知识库

本笔记本测试标准投资组合配置能否改善一项每根K线交易一次、且已承受交易成本的NASDAQ-100交易策略。它根据成本可行的标的范围内的验证表现选择预测，然后在完整标的范围内评估配置组合。不同最高持仓数量下采用等权、按评分加权和逆波动率方法，并在每根15分钟K线上再平衡。文中报告所有受测组合均大幅为负，并据此认为交易频率是主要限制，配置方法的选择则居次要地位。…

本笔记本对领先的ETF配置组合应用头寸级风险控制，同时固定每种组合所依据的预测、集中度和配置方法。它将止损、移动止损和时间退出规则与原策略进行比较，并强调止损可能同时截断亏损和收益。由于头寸通常持有一个月，提前退出的规则也会导致资金闲置，直至下一次再平衡，因此触发频率和剩余持仓期限都很重要。…

本笔记本介绍如何将已发布且经过横截面排名的US公司特征面板转换为因子研究所用的带键特征矩阵。它将输入归入已声明的类别，在不拟合转换的情况下组合特征及其交互项，并将实际收益排除在特征产物之外。笔记本从源数据的固定公司轴重建持久公司身份，再与单独的标签面板核对，以防使用不断变化的横截面位置合并行。…

这项US股票特征研究介绍如何从估计模型生成特征，同时避免将未来数据带入更早的观测值。估计安排先进行历史预热，只使用每个输出区块之前的数据拟合参数，然后在下一个区块前更新估计。这一点至关重要，因为若只在完整样本上拟合一次模型，未来信息就会进入后续评估所用的特征。该安排与交叉验证折叠相互独立；折叠用于选择评分行，但不会约束特征估计。…

本笔记本将TSMixer用于ETF序列，并在各基金之间共享一个全局函数。每个样本包含单只基金的历史和协变量；模型在面板数据中学习时间交互和特征交互，但不会将一只基金的观测值直接混入另一只基金的预测。模型在滚动前向验证数据上与线性模型和梯度提升基线进行比较。…

本笔记本介绍一种随机贴现因子（SDF）模型，用于为US公司收益横截面定价。它不先估计因子再加以应用，而是在无套利条件下直接学习公司月份权重：贴现后的收益预期值应为零。训练分为无条件阶段、纳入公司特征和市场状况的条件阶段，以及寻找当前SDF定价效果较差测试资产的对抗矩网络。…

本笔记本分析重建的NASDAQ限价订单簿，描述日内价差和最优档深度，并考察订单流失衡是否与随后时间桶的收益相关。它以基点表示价差，以便比较价格水平不同的股票，并绘制价差及显示流动性在交易时段内的变化。它还根据订单新增和撤单构建失衡指标，将订单流汇总到时间桶中，再比较单只股票和横截面的指标与后续收益之间的相关性。除原始订单流外，还使用带符号的对数变换，以减小极端值的影响。…

本笔记本介绍离线机器学习流程与QuantConnect的LEAN交易引擎之间的部署桥梁。它从注册表中可重复地选定一次模型运行，将其留出集预测导出为按日期索引的JSON，再使用一个小型平台算法应用投资组合规则，无需执行推理。来源溯源检查将导出文件与选定的训练配置和预测文件关联起来。由于评分已固定，可以通过回测探索阈值、持仓限额和再平衡规则，而无需重新训练模型。…

本笔记本评估四种源自新闻的信号——加权意外值、平均情绪、情绪变化和文章覆盖度——与股票未来收益的关系。它计算每日横截面斯皮尔曼信息系数，汇总其均值、变异性、信息比率和t统计量，然后比较按信号排名的五分位组收益及其多空价差。每个日期计算一个系数，使日期成为分析单位，而不是将所有资产与日期的观测合并。笔记本还检查重复的信号值是否会影响分组比较。…

本文介绍如何为NASDAQ的100分钟级微观结构特征拟合时序卷积网络。因果卷积可防止预测使用之后的观测值，而扩张卷积使连续层能够捕捉多个时间尺度的模式。模型使用观测值的尾随窗口预测未来收益，并为多个期限分别设置标签。由于相邻分钟窗口高度重叠，训练过程按各标签期限间隔抽取样本，使其收益区间互不重叠。窗口保持在单只股票内；特征缩放参数在训练数据上拟合后，再应用于验证数据。…

本分析比较多个模型类别对下月收益的预测，这些模型以每月 US 股票特征进行训练。分析重点是截面信息系数，它衡量模型在每个月对股票排序的能力。工作流程从运行登记系统读取验证结果和代表性预测，使用置信区间和各折表现比较不同类别，并考察信号在不同验证窗口中是否依然可信。分析还将预测性预测与潜在因子结构拟合、因果处理效应估计区分开来；虽然报告的统计量相关，但它们回答的问题不同。…

本笔记比较用于发现一组 ETF 收益序列之间关系的方法：NOTEARS 用于分析同期线性有向无环图，VAR-LiNGAM 用于分析滞后和即时结构，PCMCI 用于发现条件独立关系，Granger 检验则作为两两预测筛查方法。NOTEARS 通过结合稀疏回归目标与可微的无环约束，使图学习过程连续化。其他方法基于不同假设，针对不同类型的关系，因此其输出不能互换。…

本笔记展示如何使用 Optuna 的 TPE 采样器调整 LightGBM 超参数，以截面信息系数为优化目标。它结合早停来选择提升轮数，并使用自定义剪枝回调检查中间验证 IC。搜索范围涵盖树的复杂度、学习率、采样和正则化，并特别关注低信噪比环境下的正则化。 工作流程比较单个验证折和平均滚动评估，并将已声明的测试留出集排除在搜索之外，同时针对未来收益标签期限设置隔离期。讨论指出，单折搜索可能偏好近乎平坦的模型，有些折会产生未定义的…

本研究将已登记的模型预测转换为可比较的标普 500 期权策略。在每周决策日对预测收益排序，筛选高流动性范围，并卖出排名靠前标的的等权平值跨式期权。每个头寸持有至到期，并按内在价值以现金结算；同时监测标的资产的 Delta，并在其越过阈值时进行对冲。持有标的数量根据配置定义的集中度网格变化；本次比较中，其他策略设置保持不变。…

本笔记汇集五种潜在因子方法，用于建模标普 500 期权案例研究中的股票收益截面。PCA 仅根据收益估计共同变动；IPCA 线性地将特征映射为暴露；条件自编码器采用非线性映射；随机贴现因子通过截面定价拟合；监督自编码器则将未来收益加入条件模型的目标函数。本笔记检查五项相关研究是否共同发布了训练菜单中声明的所有模型，然后读取已登记的验证预测，并按标签比较峰值信息系数。 该比较用于描述，而非模型选择。IC…

本笔记讲解如何解码 NASDAQ TotalView-ITCH 二进制消息，并将其存储为结构化数据，以供后续市场微观结构分析。文中解释了消息帧结构、定宽字段布局、大端序数值、从午夜起算的时间戳，以及以整数编码并隐含小数位的价格。解析器逐条读取记录，解码支持的消息类型，缓冲结果，并按类型写入 Parquet 分区，因此处理一个大型交易日的数据时无需将整个数据流保存在内存中。 文档说明，新增订单、成交、撤单、删除和替换事件可用于重建限价订单簿。文中建议使用 Python 进行学习和调试，并推荐使用 Rust…

本笔记介绍一种监督自编码器，用于预测未来多个期限的 US 股票收益方向。编码器连接重构解码器、辅助分类器和主分类器。联合训练将重构误差与二元分类损失结合起来，使预测任务影响瓶颈表示。工作流程构建按日期排序的价格和成交量特征，在确切的未来市场日期标记收益，并使用扩展式验证折，清除期与最长标签期限相匹配。另设隔离期保护最终测试期，并在该留出集上仅评估一次选定检查点。 本笔记报告了按期限划分的测试…

本笔记构建一个投资组合配置器，在 LSTM 编码器之前加入类似 Temporal Fusion Transformer 的变量选择网络。选择网络分别嵌入每项输入特征并分配 softmax 权重，使模型能够随资产和时间变化调整所侧重的信号。LSTM 处理选定的表示，生成有界标量信号；投资组合层再将信号转换为目标波动率的多空权重。…

本文盘点九个案例研究中的跨市场模型特征产物。它读取 parquet 架构而不加载数据行，排除标识符列，统计特征列，并根据与 GARCH、隐马尔可夫状态、市场状态指标、卡尔曼滤波器、ARIMA 和分数差分等方法相关的词元对名称分组。列名样本有助于读者检查未匹配字段并理解词元计数。…

本文介绍如何为横截面 ETF 动量和轮动假设构建并检查特征矩阵。它定义每项特征的回看窗口和信息滞后，再构建滚动收益、风险调整收益、波动率、趋势和市场状态指标、横截面百分位数以及收益率曲线背景。价格衍生特征使用决策收盘前可获得的观测值；宏观序列则按照声明的可用性政策延迟。特征设计包含多个动量期限，并在选定的较长窗口中跳过近期表现，以考虑短期反转。…

本文通过在每周五对日频数据采样，重新构建五个交易日股票收益预测问题。标签仍是五个交易日收益，但在周频网格上约等于一个模型步长。笔记比较直接回归与 N-BEATS 预测模型：前者使用固定回看窗口预测一个收益，后者配置为预测下一个周频数值。两者使用相同的周频观测和预测期限；本文也介绍了在有已登记结果时与日频模型系列的比较。…

本文介绍如何在所有符合条件的 -2021 之前历史数据上重新拟合早期验证阶段选出的配置，然后为 2021 留出集生成预测。训练区间根据声明的评估窗口、标签缓冲区、验证折和特征覆盖范围推导。若存在冻结的候选集，就从中读取选定配置，因此留出集用于评估一个沿用的配置，而非给备选配置排序。…

本笔记使用股票期权分析数据评估梯度提升树，其中隐含波动率、偏斜、期限结构和方差风险溢价等特征体现了市场预期。它探讨非线性模型能否有条件地组合这些预测，例如根据期限结构的不同而对偏斜作不同解读，以及这种方式能否改善相对于线性模型的横截面排序。网格调整树容量和回归损失，并记录多个提升检查点的预测。模型系列比较采用匹配的目标和滚动折，包括原始未来收益、风险调整收益和收益方向。…

本笔记为广泛的 US 股票面板构建价格衍生特征，包括动量、移动平均线和波动率指标。其设计目标是对股票进行相互排序，使用可交易性筛选、逐标的滚动计算和每日横截面排名。操作顺序很重要：先计算时间序列窗口，再删除行；排名时只使用该日期符合条件的标的。特征值会在其测量所在的横截面内进行截尾。 笔记只用开发数据，以主要的未来收益标签评估特征。它讨论了在标签终点停止评估、校正信息系数的自相关，以及单独处理多重检验的必要性。笔记还通过基本定律联系 IC…