投资组合优化

摘要

文献来源：Jennifer Bender, Jerry Le Sun and Rick Thomas, Asset Allocation vs. Factor Allocation – Can We Build a Unified Method?[J] The Journal of Portfolio Management, 2018, 45 (2) 9-22

推荐原因：近60年间，股票和债券等资产一直是多元化投资组合的主要基石。长期以来，投资者普遍认为，对不同类别的资产进行分散投资足以为组合带来多元化投资的裨益，但近期在市场大幅下挫过程中，对不同类别资产进行分散投

摘要

净值化时代，为满足客户的绝对收益需求，多资产配置是一种必然思路。CTA作为一类不同于股票、债券等传统资产的另类资产，策略本身的运作手段丰富，历史净值表现优异，同时众多优异的CTA产品回撤控制较好，收益风险比极佳。

从多资产配置视角看，对于CTA策略，首先我们需要明了的是，什么样的宏观及市场环境下，CTA策略具有较好的性价比，因为CTA策略也有小年和大年，当环境不利时，即使表现再好的CTA策略，可能收益也不及中性、股票多头等其他策略，此时从自上而下的视角看，最优的选择应该是增配其他更优的资产，而不是在CTA策略中“火中取栗”。这其实就是CTA策略的择时问题。本文中，我们构建了一套

\

深度了解易方达量化投资团队，大咖解读量化投资趋势与方法

• 官泽帆：易方达基金量化投资部资深基金经理
• 徐德晖：易方达基金量化投资部基金经理助理
• 婷 婷：易方达基金

https://www.bilibili.com/video/BV1te4y187ig

\

/wiki/static/upload/c9/c94fbe09-58ac-483f-8d29-ba184e00cfb3.pdf

\

摘要

文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.

推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整

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

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：Leippold, M., Wang, Q. & Zhou, W. (2021). Machine-Learning in the Chinese Stock Market. Journal of Financial Economics.

推荐原因：随着机器学习在金融和经济领域的应用迅速兴起，越来越多的学者利用机器学习工具研究股票的截面和时间序列预测。而中国股票市场历史较短，制度依然处于不断完善的阶段，有着自身的特殊性。本文根据中国市场的特征构建了一个全面的股票收益预测因子集，并利用几大流行的机器学习算法进行实证分析。经过CSPA条件预测能力检验，作者发现神经

导读

1. 作为西学东渐--海外文献推荐系列报告第一百三十五篇，本文推荐了Rattray S等人于2020年发表的论文《Strategic Rebalancing》。
2. 机械式的再平衡投资策略（每月或每季度重新分配到固定投资组合权重）是资产配置中调整权重的常用方法，虽然可以避免将资产过度集中到某一类资产，但是也有不足之处。本文对再平衡策略进行了详细的分析，提出并证实了再平衡策略的负凸性。更重要的是，作者通过实证分析发现趋势敞口呈正凸性，因此可以通过配置趋势敞口有效抵消再平衡策略带来的负凸性，对投资组合管理有很大参考价值。文章给出两种配置趋势敞口的方式，测试结果表明配置趋势敞口可以在

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

\

正文

/wiki/static/upload/cd/cda40c0d-0289-4da4-807f-ada48abfc1e5.pdf

\

摘要

公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读者呈现每篇论文最精华的部分。QIML希望大家能够读到可以成长的量化文章，愿与你共同进步！

本期遴选论文 标题：FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational Autoencoder for Predicting Cross-sectional Stock Returns

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

摘要

正文

[/wiki/static/upload/a9/a9d29558-88e7-4502-a49d-b5d6a113ab08.pdf](/wiki/static/upload/a9/a9d29558-88e7-4502-a49d-b5d6a

摘要

华泰金工多因子风险模型能够实现准确可靠的风险预测和投资组合优化

在经典多因子模型框架的基础上，参考Barra多因子风险模型，构建华泰金工多因子风险模型。模型选择恰当、有效的共同因子，回归计算因子收益和特异性收益，进而估计因子收益协方差矩阵和特异性收益方差矩阵。之后，模型以波动率偏误统计量作为风险预测准确度的衡量指标，对因子收益协方差矩阵和特异性收益方差矩阵分别进行多步修正，有效提升风险估计的准确度。华泰金工多因子风险模型能够实现准确、可靠的风险预测和投资组合优化。

风险模型对因子收益协方差矩阵和特异性收益方差矩阵分别进行多步修正

多因子风险模型将对股票收益协

\

摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

\

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

\

正文

/wiki/static/upload/cc/ccdb74be-b863-4da3-8f49-1f6faa26c18e.pdf

\

\

\