"量化因子" 相關的文檔

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：

全部
常規報告
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

金工專題報告：深度學習系列之四，從人工寫因子到AI寫因子，LLM_MCTS驅動的可解釋因子迭代框架.pdf
- 4積分
- 2026/06/23
- 34
- 東吳證券
本報告構建了LLM-MCTS可解釋因子迭代框架，旨在實現從人工寫因子到AI挖因子的范式升級。框架中，MCTS負責在公式或代碼搜索樹中進行選擇、擴展、評測和回傳，LLM負責生成金融假說、可執行表達式或Python函數，并解釋機制及審查數據合法性。相比一次性讓模型寫公式，該框架將候選生成、周度RankIC/IR評測、樣本內選擇、樣本外檢驗和經驗庫沉淀組織成閉環，覆蓋日頻Seed改造、低頻Seed池批量挖掘和高頻分鐘行為挖掘。在日頻Seed定向改造中，以29個低頻價量原始因子為起點，結果顯示候選池層面25/29個Seed至少搜索到過樣本外優于原始Seed的候選。在低頻Seed池批量挖掘中，以12個根...
標簽：大模型人工智能量化因子
因子手工作坊系列（6）：日度量價因子的統一線性框架.pdf
- 3積分
- 2026/05/11
- 69
- 西部證券
西部證券因子手工作坊系列第六篇，介紹日度量價因子的統一線性框架，涵蓋因子構建方法與檢驗框架，用于證券投資分析。
標簽：量化因子量價因子因子投資
金工深度研究：大模型+強化學習因子挖掘.pdf
- 6積分
- 2025/12/05
- 392
- 華泰證券
金工深度研究：大模型+強化學習因子挖掘。人工智能97：大模型+強化學習挖掘量價因子本文基于大模型+強化學習技術，探索二者結合在因子挖掘場景下的應用潛力。通過對因子表達式的Token化建模，強化學習可在指定環境中以Token單元組成動作序列，形成完整的Alpha因子表達式；大模型則可借助其金融領域知識為強化學習去蕪存菁，注入活水，有效提升強化學習因子挖掘的效果及穩定性。基于該框架產出因子構建滬深300指增策略，回測區間（20201231-20251128）策略年化超額17.85%，信息比率1.50；中證500指增策略年化超額收益率9.78%，信息比率0.67。強化學習應用于因子挖掘：Token化...
標簽：大模型強化學習量化因子
金融工程專題報告：異常值穩健回歸控制下的EP因子有效性重估.pdf
- 5積分
- 2025/08/06
- 70
- 華安證券
金融工程專題報告：異常值穩健回歸控制下的EP因子有效性重估。e_Summary]本篇是學海拾珠系列第二百四十四篇。本文作者使用一種理論依據充分的穩健橫截面回歸方法來控制異常值，以證明當用于單因子和多因子模型時，盈利價格比因子（EP）以及一個基于盈利預測、預測修正和廣度的復合因子（CTEF），在1980-2007年和2008-2020年期間，對于CRSP®、R3000和R2000股票池具有統計顯著性。由于異常值的不利影響，采用標準1%縮尾處理的最小二乘（LS）回歸未能表明EP和CTEF是顯著因子。引入mOpt穩健回歸解決因子顯著性誤判問題針對傳統最小二乘法（LS）在橫截面回歸中易受異常值...
標簽：金融工程量化因子因子有效性
金融工程行業深度研究：LLMRouter_GRU，“輿情分診臺”賦能AI量價因子.pdf
- 6積分
- 2025/07/18
- 266
- 華泰證券
金融工程行業深度研究：LLMRouter_GRU，“輿情分診臺”賦能AI量價因子。人工智能94：大模型情緒路由賦能AI量價，300指增表現優異本研究提出LLMRouter-GRU神經網絡，將大語言模型（LLM）對新聞輿情的情感分析能力引入AI量價模型，構建“輿情分診臺”。該結構通過對原有神經網絡進行輕量級改造，基于市場情緒動態選擇稀疏專家路由，實現了“情緒分域，量價建模”。實證表明，該模型能有效融合另類輿情信息與量價數據，提升指數增強組合表現。在回測區間2022-12-30至2025-06-30內，輿情覆蓋度高的300增強...
標簽：金融工程 AI大模型量化因子
金工深度研究：博采眾長，分析師預期類因子初探.pdf
- 6積分
- 2024/12/04
- 300
- 華泰證券
金工深度研究：博采眾長，分析師預期類因子初探。基本面量化系列之二：挖掘分析師數據中的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，分析師數據中也包含非理性的噪聲。如何發現并剝離分析師的理性與非理性，或許是挖掘alpha因子的關鍵。本文基于分析師一致預期數據，構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，股票預期收益越高。分析師覆蓋股票的決策，一方面預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注度...
標簽：金融工程量化因子
量價時序特征挖掘模型在深度學習因子中的應用.pdf
- 6積分
- 2024/07/12
- 325
- 西南證券
量價時序特征挖掘模型在深度學習因子中的應用。深度學習模型在選股初探。本文首先構建了基于門控循環單元網絡（GRU）的深度學習選股模型，通過兩層GRU層及多層感知器（MLP）神經網絡來預測股票收益。模型利用收盤價、開盤價、成交量等18個量價特征，對2018年1月1日至今的數據進行訓練和回測。結果表明，GRU模型在回測區間內的RankIC為3.14%，多頭組合年化收益率11.40%，最大回撤率42.78%，展現出一定的選股能力。基于AE自編碼模型的選股特征降維。本文采用自編碼模型（AE）壓縮特征來減少數據維度，提高模型訓練速度和減少算力消耗。本文采用AE模型將原始的40*18的量價時序特征降維至一維...
標簽：深度學習量化因子
金工深度研究：高頻因子計算的GPU加速.pdf
- 6積分
- 2023/10/17
- 904
- 華泰證券
金工深度研究：高頻因子計算的GPU加速。本文使用NVIDIARAPIDS對高頻因子計算進行GPU加速。量化因子計算場景下，RAPIDS的直接助力是用CuPy、cuDF的GPU運算替代NumPy、Pandas的CPU運算。在RTX3090和i9-10980XE測試環境下計算分鐘線因子，CuPy和cuDF替換庫函數的提速效果約為6倍，若同時將for循環替換為矩陣運算，最終提速超100倍。預計RTX4090和A800提速更顯著。最大化ICIR法合成高頻因子，并與華泰金工神經網絡多頻率因子靜態加權，構建中證1000指數增強組合，以2016年末至2023年9月為回測區間，信息比率從3.70提升至3.87...
標簽：量化因子 GPU加速
金融工程專題研究：反轉因子全解析.pdf
- 6積分
- 2022/06/15
- 1269
- 國信證券
金融工程專題研究：反轉因子全解析。A股市場具有顯著的反轉效應，反轉因子長期有效但是2019年以來呈現出階段性的失效。我們從反轉因子的均值回復本質入手建立了反轉因子的統一框架，并嘗試為每只股票尋找其更精準合理的均值回復基準。我們從分析師共同覆蓋、基金共同持倉、概念共同覆蓋、形態相似股票四種不同的維度為不同類型股票構建了均值回復的基準，從而構建了改進的反轉因子：分析師共同覆蓋：共同覆蓋兩只股票的分析師越多，兩只股票可能越相似，因此可以分析師共同覆蓋的股票來構建股票的均值回復基準。基金共同持倉：共同買兩只股票的基金越多，股票的基本面可能越相似，因此可以通過基金共同持倉的股票來構建股票的均值回復基準。...
標簽：金融工程量化因子
金融工程專題研究：動量類因子全解析.pdf
- 6積分
- 2021/12/14
- 1308
- 國信證券
該文檔聚焦于金融工程領域中的量化投資策略研究，核心主題為動量類因子的全面解析。動量效應是資產定價和投資組合管理中的重要異象之一，指過去表現良好的資產在未來一段時間內傾向于繼續表現良好，而過去表現較差的資產則傾向于繼續表現較差的現象。本文檔系統梳理了動量類因子的理論基礎、構建方法、實證表現及其在不同市場環境下有效性。通過深入分析動量因子的形成機制、持續時間、反轉特征以及與其他因子（如價值、規模、波動率等）的相關性，旨在為投資者提供構建和優化量化選股策略、風險控制模型及資產配置方案的理論依據與實踐指導。文檔可能涵蓋因子篩選、回測框架、績效歸因及交易成本分析等內容，幫助專業人士理解并應用動量策略以提...
標簽：金融工程量化因子
因子深度研究系列：高頻訂單失衡及價差因子
- 6積分
- 2021/02/18
- 1302
- 中信建投
本報告為中信建投發布的量化投資研究系列文檔，重點探討了高頻訂單失衡及價差因子在股票投資中的應用價值。核心內容：研究深入分析了高頻交易數據中訂單流失衡現象與資產價格變動之間的內在聯系，構建了基于訂單失衡和價差的量化因子模型。通過實證檢驗，評估了該因子在不同市場環境下對個股超額收益的解釋能力及預測效果，揭示了微觀結構數據在挖掘Alpha收益中的潛力。核心價值：為量化投資者提供了新的因子挖掘視角，有助于優化多因子選股模型，提升交易策略的精細化程度和風險調整后收益，適用于高頻量化策略及基本面量化策略的因子庫擴充。
標簽：量化因子高頻交易價差分析

相關標簽
相關專題

換一批

熱門下載

全部熱門
本年熱門
本季熱門

量化投資專題研究報告：機器學習合成非線性因子，增強效果如何？ 2274 6積分
金融工程專題研究：動量類因子全解析.pdf 1308 6積分
因子深度研究系列：高頻訂單失衡及價差因子 1302 6積分
金融工程專題研究：反轉因子全解析.pdf 1269 6積分
金工深度研究：高頻因子計算的GPU加速.pdf 904 6積分
金融產品研究報告：分析師預期收益率生命周期模型及分析師因子再增強.pdf 843 6積分
Factor Zoo專題報告：“逐鹿”Alpha專題報告（十九）.pdf 591 7積分
金工深度研究：大模型+強化學習因子挖掘.pdf 392 6積分
量價時序特征挖掘模型在深度學習因子中的應用.pdf 325 6積分
金工深度研究：博采眾長，分析師預期類因子初探.pdf 300 6積分