像一些复杂的因子合成方法怎么实现呢，有没有相关的算子模块或者代码分享呢

\

Generative Adversarial Networks for Financial Trading Strategies Fine-tuning and Combination

作者：Adriano Koshiyama, et al.

出处：Quantitative Finance, 2020-09-01

摘要

系统交易策略是分配资产以优化特定绩效的算法程序。为了在竞争激烈的环境中获得优势，分析师需要适当地微调策略，或者发掘如何通过创造新的alpha以组合弱信号。已经有多种方法对微调和组合这两个方面进行了广泛研究，但是新兴技术，例如生成对抗网络，也会对这些方面产生

\

文献摘要

HML因子中的细节

文献来源: Clifford Asness andAndrea Frazzini, 2013, The Devil in HML’s Details, The Journal of Portfolio Management, volume 39 number 4.

推荐原因：Fama 和 French标准的价值（B/P）度量方法是一个合理的、保守的选择，对这个领域起到了很好的作用。但这不是最好的选择。本文对B/P计算指标的时效性进行了研究，会对组合投资策略的有效性产生很大的影响，时效性越强的B/P在使用价值和动量对策略做风险调整

摘要

文献来源：Kushner, Joseph. Two Types of Factors: A Return Decomposition for Factor Portfolios. The Journal of Portfolio Management. 43. 17-32. 10.3905/jpm.2017.43.4.017.

推荐原因：股票收益可以分解到业绩增长与估值变化两个维度，本文将股票收益分解方式扩宽到了因子维度，分析了价值、动量、质量和V-Q(bp因子和GP2A因子的排序分位点均值)这四个常见的量化选股因子的收益来源：价值因子和V-Q因子通过股票的估值增长获取

/wiki/static/upload/81/81ef2747-9d73-414d-87cb-a37f33592e20.pdf

\

\

模型板块包含了AI算法模型，多因子模型等一些研究内容。

策略案例

https://bigquant.com/experimentshare/44cc116a1dad4c37983b9be35da208ee

\

本集合里将分享平台开发者们对DeepAlpha系列的实践研究报告

\

报告摘要

主要观点

本篇是“学海拾珠”系列第四十八篇，本期推荐的海外文献研究了目标公司对其他公司公告和宏观公告的信息消化是否会带来回报溢价。作者用信息消化来代表投资者对这些公告的关注，并通过机构异常关注度（AIA）构建了预期信息消化指标（EIC），EIC=1的公司往往会受到其他公司或宏观公告的“信息溢出”，且获得回报溢价。在A股市场，我们可以用这种类似视角来研究信息消化与资产定价，筛选容易受到“信息溢出”的公司，在市场上其他公司发布公告或是宏观经济发生改变时，这些公司更容易获得回报溢价。

• 机构异常关注度和预期信息消化（EIC）

​ 机构异

报告摘要

主要观点

本篇是“学海拾珠”系列第二十五篇。作者通过构建盈利beta衡量横截面收益中的系统性风险，并应用于资产定价研究领域中。

• 现金流量与系统性风险直接相关

由于基于收益率的市场beta无法有效解释横截面收益，最近的一些研究尝试检验现金流beta。大多数研究通过对数线性化收益方程，或对数线性化净盈余来估计现金流类的基本面指标。考虑到在公司层面上收益率与盈利之间存在正相关关系，作者将净利润视为基本面的汇总性度量指标。

• 盈利beta的解释能力对盈利序列的构造方式较为敏感

**盈利beta的解释能力对用来估算beta的盈利序

报告摘要

主要观点

本篇是“学海拾珠”系列第七十篇，本期推荐的海外文献研究了双重调整法下的基金业绩评价，传统基金业绩评价往往使用因子模型来计算风险调整后的alpha，或使用基于持仓特征的方法来计算基准组合收益后进行风险调整，但最新的资产定价文献发现，两种方法可能都不完整，虽然基金的因子载荷和持仓特征是相关的，但相关性并不高，表明因子载荷和持仓特征并没有传达完全相同的信息。在控制风险因子暴露后，持仓特征依然可以解释共同基金的横截面alpha，因此，作者提出了基于双重调整法的基金业绩评价。回到国内基金市场，我们可以运用类似的方法计算双重调整

参考 https://wesmckinney.com/book/ 编写 Python For Quants - 用于量化投资的Python

主要观点

本篇是“学海拾珠”系列第三篇，摘选自论文《Resiliency and Stock Returns》的核心结论。长久以来，流动性被认为是决定股票资产定价的一个关键因素。有学者指出，投资者对流动性较小的股票存在溢价要求，然而在考虑了股票规模的影响后这种溢价消失了。

本篇报告认为这种溢价消失的现象源自流动性的定义问题，于是提出了一种新的基于协方差度量股票非流动性的方法——价格张力RES。它通过相邻时间区间（9:30-10:00和10:00-16:00）股票收益的协方差与股票日收益的方差相除的方式计算得到，能同时反映流动性冲击的价格影响以及冲击的持续性。具体而言，RES的值越

文献来源：Aharon D Y, Qadan M. The Size Effect Is Alive and Well, and Hiding behind Calendar Anomalies[J]. The Journal of Portfolio Management, 2019: jpm. 2019.1. 088.

推荐原因：自上世纪80年代就有国外学者得到实证结论，规模效应正在逐渐消失。在这篇文章中，作者检验了1926年至2014年该金融异象的稳定性。在实证中发现，规模效应在多个日历效应，如一月效应，万圣节效应，马克吐温效应，其他一月效应，月初效应等等下均有显著

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：Hirshleifer D, Jiang D, DiGiovanni Y M. Mood beta and seasonalities in stock returns[J]. Journal of Financial Economics, 2020.

推荐原因：现有的研究表明股票收益存在横截面的季节性，即部分股票在同样的日历月或工作日会周期性地表现更好。我们认为资产对投资者心情（Investor Mood）的敏感性差异，解释了这些季节性现象。个股收益的相对差异会在相同的情绪时期内出现重复，而在不同情绪时期内出现反转。例如，对于在过去投资者情绪上升时期表现

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

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

本报告将介绍一种前沿观点融合模型：熵池模型。熵池模型由KKR前首席风险官Attilio Meucci于2008年提出，主要作用为将主观或者量化的观点通过分布更新的形式融入到风险模型中，用于资产配臵或资产定价。模型当前在许多海外的大型金融机构中已开始普及。

熵池模型vsBL模型

泛化能力与调整精度的双重提升。BL模型作为观点融合的创立者已经越来越难适应当前资产配臵和风险管理需求。熵池模型相比BL模型在风险因子选择、观点表达对象、观点表达形式、观点相关性等方面进行了全方位扩展，几乎可以在任意分布下，对于任意对象，表达线性或非线性的任意观点。其通过最小化相对熵和池化

摘要

一个人的气质里 藏着他走过的路和读过的书！

4月23日，是世界读书日。

今天，让我们通过梅译丽的喵主理人整理的大佬书单，来看看他们都推荐了哪些值得一读的好书！

正文

/wiki/static/upload/a6/a6adbbbc-fbe9-4447-afc9-5f360d115b2f.pdf

注：推荐书籍转自公众号 量化投资与机器学习

\