资于所有20个资产的情况：

    财富倍数图表

            
财富倍数 (t ≥ 1000)
  最佳单一专家 (事后视角)                              :  71.94×
  所有专家等权重                                      :  23.34×
  t=1000前等权重，然后筛选1/20                          :  13.82×

    哇，这个策略表现太差了。它的表现比我们对所有2070个策略等权重投资还要糟糕。这时我意识到，或许我可爱的小马秀概念已经彻底失败了。直到我考虑了另一件事：

    为什么要在所有顶级策略上等权重投资，我们明明知道它们的表现会有起伏？某些策略在某些时间段表现会优于其他。

    因此，我的策略的压轴之作应运而生。

    实时投注‘赛马’

    是的，我遇到了一点小挫折。但这永远不会阻止我实现目标。如果我们知道策略的表现有起有伏，坚持一个前k名的等权重元策略毫无意义。

    我设计了一个简单的轮换系统，流程如下：

    1. 每75天计算前一季度我们筛选出的前k名策略中哪个表现最好。
    2. 将资金100%分配到该系统，并在下一季度持有。

    这允许一定的适应性，而不会因大规模轮换而影响表现。

    我还应该提醒你，这2070个策略高度相关，它们的投资组合中包含相同的10-12个资产。这也使得设计元策略变得更加困难，因为所有策略相似，缺乏真正的非相关‘对冲’。我将在下一步研究多样化。

    结果

    适应性策略结果

            
财富倍数 (t ≥ 1000)
  最佳单一专家 (事后视角)                              :  71.94×
  所有专家等权重                                      :  23.34×
  t=1000前等权重，然后筛选1/20                          :  13.82×
  t=1000前等权重，然后适应性筛选                  :  84.15×

    现在我们看到了惊人的表现。一点小小的适应性让我们的元策略能够在没有前瞻性知识的情况下与事后最佳专家竞争并超越其表现。这是好消息，意味着我们可以通过结合表现追踪和适应性，追踪最佳专家并期望接近的表现。

    自行实施

    你可以通过简单地将策略回报矩阵导入系统，自行试验这些算法。

    策略代码示例

    祝研究愉快！