量（liàng）化投資與機器學習微信公眾號，是業內垂直於量化（huà）投資、對衝基金、Fintech、人工智能、大數據等領域的主（zhǔ）流自媒體公眾號擁有來自公募、私（sī）募、券商、期貨、銀行、保（bǎo）險、高校等行業30W+關注者，連續2年被騰訊雲+社區評選為“年（nián）度最佳作者”。

    今天，公眾號為大家帶（dài）來三篇精選論（lùn）文。希望大家有所收獲！論文一

    展廳模型傳統動（dòng）態因子模型（DFM）在（zài）宏觀計量（liàng）領域裏應用（yòng）度極高（gāo），因為它能夠最大（dà）程度的從高維數據中提取出共（gòng）同因子來分（fèn）析很多變量間的關係但DFM的局限是對於非線性信息的處理，本文結合深度學習算法提出了一個新穎的深度神經（jīng）網絡框架——www.17C.com稱（chēng）之為深度動態因（yīn）子模式來編碼可用的信息（xī），從數百個宏觀經濟和金融時間（jiān）序（xù）列到少數幾個未觀察展廳模型到的潛在狀態。

    雖然在邏輯上（shàng）類似（sì）於傳統的動態因素模型(DFMs)，但與那些不同的是，這類新的模型允許因（yīn）素和觀測（cè）之間的非線性（xìng）信息（主要（yào）使用（yòng）AutoEncoder提取隱含（hán）因子）然而，通過設計，模型的潛在（zài）狀態仍然（rán）可以解釋為標準因子（zǐ）模型。

    在對美國（guó）經濟狀況預測和預（yù）測的實證應用中（zhōng），www.17C.com展示了該框架在處理高維、混合（hé）展（zhǎn）廳模型頻率和異步發布的時間序列數據方麵的（de）潛（qián）力。在使用美國數據進行的完全實時樣本外測試（shì）中，DFM的性能優於最先（xiān）進（jìn）的DFM。論文二

    在公眾號之前的文章中介紹（shào）過（guò）如果直接用組合的Sharpe作為損（sǔn）失函（hán）數（shù），進行模型訓練本文也是類似的思路，本（běn）文采用（yòng）深度（dù）學習模型直接優化投資組合夏普比率本文提出的框架避開了預（yù）測預期收益的要展廳模型求，並允許www.17C.com通過更新模型參數直接優化投資組合的權重。

    www.17C.com不是選擇單獨的資（zī）產（chǎn），而（ér）是交易市場指（zhǐ）數的ETF，以形成一（yī）個（gè）投資組合不（bú）同資產類別（bié）的（de）指數顯示出強勁的相關性，對它們進行交易大大減少了可供選擇的資產種類（lèi）我（wǒ）們將www.17C.com的方法與（yǔ）一係列算法進（jìn）行了比較，結果（guǒ）表明，www.17C.com的模型在2011年（nián）至2020年4月底的測試期展廳模（mó）型間（包括（kuò）2020年第（dì）一季度的金融不穩定性）獲得了最好的性能。

    通過（guò）敏感性分析，本文還研究了各特征的相關性，並通過波動率縮放（fàng）進一步研究了該方法在不同成本率（lǜ）和不同風險水平下的表現論文三

    近年來，隨著圖神經網絡算法及知（zhī）識圖譜類數據的發展，越（yuè）來越多的機構（gòu）嚐試GNN在投資組合管理中的應用Amundi剛剛發表的工作展廳模型論文從基礎的圖論知識（shí）、GNN算法到（dào）GNN在組合構建的實證（zhèng）分析都有（yǒu）係統（tǒng）的講解是一篇快速（sù）熟悉GNN與量化投資的好文（wén）章。

    在金融投資中，不可能（néng）孤立地分析一項資產，而要考（kǎo）慮多像資（zī）產的關聯（lián）關係傳（chuán）統的做法，大家會使用copula或向（xiàng）量自回歸模型，它允許建立資產之間的（de）依賴關係（xì）在本文中，作者將研究（jiū）基於圖的方（fāng）法來建模資展廳模型產的關聯關係圖在表示關係時是（shì）無處不在的，無論是建（jiàn）模社會網絡交互、疾病傳播、交通還是（shì）供應鏈信息（xī）。

    它可以非常直觀地表（biǎo）示市場的相互聯係www.17C.com將展示幾種類（lèi）型的市場信息（xī）如何轉（zhuǎn）化為（wéi）圖表，並展示一些用（yòng）於市場分析的基於圖表的工具此外，神經卷積層已經發展，允許更有表現力（lì）的神經模型www.17C.com展示了三個圖神經層在股票收益預測問題展（zhǎn）廳模型上的作用。

    利用（yòng）這些預測，www.17C.com構建（jiàn）了投資組合，並表明（míng）圖（tú）層可以作為LSTM等經典方法的（de）穩（wěn）定器，降低交易成本並過濾掉高頻信號www.17C.com還研究了不同的（de）基於圖表的信息對預測的影響，並觀察到在2021年，供應鏈信息（xī）變得比（bǐ）基於行業或相關圖表的信息更（gèng）加（jiā）豐富。