FinDiff: Diffusion Models for Financial Tabular Data Generation
本报告提出了FinDiff，一种基于扩散模型的金融混合类型表格数据生成方法，通过嵌入编码处理类别属性，实现高质量合成数据的生成。实证结果表明FinDiff在数据保真度、隐私保护与实用性方面均优于现有主流模型，兼顾隐私与效用，适用于经济场景模拟、压力测试、异常检测等金融监管领域下游任务。[page::0][page::1][page::5]
金融研报AI分析
FINCON: A Synthesized LLM Multi-Agent System with Conceptual Verbal Reinforcement for Enhanced Financial Decision Making
本报告提出FINCON，一个基于大语言模型（LLM）的多智能体层级系统，结合经理-分析师架构与双层风险控制机制，通过条件风险价值（CVaR）和概念性语言强化，实现多模态金融信息的高效融合与决策优化。实证结果显示，FINCON在单只股票交易和组合管理任务中，显著提升累积收益与夏普率，且有效控制最大回撤，优于现有LLM及深度强化学习模型，展现出强泛化能力和稳定性 [page::0][page::1][page::4][page::6][page::8][page::9][page::21][page::22]
Financial Time Series Forecasting using CNN and Transformer
本报告提出结合卷积神经网络（CNN）与Transformer优势的时间序列模型CTTS，用于捕捉金融时间序列中的短期和长期依赖关系。实验证明，CTTS在预测标普500股票的日内价格涨跌表现优于ARIMA、EMA和DeepAR等传统及深度学习模型，且其预测概率高度可靠，具备未来交易决策潜力。[page::0][page::1][page::2][page::3]
Dynamic Reinforced Ensemble using Bayesian Optimization for Stock Trading
本文提出了一种基于贝叶斯优化的动态强化集成方法（DREB），融合五种主流深度强化学习算法，通过动态时间加权机制实现多股票交易策略优化。实证结果表明，该方法在美股道琼斯指数和印度Sensex指数上均优于各基线模型，显著提高了收益率和夏普比率，并有效控制风险水平，具备快速修复回撤的能力[page::0][page::1][page::4][page::6]
CausalStock: Deep End-to-end Causal Discovery for News-driven Stock Movement Prediction
本报告提出了CausalStock模型，通过设计滞后依赖的时序因果发现机制，结合基于大语言模型的降噪新闻编码器，实现新闻驱动的多股票运动预测。该模型可发现股票之间的因果关系，有效提取新闻信息，并在多国六个真实数据集上优于多种基线模型，且具备良好的解释性 [page::0][page::1][page::4][page::7][page::8][page::9]。
Automatic De-Biased Temporal-Relational Modeling for Stock Investment Recommendation
本报告提出了自动去偏的时序关联建模方法ADB-TRM，针对股票市场低信噪比的时间偏差与关系偏差，及宏观市场的分布漂移问题，采用双层元学习架构、对抗训练与全局-局部交互机制提升股票投资推荐的稳健性和泛化能力。实证结果显示，ADB-TRM在NASDAQ、NYSE和东京证券交易所三大数据集上，分别获得超过28.41%的累计收益提升和9.53%的风险调整收益率提升，显著优于现有先进模型[page::0][page::1][page::5][page::6][page::7]。
A Smart Trader for Portfolio Management based on Normalizing Flows
本报告提出了一种面向微观价格时间序列的交易点感知投资组合优化问题（TPPO），并设计了一种基于归一化流的量化策略STrader。该策略通过可逆变换建模复杂且连续的微观价格过程，同时利用强化学习框架结合图注意力网络与排名机制，实现交易权重与多个候选交易点的联合决策。实证结果显示STrader在多个真实市场数据集上显著优于国内外主流宏观及微观信息投资组合策略，有效捕捉了分散且非连续的交易点，获得超额盘中收益[page::0][page::1][page::4][page::5][page::6]。
A Globally Optimal Portfolio for m-Sparse Sharpe Ratio Maximization
本报告提出了一种用于最大化m稀疏Sharpe比率的全局最优投资组合方法。该方法将非凸的m稀疏分数规划问题转换成等价的m稀疏二次规划，基于半代数性质和Kurdyka-Łojasiewicz性质，设计了收敛到全局最优解的近端梯度算法(PGA)。理论上证明了算法的收敛性和收敛率，并通过6组真实金融数据进行实证，结果显示该方法在保持稀疏性的同时显著提升了Sharpe比率和累计收益，对抗交易成本表现优异，验证了其实用价值和鲁棒性 [page::0][page::1][page::4][page::5][page::6][page::7][page::8][page::9][page::23][page::25]
A Financial Time Series Denoiser Based on Diffusion Models
本报告提出了一种基于扩散模型的金融时间序列去噪新方法，通过构建条件扩散模型逐步去除噪声，实现对原始数据的还原，从而显著提升下游收益率分类任务的预测准确性和交易信号的有效性。实验证明，该方法在多频率股价数据上均能提高信噪比，优化MACD及Bollinger策略的交易收益并减少交易次数，且通过训练分类器识别市场噪声状态进一步构建盈利交易策略，验证了扩散模型在金融时序数据去噪和交易中的潜力。[page::0][page::2][page::4][page::5][page::6][page::7]
如何高频预测模拟 Wind 主动股基（885000.WI）指数？
本报告基于动态优化建模框架，提出对Wind普通股票型基金指数成分股及权重进行高频预测模拟的方法。通过结合季报重仓股权重和历史持仓权重的几何加权优化，模型显著提升了指数净值跟踪精度，实现了净值跟踪误差最低达到0.0401，具备较强的预测和模拟能力，为主动量化选股和FOF构建提供有力支持[page::0][page::4][page::8][page::13]。
基于机器学习的订单簿高频交易策略CTA 程序化交易实务研究之六
本报告构建了基于机器学习支持向量机(SVM)的股指期货Level-1订单簿动态模型，提炼17个核心指标库，利用IF1311合约历史数据验证SVM模型准确率最高达70%，并通过模拟交易展示了实际交易中56%的胜率和净利润11814.99元，初步证明机器学习方法在订单簿高频交易的应用潜力[page::0][page::9][page::11][page::12]
买卖压力失衡——利用高频数据拓展盘口数据
本报告提出利用高频tick数据，通过价格波动探测个股买卖挂单信息，构建扩展盘口数据，进而计算买卖压力。研究发现买卖压力失衡能显著预测个股短期超额收益，买压占优带来正向超额收益，卖压占优带来负向超额收益，且超额收益在压力失衡消失后出现反向修正。基于买卖压力失衡构建事件驱动策略，实现年化19.66%收益，表明高频数据在低频选股策略中的有效应用价值 [page::0][page::2][page::4][page::5][page::6][page::7][page::9][page::10][page::11]
期指 Level2 行情的价格发现研究及高频实战体会 — CTA 程序化交易实务研究之八
本报告系统研究了期指 Level2 行情的市场微观结构及其价格发现功能，实证表明 Level2 订单簿信息显著提升了价格发现能力，且其订单簿不平衡与价格变化具较强相关性。通过将 Level2 信息纳入高频策略，提升策略月度收益率从7.81%到9.45%。此外，报告结合多个真实交易仿真案例，分享了高频交易的程序实现细节与实战体会，为程序化交易提供全面指导 [page::0][page::3][page::6][page::8][page::9][page::10][page::11][page::12]。
机器学习与CTA：本周行情有利于中高频策略
本报告分析了2018年8月20日至24日的机器学习和CTA策略表现。中证500神经网络策略实现1.70%收益，机器学习商品期货策略取得2.14%收益，结合基本面的商品策略收益更高达5.70%。本周股指震荡导致中高频策略难以盈利，长周期策略表现较好。下周商品看多白银，看空燃油，风险提示模型在剧烈市场变动时可能失效 [page::0][page::2].
本福特的启示：从分钟成交量看机构痕迹
本报告基于本福特法则，构造了机构痕迹指标X，以度量分钟成交量数据与本福特理想分布的偏离，作为机构交易行为的代理变量。利用该指标，对换手率变化率、聪明钱Q因子及净利润同比增长率等多因子进行了情景分析，发现因子在机构痕迹增量较大的股票中选股能力显著增强。情景分析的提出为因子选股提供了横截面方向的新思路，验证了X指标的独立性和增值能力，有助于提升量化研究对机构行为的洞察 [page::0][page::1][page::2][page::3][page::4][page::5][page::6]
高频因子（六）：特异视角下的波动率因子
本报告围绕低波效应核心逻辑，基于fama三因子模型构建特异波动率因子，结合流动性和反转因子进行改进，实现高频波动率因子的细化和非线性变换，显著提升选股能力。分析指出低波效应与资产定价模型并不矛盾，探讨了不同频率数据对量价因子的影响及因子非线性存在，为量化选股提供系统方法论和实证支持 [page::0][page::3][page::9][page::13][page::24]
高频因子 （五）：高频因子和交易行为
本报告深入研究了基于量价组合构建的高频因子，特别是非流动性因子和博弈因子，揭示其在剥离规模因子后可带来的显著超额收益和风险收益特征。报告系统探讨了高频因子刻画交易行为所得的经验收益，分析了其信息增益、收益相互影响及风险集中爆发的局限性，并提出合成因子组合可有效提升收益稳定性及风险控制能力，为 A 股高频量价因子挖掘和策略构建提供量化依据和实践指导 [page::0][page::4][page::5][page::8][page::14][page::19][page::20]
基础因子研究 （八）— 高频因子 （三）： 高频因子研究框架
本报告系统梳理高频因子研究框架，重点解决流动性溢价和高频反转因子构建中的细节问题。通过以个股日度成交额为锚，将流动性溢价因子估计频率提升至2分钟，显著提高信息增量，Fama-MacBeth回归t值达1.98，IC达到8.10%，选股回测展现稳健线性净值排列。高频反转因子通过高频时间划分及成交量加权进一步增强反转信号，验证了开盘时段的反转效应及市场波动率对因子择时的预测作用。全局类高频反转因子剥离传统风格因子后仍保留较强选股能力，年化多空收益率达到8.88%，体现了高频因子在个股微观行为刻画中的有效性和信息增益[page::0][page::3][page::8][page::10][page::15][page::24].
基础因子研究（七）：高频因子（二）：结构化反转因子
报告基于反转效应的深层逻辑，通过高频数据优化传统21天收益率构建的基础反转因子，提出成交量加权的高频反转因子和结合动量效应的结构化反转因子，显著提升因子的超额收益率和稳定性。高频反转因子年化超额收益达5.98%，结构化反转因子进一步提升至7.21%。此外，反转效应的阈值与个股市值相关，且反转类因子收益与市场波动率显著正相关，市场波动越大反转效应越强，体现投资者过度反应行为的核心逻辑。[page::0][page::3][page::7][page::9][page::14][page::15][page::22]
中高频交易策略再出发：机器学习T0
本报告基于中证500成分股，运用XGBoost机器学习模型结合15个日内涨幅影响因子，构建出集合分类回归T+0交易策略。该策略融合分类模型高胜率和回归模型高年化收益的优势，样本外（2019.1-2019.10）表现出年化收益130.2%、胜率57.24%、夏普比率4.32和最大回撤18.9%，且交易成本敏感性分析显示合理控制交易成本可有效提升策略收益。报告还详细拆解了因子重要性及单因子表现，为机器学习量化交易提供实证支持和风险提示[page::0][page::4][page::11][page::12][page::20]
