摘要

文献来源：Ron Alquist, Andrea Frazzini, Antti Ilmanen, Lasse Heje Pedersen. Fact and Fiction about Low-Risk Investing[J]. The Journal of Portfolio Management. May 2020, 46 (6) 72-92.

推荐原因：过去10年里，包括股票和其他资产在内的低风险投资受到了广泛关注。本文指出了关于低风险投资的五个事实和五个误区。

事实是：低风险投资

1. 历史收益一直很高；
2. 样本外表现也非常可观；
3. 在许多国

报告摘要

新闻内容和社交媒体情绪研究的兴起

在过去10年中，金融市场中新的系统性风险因素的不断发酵，这些问题在一定程度上是由于流动性减少造成的。随着机器学习的使用，用来定量衡量新闻内容和社交媒体情绪的另类数据得到广泛应用。本文试图研究社交媒体和新闻数据能否为投资者提供现有数据无法捕捉到的市场情绪高涨和恐慌的信息。

研究现状

本文是首个研究社交媒体情绪对日内流动性影响的文章，但也有学者研究社交媒体和新闻如何影响资产价格，比如Twitter和谷歌Insight Search (GIS)情绪可以预测每日股市指数的回报等，一些研究还考虑了社交媒体对个人行为的影响。

摘要

这是最近在Quora上的一个提问：

Is stochastic math and Brownian motion still important to quantitative hedge funds? Is it all about AI and machine learning now？

机器学习算法大流行的时代，传统的量化金融理论，如随机过程、布朗运动等在量化对冲基金还重要吗？这本质上还是Q-Quant与P-Quant发展的问题。在这个问题下面，很多网友给出了很精彩的回答。

正文

▌Aaron Brown

很多量化投资策略都是基于非常简单的数学。复杂的工具往

摘要

文献来源：Lin, Wenguang, and Gary C. Sanger. "Is smart beta still smart under the lens of the diversification return?." The Journal of Portfolio Management 47.1 (2020): 29-39.

推荐原因：分散化收益是一种关于组合收益的统计量，它可以在很大程度上解释投资组合的收益率。同时，一些关于Smart Beta策略的测试结果引发了人们对相关策略的极大兴趣；大量的研究结果表明，Smart Beta策略，在组合构建过程中，通

摘要

文献来源：Blitz, David. Hanauer, Matthias. Settling the Size Matter: The Journal of Portfolio Management Quantitative Special Issue 2021, 47 (2) 99-112.

推荐原因：规模溢价自被发现已有近四十年，然而规模因子的alpha一直很微弱，但是当控制质量因子(quality-versus-junk)暴露时，因子似乎又恢复了活力。本文发现，在美国市场，规模因子对质量因子回归后呈现出非常显著的alpha，然而超额收益主要由质量因子的空头端驱动，

摘要

文献来源：So E C . A new approach to predicting analyst forecast errors: Do investors overweight analyst forecasts?[J]. Journal of Financial Economics, 2011, 108(3):615-640.

推荐原因：本文证明了价格没有完全反映分析师预测误差中可预测部分，认为投资者往往过度重视分析师预测，这与之前的研究结论相悖。本文指出了传统估计分析师预测偏差方法中存在估计偏误，并开发了一种减少这种偏误的新方法——通过公司历史基本面信息来

摘要

文献来源：Peltomäki, Jarkko, and Janne Äijö. "Where Is the “Meat” in Smart beta Strategies?." The Journal of Wealth Management 20.3 (2017): 24-32.

推荐原因：本文采用来自MSCI的四只Smart beta策略指数和一只基准指数作为研究对象，使用PCA方法对指数进行策略分解。从分解结果来看，等权和价值加权策略对投资组合的业绩影响相对较小。从实证结果来看，基本面指数向价值倾斜，为实现价值溢价提供了投资工具。对比全球、EAFE（欧洲、澳大拉西

摘要

文献来源：Mateus C, Todorovic N, Sarwar G. US Sector Rotation with Five-Factor Fama-French Alphas[J]. Journal of Asset Management, 2017,19(2):1-17.

推荐原因：**在本文中，我们使用Fama-French五因子模型的alpha值来研究经风险调整后的美国行业投资组合收益和行业轮动策略。我们发现五因素模型比三因素模型能更好地拟合美国行业投资组合的收益。在全样本期间，有50％的行业产生了显著的五因子alpha。我们通过应用简单的纯多头和多

正文

/wiki/static/upload/25/259b1aaa-df16-4ed2-abd6-8ad67bba7fb7.pdf

\

文章结构

第 1 部分：简单的学术

第 2 部分：简单的行业内价值组合

第 3 部分：与我们将要到达的地⽅⼀样现实

概括

附录

英文原文

/wiki/static/upload/9d/9d7af0f3-98a9-449e-8eaf-fdbefed8291e.pdf

谷歌机翻版

[/wiki/static/upload/5e/5e88f46d-d42d-473c-9972-cb6f38f1aa95.pdf](/wiki/stat

摘要

1.1.人工智能正当时1956年，人工智能（ArtificialIntelligence,AI）的概念在计算机达特茅斯会议上被提出。AI赋予机器像人一样思考，并做出反应的能力。它的本质是通过研究人类活动的规律，构造具有一定智能的人工系统来模拟人类的某些思维过程和智能行为，去完成以往需要人的智力才能胜任的工作。

如今，大数据、GPU和复杂算法的出现与进步，大大加速了人工智能的发展。2016年，由DeepMind开发的AlphaGo以4：1战胜了韩国棋手李世石，让人工智能备受关注，掀起了人工智能的浪潮。这一新兴学科凭借其广阔的发展前景吸引了众多研究者，目前已经在计算机视觉、自然语

20200514-国盛证券-量化专题报告：利率债收益预测框架——大类资产定价

/wiki/static/upload/63/632174fd-6d0d-47e1-a63e-cb2799d0406f.pdf

\

摘要

文献来源：Chow, Tzee-Man, Feifei Li, and Yoseop Shim. "Smart beta multifactor construction methodology: Mixing versus integrating." The Journal of Index Investing 8.4 (2018): 47-60.

推荐原因：我们的研究主要集中在一个实际问题上，这个问题在此之前关注度较低：市场参与者如何在权衡后选择采用不同方法构建的多因子投资组合作为投资工具。具体来说，我们研究和比较了两种不同的方法。第一种方法（以下称为整合法），是在

/wiki/static/upload/b2/b2ee2101-bb57-4a2b-92e6-a192c81aa6be.pdf

\

报告摘要

推荐文献一：The lead–lag relationship between stock index and stock index futures: A thermal optimal path method【2018】

推荐理由

通过源于统计物理学的热最优路径(Thermal Optimal Path)模型来探究中、美、港三大市场上股指与股指期货的领先滞后关系。 热最优路径是一种非参模型，有别于传统的格兰杰检验、误差修正模型，它能反映出指标之间长期的、时变的领先滞后关系。实证表明：香港恒生指数、美国 S&P500 指数的股指期货均对股指有着显著且长期的领先关

报告摘要

推荐文献一：Can the Market Multiply and Divide?Non-Proportional Thinking in Financial Markets【2018】

推荐理由

从一个简单的非比例思维模型出发，推论出当实际价格相对参考价格更低时，股票将对新消息做出过度反应并在随后进行纠正，因此将具有更高的波动率和更大的β值。对这些推论通过回归分析和事件分析进行了验证，基于此，从非比例思维的角度，对市场上诸如杠杠效应、规模与波动率、规模与β的负相关系、过度反应或反应不足及随后的纠正等一系列现象，进行了解释，是行为金融学相关理论的重要补充。

「股票及量化投资书籍分享」https://www.aliyundrive.com/s/4kajoeM7ock 点击链接保存，或者复制本段内容，打开「阿里云盘」APP 下载。

摘要

1. 机器学习已广泛应用于各个前沿领域

2. 机器学习在金融市场中的应用举例 1.Lasso回归与商品期货价格预测

   2.使用决策树模型预测财务造假

   3.逻辑回归与债务违约预警

   4.集成学习在多因子选股中的应用

3. 机器学习应用于金融市场的局限

正文

/wiki/static/upload/7e/7e665c7e-52b2-4d99-8700-4d1d4585ad31.pdf

\

摘要

本文构建了可融入因子观点的随机森林模型，提升了随机森林的灵活性

相比线性模型，机器学习模型的复杂程度大幅提升，模型对于历史数据的拟合能力变强，但灵活性下降。在动态演化的金融市场中，机器学习的这些特性使其备受挑战。为了提升模型的灵活性，我们改进了sklearn的随机森林模型，可指定优先分裂的因子来分裂决策树，从而人为增大优先因子的重要性。最后，我们以价值、成长、质量为优先分裂因子分别训练模型，构建了中证800价值、中证800成长、中证800质量三个组合，该测试能为构建结合机器学习的SmartBeta策略提供一种思路

**面对量化投资中的挑战，如何提升机器学习的灵活性值得

市场效率低下是交易世界中存在巨大机会的时期。然而，除了机会之外，交易者还需要对其投机能力、有助于在正确时间买卖的策略等事情充满信心。

简而言之，在市场效率低下的情况下，遵循正确的方法非常重要。

什么是低效市场？

低效市场只不过是金融市场中特定证券的价格未按其真实价值交易的情况。因此，市场以非有效的方式运作。

当最近的事件/新闻或事件/新闻的猜测使市场的证券或可交易项目的价格低于或高于实际或公允价值时，可交易项目的这种非有效价格就会发生。

例如，黑色星期二或1929 年华尔街崩盘是最严重的市场崩盘之一，当时投资者一天在纽约证券交易所交易了约 1600 万股股票。

第

\

请问如何获取每日开盘竞价数据？

Q1:现在海内外量化实践有什么代际差吗？海外接下来量化方向除了另类数据应用，还有什么发展潮流？他们对于国内量化市场是怎么判断的？

**关子敬：**在我看来海内外最主要的差别是：国内投资人是偏向喜欢直接对股价做预测，而海外直接预估股价比较少，主要做填充模型（imputation model），针对遗失数据做估算，特别是在

https://bigquant.com/experimentshare/c094a0a83acb4bacb637f7a0cf42fc76