"金融工程" 相關(guān)的文檔

時間選擇：

頁碼選擇：

全部
20頁以下
21-50頁
51-100頁
100頁以上
-

定價類型：

全部
積分定價
貨幣定價
免費

文檔性質(zhì)：

全部
常規(guī)報告
證券報告
其他文檔

文檔周期：

全部
按周
按月
按季
按年(含半年)
無期限

語言類型：

全部
中文
英文
中英文
其他

全部
PPT
DOC
PDF
XLS

綜合
時間
熱度
售價
頁數(shù)

金融工程丨深度報告：平臺突破——時序選股模型（一）.pdf
- 3積分
- 2026/06/15
- 77
- 長江證券
本報告構(gòu)建了一套平臺突破選股模型，依次涵蓋平臺形態(tài)識別、轉(zhuǎn)折點檢測、阻力位定位和突破信號觸發(fā)等四個環(huán)節(jié)。模型利用轉(zhuǎn)折點識別算法和HSAR算法，對全市場個股的平臺突破信號進(jìn)行系統(tǒng)性捕捉。實證表明，45日持有期風(fēng)險收益配比相對較優(yōu)。通過構(gòu)建涵蓋換手率、成交額、動量等六大類26個變量的技術(shù)信息增強模型，有效突破樣本的勝率由41.18%提升至45.65%，盈虧比由1.46提升至1.58。策略年化收益由17.17%提升至21.47%，最大回撤由26.35%降至20.85%。在此基礎(chǔ)上，模型進(jìn)一步應(yīng)用于紅利低波融合策略和指數(shù)增強策略。紅利池策略年化收益22.39%，紅利低波池策略年化收益21.37%。在指...
標(biāo)簽：金融工程選股模型時序分析
金融工程專題報告：基于知識蒸餾的AI選股模型優(yōu)化.pdf
- 3積分
- 2026/05/27
- 75
- 財通證券
本文探討了將知識蒸餾技術(shù)應(yīng)用于量化選股領(lǐng)域的優(yōu)化方法，旨在解決高頻數(shù)據(jù)低信噪比導(dǎo)致的模型訓(xùn)練難題。研究選取一個在全市場具有穩(wěn)定且較強選股能力的成熟綜合選股模型作為Teacher，用其預(yù)測值作為蒸餾標(biāo)簽，引導(dǎo)基于不同數(shù)據(jù)集訓(xùn)練的Student模型學(xué)習(xí)成熟模型中的收益預(yù)測信息，同時保留各自數(shù)據(jù)集的差異化增量。在信號驗證方面，研究在30分鐘K線數(shù)據(jù)集和日頻量價特征數(shù)據(jù)集上進(jìn)行了對比實驗。結(jié)果顯示，蒸餾信號因子在多頭超額收益和5日IC均值兩個維度上均顯著優(yōu)于原始信號。例如，在30分鐘K線數(shù)據(jù)集上，蒸餾信號因子多頭超額提升至34.2%，5日IC均值提升至11.7%；在日頻量價特征數(shù)據(jù)集上，蒸餾信號多頭超...
標(biāo)簽： AI選股知識蒸餾金融工程
金融工程指數(shù)量化系列：高值偏離修復(fù)模型（多位點）.pdf
- 4積分
- 2026/05/23
- 89
- 太平洋證券
本報告深入研究了高值偏離修復(fù)模型中的多位點策略，包括突破型和回調(diào)型兩類，并進(jìn)一步細(xì)分為多種參數(shù)組合。研究通過計算行業(yè)指數(shù)相對滬深300的回撤曲線，設(shè)定閾值觸發(fā)買賣信號，并在止損激活后利用中間變量生成二次入場邊界點，進(jìn)行多輪測試。在突破型策略中，第一類和第二類策略均在電子、社服、計算機、醫(yī)藥等行業(yè)中顯示出優(yōu)于原始策略的凈值表現(xiàn)。特別是在投資性價比方面，電子、基礎(chǔ)化工、家電、軍工、社服、計算機、銀行和汽車等行業(yè)在特定參數(shù)下表現(xiàn)突出。最大回撤方面，基礎(chǔ)化工、電子、家電、社服、農(nóng)林牧漁和醫(yī)藥等行業(yè)在部分參數(shù)下實現(xiàn)了回撤壓縮。在回調(diào)型策略中，第一類策略在農(nóng)林牧漁和社服行業(yè)收益率上有所加強，但最大回撤壓縮...
標(biāo)簽：量化投資金融工程指數(shù)基金
金工深度研究：多維擇時模型的拆解與重構(gòu).pdf
- 3積分
- 2026/05/19
- 113
- 華泰證券
本研究對A股多維擇時體系進(jìn)行拆解與重構(gòu)，構(gòu)建了涵蓋估值、情緒、資金、技術(shù)四大類的26個底層因子及12個子維度。通過將因子信號拆解為追高、抄底、追空、逃頂四條子路徑，分析各因子在不同場景下的收益來源與適用性。在此基礎(chǔ)上，構(gòu)建了分層合成模型A_1、不分層合成模型A_2以及路徑優(yōu)選合成模型B。回測顯示，模型B通過在各子路徑下選取夏普前八的子維度，實現(xiàn)了日頻夏普比率1.72及年度正收益概率100%。在場景檢驗中，模型B在極端行情預(yù)判（約60%正確率）、拐點識別（61.8%）及趨勢跟蹤（80%）上均表現(xiàn)最優(yōu)。研究指出模型B雖性能優(yōu)越，但需關(guān)注過擬合風(fēng)險，建議采用周頻或半月頻跟蹤。
標(biāo)簽：量化投資擇時模型金融工程
金融工程專題：熱點產(chǎn)業(yè)+分析師動量溢出后排策略.pdf
- 5積分
- 2026/05/16
- 87
- 華福證券
本報告聚焦金融工程領(lǐng)域，深入探討熱點產(chǎn)業(yè)與分析師動量溢出效應(yīng)在后排策略中的應(yīng)用。通過量化分析方法，研究市場熱點產(chǎn)業(yè)的輪動規(guī)律及分析師預(yù)測動量的傳導(dǎo)機制，構(gòu)建基于動量溢出效應(yīng)的后排投資策略模型。報告涵蓋產(chǎn)業(yè)熱點識別、動量信號提取、策略回測驗證等核心環(huán)節(jié)，為投資者提供兼具理論深度與實踐價值的量化投資框架，助力把握市場結(jié)構(gòu)性機會。
標(biāo)簽：金融工程熱點產(chǎn)業(yè) 動量溢出后排策略
金融工程：深度學(xué)習(xí)選股訓(xùn)練目標(biāo)的多維優(yōu)化——深度學(xué)習(xí)系列之二.pdf
- 5積分
- 2026/05/08
- 60
- 天風(fēng)證券
天風(fēng)證券金融工程專題報告，探討深度學(xué)習(xí)在選股模型訓(xùn)練中的多維優(yōu)化方法。作為深度學(xué)習(xí)系列之二，本報告聚焦于訓(xùn)練目標(biāo)的構(gòu)建與優(yōu)化策略，結(jié)合量化投資實際場景，提升模型在股票選擇中的預(yù)測能力與穩(wěn)定性。
標(biāo)簽：深度學(xué)習(xí) 選股策略金融工程
金工財報附注系列研究：財報附注結(jié)構(gòu)拆解、數(shù)據(jù)提取與財務(wù)畫像.pdf
- 6積分
- 2026/05/08
- 39
- 銀河證券
銀河證券金融工程系列研究，深入剖析財報附注的結(jié)構(gòu)組成，系統(tǒng)講解附注數(shù)據(jù)的提取方法，并探討如何基于附注信息構(gòu)建企業(yè)財務(wù)畫像，為投資者提供更全面的財務(wù)分析框架。
標(biāo)簽：財報附注金融工程財務(wù)畫像數(shù)據(jù)提取
CJPY：長江金工投研數(shù)據(jù)服務(wù)解決方案.pdf
- 5積分
- 2026/05/06
- 69
- 長江證券
長江證券金融工程部門提供的投研數(shù)據(jù)服務(wù)解決方案，涵蓋數(shù)據(jù)采集、清洗、存儲、分析及可視化等全流程服務(wù)，助力投研效率提升。
標(biāo)簽：投研數(shù)據(jù) 金融工程數(shù)據(jù)服務(wù)
金工深度研究：高頻特征參數(shù)化，分鐘級可解釋因子挖掘框架.pdf
- 4積分
- 2026/04/01
- 184
- 華泰證券
金工深度研究：高頻特征參數(shù)化，分鐘級可解釋因子挖掘框架。人工智能103：因子挖掘通用公式拓展至分鐘級信號本研究將參數(shù)化因子挖掘框架從基本面維度拓展至高頻量價維度，聚焦分鐘級交易數(shù)據(jù)，構(gòu)建了一套可解釋性強、邏輯清晰的分鐘級因子萬能公式。延續(xù)前期報告《以空間換時間——多目標(biāo)基本面選股因子挖掘框架》的參數(shù)化思路，我們設(shè)計了四步因子計算流程與萬能公式因子格式，使因子表達(dá)式具備高度模塊化與可解釋性。在因子挖掘環(huán)節(jié)，我們采用NSGA-III多目標(biāo)遺傳算法，并創(chuàng)新性地引入動態(tài)短板懲罰機制，有效克服高維目標(biāo)空間中的“維數(shù)災(zāi)難”問題。實證表明，將挖掘出的分鐘級信號...
標(biāo)簽：量化投資因子挖掘金融工程
金工深度研究：全球三層次流動性風(fēng)險預(yù)警模型.pdf
- 5積分
- 2026/03/16
- 83
- 華泰證券
金工深度研究：全球三層次流動性風(fēng)險預(yù)警模型。全球三層次流動性風(fēng)險預(yù)警模型：多資產(chǎn)策略的“保護(hù)盾”流動性緊縮的市場環(huán)境是全天候策略的“逆風(fēng)局”，因為多資產(chǎn)的分散化效果會階段性失靈，對流動性風(fēng)險的動態(tài)監(jiān)控是下行風(fēng)控的核心環(huán)節(jié)。為捕捉流動性風(fēng)險從政策源頭到交易末端的全鏈條傳導(dǎo)，本研究構(gòu)建了三層次流動性風(fēng)險預(yù)警模型：(1)央行流動性：從價格、數(shù)量和預(yù)期三個維度追蹤央行政策動向；(2)資金流動性：通過回購融資和跨境套利指標(biāo)監(jiān)測杠桿資金松緊；(3)市場流動性：利用多資產(chǎn)隱含波動率刻畫市場交易摩擦。實證結(jié)果表明，加入流動性預(yù)警信號可以有效規(guī)避多次資產(chǎn)普跌時期，...
標(biāo)簽：流動性風(fēng)險金融工程預(yù)警模型
申萬金工因子觀察第5期：OpenClaw能否實現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略？.pdf
- 4積分
- 2026/03/13
- 113
- 申萬宏源
申萬金工因子觀察第5期：OpenClaw能否實現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略？OpenClaw跳出對話窗口，為AI實現(xiàn)完全通過對話實現(xiàn)量化策略更進(jìn)了一步。除了提供一些機器學(xué)習(xí)的策略，AI為傳統(tǒng)量化多因子或者基本面量化提供的輔助功能也隨著其能力的提升而逐步加強，第一階段：數(shù)據(jù)幻覺嚴(yán)重的大模型并不適合直接處理數(shù)據(jù)；第二階段：AICoding大幅提升了量化工作人員的效率，量化工作人員更多進(jìn)行督工角色；第三階段：OpenClaw的誕生，從數(shù)據(jù)提取到撰寫代碼并執(zhí)行都可以代勞，似乎可以完全實現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略？OpenClaw通過接入API完成數(shù)據(jù)提取的工作，大幅降低了量化工作的門檻。數(shù)據(jù)來源是量化策略的...
標(biāo)簽：量化策略金融工程 OpenClaw
招商銀行（徐佳航）：招商銀行金融平臺工程實踐.pdf
- 10積分
- 2025/05/06
- 284
- 招商銀行（徐佳航）
本文檔聚焦招商銀行在金融平臺工程領(lǐng)域的實踐探索，深入解析其數(shù)字化轉(zhuǎn)型的技術(shù)路徑與架構(gòu)演進(jìn)。內(nèi)容涵蓋招商銀行如何利用云計算、大數(shù)據(jù)及人工智能等技術(shù)手段，構(gòu)建高效、穩(wěn)定且可擴展的金融基礎(chǔ)設(shè)施。通過具體案例，展示了其在提升系統(tǒng)韌性、優(yōu)化用戶體驗及賦能業(yè)務(wù)創(chuàng)新方面的工程實踐經(jīng)驗，為銀行業(yè)數(shù)字化升級提供了具有參考價值的技術(shù)范本與實施策略。
標(biāo)簽：金融工程數(shù)字化招商銀行
用DeepSeek優(yōu)化價量因子.pdf
- 6積分
- 2025/03/24
- 402
- 信達(dá)證券
用DeepSeek優(yōu)化價量因子。本文是深度學(xué)習(xí)揭秘系列之三。聚焦于借助DeepSeek模型對選股因子進(jìn)行生成與改進(jìn)，在量化投資領(lǐng)域展開深入探索。研究以Qlib集成的Alpha158量價因子為基礎(chǔ)，該因子集涵蓋日內(nèi)、波動、價、量及量價相關(guān)性五類因子。通過設(shè)定統(tǒng)一測算口徑，運用特定的PromptEngineering和AI交互流程，借助DeepSeek對原始因子進(jìn)行優(yōu)化，以及生成相關(guān)性較低的新因子，取得顯著成果。在因子優(yōu)化方面，多數(shù)因子經(jīng)DeepSeek優(yōu)化后預(yù)測能力提升顯著。測試的Alpha158因子集中，75%的因子RankIC均值提升，50%的因子RankIC均值達(dá)1.2倍提升，35%的因子...
標(biāo)簽：量化投資因子模型金融工程
金工深度研究：博采眾長，分析師預(yù)期類因子初探.pdf
- 6積分
- 2024/12/04
- 300
- 華泰證券
金工深度研究：博采眾長，分析師預(yù)期類因子初探?；久媪炕盗兄和诰蚍治鰩煍?shù)據(jù)中的alpha。證券分析師是資本市場的重要參與者，能夠幫助投資者更深入地理解公司價值，提升市場效率。同時，分析師數(shù)據(jù)中也包含非理性的噪聲。如何發(fā)現(xiàn)并剝離分析師的理性與非理性，或許是挖掘alpha因子的關(guān)鍵。本文基于分析師一致預(yù)期數(shù)據(jù)，構(gòu)造了分析師異常覆蓋、評級和盈利修正三個因子，合成得到的分析師綜合因子具有較好的選股效果。分析師異常覆蓋度越高，股票預(yù)期收益越高。分析師覆蓋股票的決策，一方面預(yù)示著股票投資價值較高，另一方面可能受市值、近期收益、換手率、機構(gòu)持倉等其他因素干擾。剔除這些干擾因素后，仍受到分析師較高關(guān)注度...
標(biāo)簽：金融工程量化因子
二項式的任選項定價（英）.pptx
- 12積分
- 2022/11/11
- 108
- 其他
該文檔主要探討了金融衍生品定價中的核心數(shù)學(xué)模型——二項式期權(quán)定價模型（BinomialOptionPricingModel）。作為金融工程與量化分析的基礎(chǔ)工具，二項式模型通過構(gòu)建離散時間的二叉樹路徑，模擬標(biāo)的資產(chǎn)價格在到期日前的可能變動軌跡，從而對期權(quán)等衍生品進(jìn)行合理估值。文檔內(nèi)容可能涵蓋模型的基本假設(shè)、遞歸定價原理、美式與歐式期權(quán)的定價差異，以及該模型相較于Black-Scholes模型在靈活性和直觀性上的優(yōu)勢。對于理解金融市場中的風(fēng)險管理、資產(chǎn)定價理論及量化交易策略具有重要的理論價值，適用于金融專業(yè)學(xué)生、量化分析師及金融從業(yè)者參考學(xué)習(xí)。
標(biāo)簽：期權(quán)定價金融工程衍生品