README
CTA 量化交易策略学术论文合集
📅 整理日期：2026年1月29日（第三次更新） 📁 共收录 100 篇论文，涵盖趋势跟踪、动量策略、深度学习交易、中国商品期货、风险管理、商品期货因子研究、组合优化、最优执行、强化学习、Transformer预测等主题
📑 论文目录
1. 趋势跟踪策略 (Trend Following)
01. Deep Reinforcement Learning for Trading
- 作者: Zihao Zhang, Stefan Zohren, Stephen Roberts
- 年份: 2019
- 来源: arXiv:1911.10107
- 文件:
01_Deep_RL_for_Trading_Zhang2019.pdf - 链接: https://arxiv.org/abs/1911.10107
- 简介: 采用深度强化学习算法设计连续期货合约交易策略。考虑了离散和连续动作空间，并引入波动率缩放来创建基于市场波动率调整仓位的奖励函数。在50个最流动的期货合约上进行测试，涵盖商品、股指、固定收益和外汇市场，证明方法优于经典时间序列动量策略。
02. Enhancing Time Series Momentum Strategies Using Deep Neural Networks (Deep Momentum Networks)
- 作者: Bryan Lim, Stefan Zohren, Stephen Roberts
- 年份: 2019
- 来源: arXiv:1904.04912 | Journal of Financial Data Science, Fall 2019
- 文件:
02_Deep_Momentum_Networks_Lim2019.pdf - 链接: https://arxiv.org/abs/1904.04912
- 简介: 提出深度动量网络 (Deep Momentum Networks)——一种将深度学习交易规则注入时间序列动量波动率缩放框架的混合方法。模型同时学习趋势估计和仓位管理，直接通过优化夏普比率训练。在88个连续期货合约组合上回测，Sharpe优化的LSTM比传统方法提高了两倍以上。
03. Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies
- 作者: Wee Ling Tan, Stephen Roberts, Stefan Zohren
- 年份: 2023
- 来源: arXiv:2302.10175 | Journal of Financial Data Science, Summer 2023
- 文件:
03_Spatio_Temporal_Momentum_Tan2023.pdf - 链接: https://arxiv.org/abs/2302.10175
- 简介: 提出时空动量策略 (Spatio-Temporal Momentum)，统一了时间序列动量和横截面动量策略。基于资产跨时间的横截面动量特征进行交易。虽然两种策略都旨在系统性捕获动量风险溢价，但传统上被视为不同的实现方式。本文展示如何将两者统一到一个框架中。
10. Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture
- 作者: Kieran Wood, Sven Giegerich, Stephen Roberts, Stefan Zohren
- 年份: 2021
- 来源: arXiv:2112.08534
- 文件:
10_Momentum_Transformer_Wood2021.pdf - 链接: https://arxiv.org/abs/2112.08534
- 简介: 提出 Momentum Transformer——基于注意力机制的深度学习架构，超越了基准时间序列动量和均值回归交易策略。与顺序处理的LSTM不同，注意力机制提供了与所有历史时间步的直接连接，实现了更好的趋势识别和交易信号生成。
11. Trend-Following Strategies via Dynamic Momentum Learning
- 作者: Bruno P. C. Levy, Hedibert F. Lopes
- 年份: 2021
- 来源: arXiv:2106.08420
- 文件:
11_Dynamic_Momentum_Learning_Levy2021.pdf - 链接: https://arxiv.org/abs/2106.08420
- 简介: 研究将动态计量经济模型引入时间序列动量策略的收益。传统的交易信号通常通过简单观察过去的收益来获得，而本文采用动态模型顺序学习时变动量，改进了经典的Moskowitz-Ooi-Pedersen (2012)方法。
16. Follow the Leader: Enhancing Systematic Trend-Following Using Network Momentum
- 作者: Linze Li, William Ferreira
- 年份: 2025
- 来源: arXiv:2501.07135
- 文件:
16_Follow_the_Leader_Trend_Li2025.pdf - 链接: https://arxiv.org/abs/2501.07135
- 简介: 提出应用于商品期货市场的系统性趋势跟踪策略，结合单变量趋势指标和横截面趋势指标（捕获所谓的"网络动量"）。研究了动量信号如何在资产之间传播，以及如何利用领先资产的动量信号来增强整体策略表现。
17. Demystifying Managed Futures
- 作者: Brian Hurst, Yao Hua Ooi, Lasse Heje Pedersen
- 年份: 2013
- 来源: Journal of Investment Management | AQR Capital Management
- 文件:
17_Demystifying_Managed_Futures_Hurst2013.pdf - 链接: https://www.aqr.com/-/media/AQR/Documents/Insights/Journal-Article/Demystifying-Managed-Futures.pdf
- 简介: 经典论文。展示了管理期货基金和CTA的回报可以通过简单的趋势跟踪策略（特别是时间序列动量策略）来解释。采用等风险方法构建投资组合，展现了强大的分散化收益。
2. 动量因子与网络动量 (Momentum Factors & Network Momentum)
06. Enhanced Momentum with Momentum Transformers
- 作者: Max Mason, Waasi A Jagirdar, David Huang, Rahul Murugan
- 年份: 2024
- 来源: arXiv:2412.12516
- 文件:
06_Enhanced_Momentum_Transformers_Mason2024.pdf - 链接: https://arxiv.org/abs/2412.12516
- 简介: 研究构建Momentum Transformer以超越基准动量策略的方法。将Transformer架构应用于动量因子建模，通过注意力机制捕获金融时间序列中的长期依赖关系。
07. Network Momentum across Asset Classes
- 作者: Xingyue Pu, Stephen Roberts, Xiaowen Dong, Stefan Zohren
- 年份: 2023
- 来源: arXiv:2308.11294
- 文件:
07_Network_Momentum_Pu2023.pdf - 链接: https://arxiv.org/abs/2308.11294
- 简介: 研究网络动量概念——一种源自资产间动量溢出的新型交易信号。动量溢出意味着动量风险溢价从一种资产传播到另一种资产。该信号最初在成对经济和基本面联系中被观察到，如同一公司的股票-债券联系和供应链关联的股票。
18. Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning
- 作者: Joel Ong, Dorien Herremans
- 年份: 2023
- 来源: arXiv:2306.13661 | Expert Systems with Applications
- 文件:
18_Constructing_TSMOM_Portfolios_Ong2023.pdf - 链接: https://arxiv.org/abs/2306.13661
- 简介: 研究如何利用深度多任务学习构建分散化的风险调整时间序列动量组合。TSMOM组合可以在极端市场事件期间提供可观的超额回报和一定程度的尾部风险保护。同时考虑动量信号质量和波动率估计的有效性。
21. Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection
- 作者: Kieran Wood, Stephen Roberts, Stefan Zohren
- 年份: 2021
- 来源: arXiv:2105.13727 | Journal of Financial Data Science
- 文件:
21_Slow_Momentum_Fast_Reversion_Wood2021.pdf - 链接: https://arxiv.org/abs/2105.13727
- 简介: 结合深度学习和变点检测技术，提出"慢动量-快回归"交易策略。利用深度学习识别长期趋势动量信号，同时通过变点检测实现快速的均值回归交易，在期货市场上实现优异表现。
3. 机器学习与深度学习在期货交易中的应用
04. Futures Quantitative Investment with Heterogeneous Continual Graph Neural Network
- 作者: Min Hu, Zhizhong Tan, Bin Liu, Guosheng Yin
- 年份: 2023
- 来源: arXiv:2303.16532
- 文件:
04_Futures_Quant_GNN_Hu2023.pdf - 链接: https://arxiv.org/abs/2303.16532
- 简介: 针对高频交易中期货价格预测的挑战，提出基于图神经网络的持续学习因子预测器。利用异质图结构建模期货品种之间的复杂关系，实现更准确的高频期货价格预测。
08. Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies
- 作者: Tom Liu, Stephen Roberts, Stefan Zohren
- 年份: 2023
- 来源: arXiv:2307.05522
- 文件:
08_Deep_Inception_Networks_Liu2023.pdf - 链接: https://arxiv.org/abs/2307.05522
- 简介: 提出Deep Inception Networks (DINs)——一族深度学习模型，为端到端的系统性交易策略提供通用框架。DINs直接从日收益率中提取时间序列(TS)和横截面(CS)特征，无需手动定义趋势估计器或仓位管理规则。
13. DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management
- 作者: Kieran Wood, Stephen J. Roberts, Stefan Zohren
- 年份: 2026
- 来源: arXiv:2601.05975
- 文件:
13_DeePM_Portfolio_Management_Wood2026.pdf - 链接: https://arxiv.org/abs/2601.05975
- 简介: 提出DeePM（深度投资组合管理者），一种端到端训练的结构化深度学习宏观投资组合管理器。在2010-2025年间50个分散化期货的大规模回测中，考虑了高度真实的交易成本，净风险调整回报约为经典趋势跟踪策略的两倍。
15. Classification-based Financial Markets Prediction using Deep Neural Networks
- 作者: Matthew Dixon, Diego Klabjan, Jin Hoon Bang
- 年份: 2016
- 来源: arXiv:1603.08604 | Algorithmic Finance
- 文件:
15_Classification_Financial_DNN_Dixon2016.pdf - 链接: https://arxiv.org/abs/1603.08604
- 简介: 描述了深度神经网络在预测金融市场运动方向上的应用。模型对43个商品和外汇期货的价格变动方向进行分类预测，展示了深度学习在算法交易中的潜力。
20. Trading Under Uncertainty: A Distribution-Based Strategy for Futures Markets Using FutureQuant Transformer
- 作者: Wenhao Guo, Yuda Wang, Zeqiao Huang, Changjiang Zhang, Shumin Ma
- 年份: 2025
- 来源: arXiv:2505.05595
- 文件:
20_FutureQuant_Transformer_Guo2025.pdf - 链接: https://arxiv.org/abs/2505.05595
- 简介: 面对传统期货交易中海量数据和实时限价订单簿等变量使价格预测复杂化的问题，提出FutureQuant Transformer模型。利用注意力机制应对这些挑战，采用分布预测而非点预测，更好地量化交易不确定性。
4. 风险管理与投资组合 (Risk Management & Portfolio)
09. A Stochastic Control Approach to Managed Futures Portfolios
- 作者: Tim Leung, Raphael Yan
- 年份: 2018
- 来源: arXiv:1811.01916
- 文件:
09_Stochastic_Control_Managed_Futures_Leung2018.pdf - 链接: https://arxiv.org/abs/1811.01916
- 简介: 研究管理期货投资组合的随机控制方法。基于Schwartz 97随机便利收益率模型，建立单一到期日期货合约的动态交易效用最大化问题。为商品期货投资组合管理提供了严格的数学框架。
22. Risk-averse Policies for Natural Gas Futures Trading using Distributional Reinforcement Learning
- 作者: Félicien Hêche, Biagio Nigro, Oussama Barakat, Stephan Robert-Nicoud
- 年份: 2025
- 来源: arXiv:2501.04421
- 文件:
22_Risk_Averse_NatGas_Futures_RL_Heche2025.pdf - 链接: https://arxiv.org/abs/2501.04421
- 简介: 研究分布式强化学习算法在风险厌恶型天然气期货交易中的有效性。与仅建模预期回报的传统RL不同，分布式RL建模完整的回报分布，提供了更好的市场不确定性管理方法。
5. 中国商品期货市场研究
05. Unique Futures in China: Studies on Volatility Spillover Effects of Ferrous Metal Futures
- 作者: Tingting Cao, Weiqing Sun, Cuiping Sun, Lin Hao
- 年份: 2022
- 来源: arXiv:2206.15039
- 文件:
05_Ferrous_Metal_Futures_China_Cao2022.pdf - 链接: https://arxiv.org/abs/2206.15039
- 简介: 研究中国特有的黑色金属期货（螺纹钢、热卷、铁矿石等）的波动率溢出效应。分析了中国期货市场中黑色金属期货品种之间的波动率传导机制，为理解中国商品期货市场的特殊性提供了重要参考。
12. Effects of Covid-19 Pandemic on Chinese Commodity Futures Markets
- 作者: Ahmet Goncu
- 年份: 2021
- 来源: arXiv:2106.09250
- 文件:
12_Covid19_Chinese_Commodity_Futures_Goncu2021.pdf - 链接: https://arxiv.org/abs/2106.09250
- 简介: 分析了中国期货市场中所有流动性商品期货在新冠疫情前后的经验矩和协整关系。研究发现大豆、玉米、玉米淀粉和铁矿石期货的平均收益发生了显著正向变化。这些发现对配对交易等策略具有重要意义。
19. An Analysis of the Interdependence Between Peanut and Other Agricultural Commodities in China's Futures Market
- 作者: Suke Li
- 年份: 2025
- 来源: arXiv:2501.16697
- 文件:
19_Peanut_Agricultural_China_Futures_Li2025.pdf - 链接: https://arxiv.org/abs/2501.16697
- 简介: 分析中国期货市场中花生与其他农产品期货（五种农产品）的历史数据，探索花生期货与相关期货之间的相关性、协整性和Granger因果关系。构建了价格和对数收益的多元线性回归模型，并使用VAR和DCC-EGARCH模型检验动态关系。
6. 综合性参考文献 (General References)
14. 151 Trading Strategies
- 作者: Zura Kakushadze, Juan Andrés Serur
- 年份: 2019
- 来源: arXiv:1912.04492
- 文件:
14_151_Trading_Strategies_Kakushadze2019.pdf - 链接: https://arxiv.org/abs/1912.04492
- 简介: 包含超过550个数学公式，详细描述了150多种交易策略，涵盖股票、期权、固定收益、期货、ETF、指数、商品、外汇、可转债、结构化资产、波动率（作为资产类别）、房地产、不良资产、现金、加密货币等多种资产类别和交易风格。是量化交易策略的百科全书式参考。
📊 主题覆盖
| 主题 | 论文编号 |
|---|---|
| 趋势跟踪 (Trend Following) | 01, 02, 03, 10, 11, 16, 17 |
| 动量因子 (Momentum) | 06, 07, 18, 21 |
| 深度学习/机器学习 | 01, 02, 04, 08, 13, 15, 20 |
| 中国商品期货 | 05, 12, 19 |
| 风险管理 | 09, 22 |
| 波动率 | 05, 02 |
| 强化学习 | 01, 22 |
| Transformer架构 | 06, 10, 20 |
| 投资组合管理 | 09, 13 |
| 综合参考 | 14, 17 |
📌 推荐阅读顺序
入门级（了解CTA/趋势跟踪基础）：
- 📖 17 - Demystifying Managed Futures（经典入门）
- 📖 14 - 151 Trading Strategies（策略全景）
进阶（理解动量策略核心方法）： 3. 📖 02 - Deep Momentum Networks（深度动量网络） 4. 📖 11 - Dynamic Momentum Learning（动态动量学习） 5. 📖 03 - Spatio-Temporal Momentum（时空动量）
高级（前沿研究方向）： 6. 📖 10 - Momentum Transformer（注意力机制） 7. 📖 13 - DeePM（最新2026年，集大成者） 8. 📖 07 - Network Momentum（网络动量） 9. 📖 01 - Deep RL for Trading（强化学习交易）
中国市场特色： 10. 📖 05 - 黑色金属期货波动率溢出 11. 📖 12 - 新冠疫情对中国商品期货影响 12. 📖 19 - 花生与农产品期货联动
📊 第二部分：商品期货因子（Factor）研究论文
📅 补充日期：2026年1月29日 📁 新增 24 篇因子研究论文（编号 23-46），涵盖 Carry、动量、期限结构、套保压力、多因子模型等核心因子方向
🏷️ 一、经典因子论文（Seminal Factor Papers）
23. Time Series Momentum ⭐ 必读经典
- 作者: Tobias J. Moskowitz, Yao Hua Ooi, Lasse Heje Pedersen
- 年份: 2012
- 来源: Journal of Financial Economics | NBER Working Paper 16208
- 文件:
23_Time_Series_Momentum_Moskowitz2012.pdf - 简介: 时间序列动量（TSMOM）的开山之作。研究了58个流动性期货合约（涵盖商品、股指、债券、外汇），发现过去12个月正收益的资产未来倾向于继续上涨，负收益的继续下跌。TSMOM因子在每个资产类别中都显著存在，且与传统风险因子相关性低。此策略在危机时期表现尤佳，提供了"危机Alpha"。被引用超3000次。
24. Carry ⭐ 必读经典
- 作者: Ralph S.J. Koijen, Tobias J. Moskowitz, Lasse Heje Pedersen, Evert B. Vrugt
- 年份: 2018
- 来源: Journal of Financial Economics | NBER Working Paper 19325
- 文件:
24_Carry_Koijen_Moskowitz_Pedersen2018.pdf - 简介: Carry因子的权威定义。将Carry统一定义为"持有资产的预期收益（假设价格不变）"，在全球股票、债券、商品、外汇、期权等资产类别中构建Carry因子。在商品期货中，Carry对应展期收益（roll yield），与期限结构斜率密切相关。Carry因子在所有资产中都能预测收益，且与价值和动量因子低相关。
25. Value and Momentum Everywhere ⭐ 必读经典
- 作者: Clifford S. Asness, Tobias J. Moskowitz, Lasse Heje Pedersen
- 年份: 2013
- 来源: Journal of Finance | NBER Working Paper 16553
- 文件:
25_Value_Momentum_Everywhere_Asness2013.pdf - 简介: 价值和动量因子的跨资产研究。在全球股票、债券、货币和商品期货中构建价值因子和动量因子。发现两个因子在每个资产类别中都显著，且价值因子和动量因子之间存在负相关性。在商品期货中，价值因子基于5年历史收益反转构建，动量因子基于过去12个月（跳过最近1个月）收益构建。被引用超4000次。
26. Facts and Fantasies about Commodity Futures ⭐ 必读经典
- 作者: Gary Gorton, K. Geert Rouwenhorst
- 年份: 2006
- 来源: Financial Analysts Journal | NBER Working Paper 10595
- 文件:
26_Facts_Fantasies_Commodity_Gorton2006.pdf - 简介: 商品期货投资的经典综述。用1959-2004年的数据证明：商品期货的历史风险溢价与股票相当，与股票和债券的收益负相关，且能对冲通胀风险。同时正式区分了商品期货收益的三个组成部分：抵押品收益、现货收益和展期收益（roll return）。被引用超2000次，是商品投资领域的基石文献。
🏷️ 二、Carry因子与期限结构（Carry Factor & Term Structure）
27. The Fundamentals of Commodity Futures Returns
- 作者: Gary Gorton, Fumio Hayashi, K. Geert Rouwenhorst
- 年份: 2013
- 来源: Review of Finance | NBER Working Paper 13249
- 文件:
27_Fundamentals_Commodity_Futures_Returns_Gorton2013.pdf - 简介: 深入研究商品期货收益的基本面驱动因素。核心发现：库存水平是决定期货升贴水（backwardation/contango）的关键变量。低库存导致现货溢价（backwardation），期货有正的展期收益。本文构建了基于库存的收益预测模型，论证了便利收益率（convenience yield）理论。
30. An Anatomy of Commodity Futures Risk Premia
- 作者: Marta Szymanowska, Frans de Roon, Theo Nijman, Rob van den Goorbergh
- 年份: 2014
- 来源: Journal of Finance | NBER Working Paper 15578
- 文件:
30_Anatomy_Commodity_Risk_Premia_Szymanowska2014.pdf - 简介: 期限结构因子分解的经典论文。将商品期货风险溢价分解为现货溢价和期限溢价两个独立部分。发现"高基差减低基差"的截面策略和"高曲率减低曲率"的策略都能产生显著超额收益。本文为商品期货多因子模型提供了理论基础。
31. Exploiting the Dynamics of Commodity Futures Curves
- 作者: Robert J. Bianchi, John Hua Fan, Joelle Miffre, Tingxi Zhang
- 年份: 2023
- 来源: arXiv:2308.01233
- 文件:
31_Commodity_Futures_Curves_Bianchi2023.pdf - 链接: https://arxiv.org/abs/2308.01233
- 简介: 运用Nelson-Siegel框架建模商品期货期限结构，将期限结构分解为水平、斜率和曲率三个因子。同时结合投机者情绪和套保压力等因子，构建动态配置策略。发现期限结构因子能有效预测商品期货截面收益，尤其是斜率因子对应的carry策略表现最为稳健。
37. Understanding the Commodity Futures Term Structure Through Signatures
- 作者: (Signature Methods Group)
- 年份: 2025
- 来源: arXiv:2503.00861
- 文件:
37_Commodity_Term_Structure_Signatures2025.pdf - 链接: https://arxiv.org/abs/2503.00861
- 简介: 利用签名方法（signature methods）对商品期货期限结构进行创新性分析。通过数学上严格的展开和收敛估计，解释了基于签名的期限结构分类的成功原因，发现便利收益率的波动率是最主要的区分因素。为期限结构因子研究提供了新的数学工具。
🏷️ 三、截面因子与动量（Cross-Sectional Factors & Momentum）
28. The Strategic and Tactical Value of Commodity Futures
- 作者: Claude B. Erb, Campbell R. Harvey
- 年份: 2006
- 来源: Financial Analysts Journal | NBER Working Paper 11222
- 文件:
28_Strategic_Tactical_Value_Commodity_Erb2006.pdf - 简介: 系统性研究商品期货的战略和战术配置价值。从12个可投资的商品期货构建等权和优化组合，发现个别商品期货的风险溢价不显著，但组合化后通过分散化收益变得可观。同时研究了动量、期限结构等因子的截面预测能力，是截面因子研究的早期重要文献。
46. The Rank Effect for Commodities
- 作者: Ricardo T. Fernholz, Christoffer Koch
- 年份: 2016
- 来源: arXiv:1607.07566
- 文件:
46_Rank_Effect_Commodities_Fernholz2016.pdf - 链接: https://arxiv.org/abs/1607.07566
- 简介: 研究商品期货市场中的"排名效应"——低价格排名的资产相对于市场组合存在系统性超额收益。利用数学分解方法证明，这种排名效应是资产价格分布平稳性的必然结果。在日度商品期货数据上证实了该预测，为横截面因子研究提供了新的视角。
40. Permutation-Weighted Portfolios and the Efficiency of Commodity Futures Markets
- 作者: Ricardo T. Fernholz, Robert Fernholz
- 年份: 2020
- 来源: arXiv:2001.07078
- 文件:
40_Permutation_Weighted_Portfolios_Commodity_Fernholz2020.pdf - 链接: https://arxiv.org/abs/2001.07078
- 简介: 提出排列加权组合方法，研究商品期货市场效率。通过对商品期货市场权重的函数生成组合分析，将超额收益分解为多样化收益和波动项，为理解截面收益差异提供了理论框架。
🏷️ 四、套保压力与持仓量因子（Hedging Pressure & Open Interest）
42. Hedging Pressure Effects in Futures Markets ⭐ 重要
- 作者: Frans A. de Roon, Theo E. Nijman, Chris Veld
- 年份: 2000
- 来源: Journal of Finance | NBER Working Paper 6310
- 文件:
42_Hedging_Pressure_Effects_DeRoon2000.pdf - 简介: 套保压力因子的经典论文。研究20个期货市场中套保者和投机者的持仓压力对期货风险溢价的影响。发现套保压力不仅影响本品种收益，还会通过投机者的跨品种对冲产生溢出效应。本文为基于CFTC持仓报告构建因子策略提供了理论基础。
29. What Does Futures Market Interest Tell Us about the Macroeconomy and Asset Prices?
- 作者: Harrison Hong, Motohiro Yogo
- 年份: 2012
- 来源: Journal of Financial Economics | NBER Working Paper 16712
- 文件:
29_Futures_Market_Interest_Hong_Yogo2012.pdf - 简介: 研究期货市场未平仓合约（open interest）对宏观经济和资产价格的预测能力。发现商品期货的持仓量变化能预测商品收益、债券收益和股票收益，是一个具有宏观信息含量的因子。这为利用持仓量数据构建交易因子提供了重要的学术依据。
🏷️ 五、多因子模型与因子建模（Multi-Factor Models）
32. Multi-Factor Function-on-Function Regression of Bond Yields on WTI Term Structure
- 作者: Peilun He, Gareth W. Peters, Nino Kordzakhia, Pavel V. Shevchenko
- 年份: 2024
- 来源: arXiv:2412.04463
- 文件:
32_Multi_Factor_Bond_WTI_Term_Structure_He2024.pdf - 链接: https://arxiv.org/abs/2412.04463
- 简介: 利用函数对函数回归方法分析债券收益率和WTI原油期货期限结构之间的多因子关系。研究商品期限结构动态如何影响固定收益市场，为跨资产因子模型提供了新的建模框架。
33. Analyzing Commodity Futures Using Factor State-Space Models with Wishart Stochastic Volatility
- 作者: Tore Selland Kleppe, Roman Liesenfeld, Guilherme Valle Moura, Atle Oglend
- 年份: 2019
- 来源: arXiv:1908.07634
- 文件:
33_Factor_StateSpace_Commodity_Wishart_Kleppe2019.pdf - 链接: https://arxiv.org/abs/1908.07634
- 简介: 提出结合Wishart随机波动率的因子状态空间模型，用于建模和预测商品期货期限结构。采用动态3因子Nelson-Siegel模型和4因子Svensson扩展，允许潜在的水平、斜率和曲率因子在多变量Wishart波动率下演化。模型能有效捕获商品期货收益的截面变异和时变波动率特征。
34. A Multi-Factor Model for Improved Commodity Pricing
- 作者: Luca Vincenzo Ballestra, Christian Tezza
- 年份: 2025
- 来源: arXiv:2501.15714
- 文件:
34_Multi_Factor_Commodity_Pricing_Oil2025.pdf - 链接: https://arxiv.org/abs/2501.15714
- 简介: 提出整合四个独立风险因子的商品定价模型：现货价格、随机波动率、便利收益率和随机利率。在原油市场中进行校准验证，展示四因子模型相比传统模型在期货定价精度上的显著提升。为商品期货多因子定价提供了完整框架。
44. Large Investment Model
- 作者: Jian Guo, Heung-Yeung Shum
- 年份: 2024
- 来源: arXiv:2408.10255
- 文件:
44_Large_Investment_Model_Guo2024.pdf - 链接: https://arxiv.org/abs/2408.10255
- 简介: 提出大型投资模型（LIM）——一种新型研究范式，通过端到端学习和通用建模在规模上同时提升性能和效率。LIM可应用于跨资产类别（包括商品期货）的因子挖掘和组合构建，代表了AI驱动因子研究的前沿方向。
🏷️ 六、波动率与风险因子（Volatility & Risk Factors）
38. Leverage Effect in Energy Futures
- 作者: Ladislav Kristoufek
- 年份: 2014
- 来源: arXiv:1403.0064 | Energy Economics
- 文件:
38_Leverage_Effect_Energy_Futures_Kristoufek2014.pdf - 链接: https://arxiv.org/abs/1403.0064
- 简介: 对能源期货（原油、天然气、取暖油等）中的杠杆效应进行全面研究——即收益与波动率之间的非对称关系。研究发现能源期货存在"反向杠杆效应"（正收益带来更高波动率），与传统股票市场的杠杆效应相反。这一发现对基于波动率的因子构建和风险管理具有重要意义。
43. Panel Quantile Regressions for Estimating and Predicting the Value-at-Risk of Commodities
- 作者: František Čech, Jozef Baruník
- 年份: 2018
- 来源: arXiv:1807.11687 | Journal of Financial Econometrics
- 文件:
43_Panel_VaR_Commodities_Cech2018.pdf - 链接: https://arxiv.org/abs/1807.11687
- 简介: 研究已实现波动率和隐含波动率（投资者情绪的代理变量）如何影响商品收益的未来分位数。利用面板分位数回归框架，展示事前和事后不确定性度量如何共同决定商品风险分布。为基于波动率和情绪的因子构建提供了实证支持。
45. Hidden Markov Graphical Models with State-Dependent Generalized Hyperbolic Distributions
- 作者: Beatrice Foroni, Luca Merlo, Lea Petrella
- 年份: 2024
- 来源: arXiv:2412.03374
- 文件:
45_Hidden_Markov_Regime_Commodity_Foroni2024.pdf - 链接: https://arxiv.org/abs/2412.03374
- 简介: 提出带状态依赖的隐马尔可夫图模型，用于商品期货收益的体制识别。方法可产生体制特定的条件相关图，识别不同市场状态下商品收益的网络连通性变化。对因子择时和体制切换策略具有重要参考价值。
🏷️ 七、市场效率与收益之谜（Market Efficiency & Return Puzzles）
35. Commodity Futures and Market Efficiency
- 作者: Ladislav Kristoufek, Miloslav Vosvrda
- 年份: 2013
- 来源: arXiv:1309.1492 | Energy Economics
- 文件:
35_Commodity_Futures_Market_Efficiency_Kristoufek2013.pdf - 链接: https://arxiv.org/abs/1309.1492
- 简介: 对25个商品期货市场的效率进行系统分析。利用多种效率度量方法，发现不同商品的市场效率差异显著，且效率随时间变化。这对基于市场非效率的因子策略（如动量、均值回归）的适用性判断具有指导意义。
36. Diversification Return, Portfolio Rebalancing, and the Commodity Return Puzzle
- 作者: Scott Willenbrock
- 年份: 2011
- 来源: arXiv:1109.1334 | Financial Analysts Journal
- 文件:
36_Diversification_Return_Commodity_Puzzle_Willenbrock2011.pdf - 链接: https://arxiv.org/abs/1109.1334
- 简介: 解决了Gorton & Rouwenhorst商品指数中的"商品收益之谜"。证明等权组合中的再平衡收益（diversification return）来自于波动率拖曳（volatility drag）而非真正的超额收益。澄清了商品期货组合收益来源的核心概念，对因子组合的构建方法论具有重要启示。
41. Adaptive Market Efficiency of Agricultural Commodity Futures Contracts
- 作者: Semei Coronado-Ramírez, Pedro Celso-Arellano, Omar Rojas
- 年份: 2014
- 来源: arXiv:1412.7920
- 文件:
41_Adaptive_Efficiency_Agricultural_Commodity_Coronado2014.pdf - 链接: https://arxiv.org/abs/1412.7920
- 简介: 利用非线性检验方法研究8个农产品期货合约的自适应市场效率。发现收益序列存在非线性序列依赖性，市场效率呈现时变特征，支持Lo（2004）的自适应市场假说。这意味着因子策略的有效性可能随市场状态变化。
🏷️ 八、CTA策略与因子衰减（CTA & Factor Decay）
39. Do New Investment Strategies Take Existing Strategies' Returns
- 作者: Takanobu Mizuta
- 年份: 2022
- 来源: arXiv:2202.01286
- 文件:
39_CTA_New_Strategies_AgentBased_Mizuta2022.pdf - 链接: https://arxiv.org/abs/2202.01286
- 简介: 通过基于代理的模型研究CTA策略收益衰减现象。CTA（主要交易商品期货）在2000年代表现优异，但2010年代后收益下滑。本文发现短期反转交易者（STRTs）的出现"掠夺"了CTA的趋势跟踪收益。对理解因子拥挤、因子衰减和因子轮动具有重要意义。
📊 更新后的主题覆盖（完整46篇）
| 主题 | 论文编号 |
|---|---|
| 经典因子论文 | 23, 24, 25, 26 |
| Carry因子与期限结构 | 24, 27, 30, 31, 37 |
| 截面因子与动量 | 25, 28, 46, 40 |
| 时间序列动量 (TSMOM) | 23, 02, 03, 18 |
| 套保压力与持仓量 | 42, 29 |
| 多因子模型 | 32, 33, 34, 44 |
| 波动率与风险因子 | 38, 43, 45 |
| 市场效率与收益之谜 | 35, 36, 41 |
| CTA策略与因子衰减 | 39, 17 |
| 趋势跟踪 (Trend Following) | 01, 02, 03, 10, 11, 16, 17 |
| 深度学习/机器学习 | 01, 02, 04, 08, 13, 15, 20, 44 |
| 中国商品期货 | 05, 12, 19 |
| 风险管理 | 09, 22, 43 |
| 综合参考 | 14, 26 |
📌 因子研究推荐阅读顺序
🔴 必读经典（因子研究基石）：
- 📖 26 - Facts and Fantasies about Commodity Futures（商品投资基础认知）
- 📖 23 - Time Series Momentum（TSMOM开山之作）
- 📖 24 - Carry（Carry因子权威定义）
- 📖 25 - Value and Momentum Everywhere（跨资产因子框架）
🟠 核心因子论文： 5. 📖 27 - Fundamentals of Commodity Futures Returns（基本面与库存因子） 6. 📖 30 - Anatomy of Commodity Futures Risk Premia（期限结构因子分解） 7. 📖 42 - Hedging Pressure Effects（套保压力因子） 8. 📖 29 - Futures Market Interest（持仓量宏观因子） 9. 📖 28 - Strategic and Tactical Value（截面因子早期研究）
🟡 多因子建模与方法： 10. 📖 33 - Factor State-Space Commodity（Nelson-Siegel因子模型） 11. 📖 31 - Commodity Futures Curves（期限结构动态因子） 12. 📖 34 - Multi-Factor Commodity Pricing（四因子定价模型） 13. 📖 37 - Term Structure Through Signatures（签名方法期限结构）
🟢 前沿与应用： 14. 📖 38 - Leverage Effect Energy（能源波动率因子） 15. 📖 39 - CTA Strategy Decay（因子衰减与拥挤） 16. 📖 36 - Commodity Return Puzzle（收益来源澄清） 17. 📖 45 - Hidden Markov Regime（因子择时与体制切换）
整理者：Clawd for Jacky | 2026-01-29 | 更新：新增24篇因子研究论文
📊 第三部分：机器学习训练扩展论文集
📅 补充日期：2026年1月29日 📁 新增 54 篇论文（编号 47-100），涵盖组合优化、风险管理、深度学习交易、最优执行、强化学习等主题 🎯 专为机器学习训练数据集扩充
🏷️ 一、组合优化与风险平价 (Portfolio Optimization & Risk Parity)
47. Introduction to Risk Parity and Budgeting ⭐ 必读
- 作者: Thierry Roncalli
- 年份: 2014
- 来源: arXiv:1403.1889
- 文件:
47_Introduction_Risk_Parity_Budgeting_Roncalli2014.pdf - 链接: https://arxiv.org/abs/1403.1889
- 简介: 风险平价的权威教科书级论文。全面介绍风险平价和风险预算方法的理论基础和实践应用。涵盖从Markowitz均值方差到现代风险平价方法的演进，是理解风险平价投资组合管理的必读文献。
48. Agnostic Risk Parity: Taming Known and Unknown-Unknowns
- 作者: Raphael Benichou, Yves Lempérière, Emmanuel Sérié, et al.
- 年份: 2016
- 来源: arXiv:1610.08818
- 文件:
48_Agnostic_Risk_Parity_Benichou2016.pdf - 链接: https://arxiv.org/abs/1610.08818
- 简介: 提出不可知风险平价方法，旨在处理已知和未知的不确定性。通过构建对模型不确定性和估计误差具有鲁棒性的投资组合，为实践中的风险平价策略提供了更稳健的框架。
49. Constrained Risk Budgeting Portfolios: Theory, Algorithms, Applications & Puzzles
- 作者: Jean-Charles Richard, Thierry Roncalli
- 年份: 2019
- 来源: arXiv:1902.05710
- 文件:
49_Constrained_Risk_Budgeting_Portfolios_Roncalli2019.pdf - 链接: https://arxiv.org/abs/1902.05710
- 简介: 深入研究带约束的风险预算组合的理论、算法和应用。解决了实际投资中的约束问题，如杠杆限制、多空限制等，为量化投资组合管理提供了完整的解决方案。
77. Data-driven Distributionally Robust Risk Parity Portfolio Optimization
- 作者: Giorgio Costa, Roy H. Kwon
- 年份: 2021
- 来源: arXiv:2110.06260
- 文件:
77_Data_Driven_Robust_Risk_Parity_Costa2021.pdf - 链接: https://arxiv.org/abs/2110.06260
- 简介: 提出分布式鲁棒风险平价框架，结合数据驱动的不确定性集合，使风险平价组合对分布假设更加稳健。
78. End-to-End Risk Budgeting Portfolio Optimization with Neural Networks
- 作者: Ayse Sinem Uysal, Xiaoyue Li, John M. Mulvey
- 年份: 2021
- 来源: arXiv:2107.04636
- 文件:
78_End_to_End_Risk_Budgeting_NN_Uysal2021.pdf - 链接: https://arxiv.org/abs/2107.04636
- 简介: 利用神经网络实现端到端的风险预算组合优化，将深度学习与传统风险预算方法相结合。
79. A Comparative Analysis of Portfolio Optimization Using Mean-Variance, HRP, and RL
- 作者: Jaydip Sen, et al.
- 年份: 2023
- 来源: arXiv:2305.17012
- 文件:
79_Mean_Variance_HRP_RL_Comparison_Sen2023.pdf - 链接: https://arxiv.org/abs/2305.17012
- 简介: 对比分析均值方差、层级风险平价(HRP)和强化学习三种组合优化方法的表现，为方法选择提供实证依据。
91. Hierarchical Risk Parity and Minimum Variance Portfolio Design
- 作者: Jaydip Sen, et al.
- 年份: 2022
- 来源: arXiv:2202.02728
- 文件:
91_HRP_Minimum_Variance_Design_Sen2022.pdf - 链接: https://arxiv.org/abs/2202.02728
- 简介: 研究层级风险平价和最小方差组合的设计与实现，提供了详细的算法和实证分析。
92. Optimal Trend Following Portfolios
- 作者: Sebastien Valeyre
- 年份: 2022
- 来源: arXiv:2201.06635
- 文件:
92_Optimal_Trend_Following_Portfolios_Valeyre2022.pdf - 链接: https://arxiv.org/abs/2201.06635
- 简介: 推导最优趋势跟踪组合的理论框架，为CTA策略的组合构建提供数学基础。
93. Portfolio Optimization Rules beyond the Mean-Variance Approach
- 作者: Maxime Markov, Vladimir Markov
- 年份: 2023
- 来源: arXiv:2305.08530
- 文件:
93_Portfolio_Optimization_Beyond_MeanVar_Markov2023.pdf - 链接: https://arxiv.org/abs/2305.08530
- 简介: 探讨超越均值方差的组合优化规则，研究非对称分布下的最优配置策略。
🏷️ 二、体制转换与隐马尔可夫模型 (Regime Switching & HMM)
50. Detecting Bearish and Bullish Markets Using Hierarchical Hidden Markov Models
- 作者: Lennart Oelschläger, Timo Adam
- 年份: 2020
- 来源: arXiv:2007.14874
- 文件:
50_Detecting_Bull_Bear_HMM_Oelschlager2020.pdf - 链接: https://arxiv.org/abs/2007.14874
- 简介: 利用层级隐马尔可夫模型识别金融市场的牛熊市状态，为体制切换策略提供了有效的检测方法。
51. Predicting Risk-adjusted Returns using Asset Independent Regime-switching Model
- 作者: Nicklas Werge
- 年份: 2021
- 来源: arXiv:2107.03177
- 文件:
51_Regime_Switching_Risk_Returns_Werge2021.pdf - 链接: https://arxiv.org/abs/2107.03177
- 简介: 提出资产独立的体制切换模型，用于预测风险调整后的收益，支持跨资产的体制识别。
52. A Hidden Markov Model for Statistical Arbitrage in International Crude Oil Futures
- 作者: Viviana Fanelli, Claudio Fontana, Francesco Rotondi
- 年份: 2023
- 来源: arXiv:2309.00875
- 文件:
52_HMM_Statistical_Arbitrage_Crude_Oil_Fanelli2023.pdf - 链接: https://arxiv.org/abs/2309.00875
- 简介: 将隐马尔可夫模型应用于国际原油期货的统计套利，识别不同市场状态下的套利机会。
🏷️ 三、最优执行与市场微观结构 (Optimal Execution & Market Microstructure)
53. Calibration of Optimal Execution with Transient Market Impact
- 作者: Enzo Busseti, Fabrizio Lillo
- 年份: 2012
- 来源: arXiv:1206.0836
- 文件:
53_Optimal_Execution_Transient_Impact_Busseti2012.pdf - 链接: https://arxiv.org/abs/1206.0836
- 简介: 研究存在瞬时市场冲击下的最优执行策略校准问题，为算法交易提供了理论基础。
54. Optimal Trade Execution in Illiquid Markets
- 作者: Erhan Bayraktar, Mike Ludkovski
- 年份: 2009
- 来源: arXiv:0902.2516
- 文件:
54_Optimal_Trade_Execution_Illiquid_Bayraktar2009.pdf - 链接: https://arxiv.org/abs/0902.2516
- 简介: 研究非流动性市场中的最优交易执行问题，考虑离散订单流的随机控制方法。
55. Reinforcement Learning for Optimal Execution when Liquidity is Time-Varying
- 作者: Andrea Macrì, Fabrizio Lillo
- 年份: 2024
- 来源: arXiv:2402.12049
- 文件:
55_RL_Optimal_Execution_Liquidity_Macri2024.pdf - 链接: https://arxiv.org/abs/2402.12049
- 简介: 利用强化学习解决流动性时变情况下的最优执行问题，结合市场微观结构特征。
56. On Parametric Optimal Execution and Machine Learning Surrogates
- 作者: Tao Chen, Mike Ludkovski, Moritz Voß
- 年份: 2022
- 来源: arXiv:2204.08521
- 文件:
56_Parametric_Optimal_Execution_ML_Chen2022.pdf - 链接: https://arxiv.org/abs/2204.08521
- 简介: 研究参数化最优执行问题，利用机器学习代理模型加速求解。
57. Interpretable ML for High-Frequency Execution
- 作者: Timothée Fabre, Vincent Ragel
- 年份: 2023
- 来源: arXiv:2307.04858
- 文件:
57_Interpretable_ML_HF_Execution_Fabre2023.pdf - 链接: https://arxiv.org/abs/2307.04858
- 简介: 可解释机器学习在高频交易执行中的应用，研究填充概率的状态依赖特性。
58. Deep Hedging with Market Impact
- 作者: Andrei Neagu, et al.
- 年份: 2024
- 来源: arXiv:2402.13326
- 文件:
58_Deep_Hedging_Market_Impact_Neagu2024.pdf - 链接: https://arxiv.org/abs/2402.13326
- 简介: 考虑市场冲击的深度对冲方法，将强化学习与交易成本建模相结合。
87. Mean Field Games with Partial Information for Algorithmic Trading
- 作者: Philippe Casgrain, Sebastian Jaimungal
- 年份: 2018
- 来源: arXiv:1803.04094
- 文件:
87_Mean_Field_Games_Algorithmic_Trading_Casgrain2018.pdf - 链接: https://arxiv.org/abs/1803.04094
- 简介: 利用平均场博弈理论研究部分信息下的算法交易问题，考虑交易者之间的策略互动。
88. A Reinforcement Learning Extension to the Almgren-Chriss Model for Optimal Trade Execution
- 作者: Dieter Hendricks, Diane Wilcox
- 年份: 2014
- 来源: arXiv:1403.2274
- 文件:
88_RL_Extension_Almgren_Chriss_Hendricks2014.pdf - 链接: https://arxiv.org/abs/1403.2274
- 简介: 将强化学习扩展到经典的Almgren-Chriss最优执行模型，增强了策略的自适应能力。
89. Optimal Order Execution in Intraday Markets
- 作者: Christopher Kath, Florian Ziel
- 年份: 2020
- 来源: arXiv:2009.07892
- 文件:
89_Optimal_Order_Execution_Intraday_Kath2020.pdf - 链接: https://arxiv.org/abs/2009.07892
- 简介: 研究日内市场的最优订单执行策略，最小化交易轨迹中的成本。
90. Uncovering Market Disorder and Liquidity Trends Detection
- 作者: Etienne Chevalier, et al.
- 年份: 2023
- 来源: arXiv:2310.08833
- 文件:
90_Market_Disorder_Liquidity_Detection_Chevalier2023.pdf - 链接: https://arxiv.org/abs/2310.08833
- 简介: 研究市场无序状态和流动性趋势的检测方法，用于订单驱动市场的流动性变化识别。
🏷️ 四、VaR/CVaR 风险度量与组合 (Risk Measures & Portfolio)
59. Portfolio Analysis with Mean-CVaR and Mean-CVaR-Skewness Criteria
- 作者: Nuerxiati Abudurexiti, et al.
- 年份: 2021
- 来源: arXiv:2111.04311
- 文件:
59_Mean_CVaR_Portfolio_Analysis_Abudurexiti2021.pdf - 链接: https://arxiv.org/abs/2111.04311
- 简介: 研究基于均值-CVaR和均值-CVaR-偏度准则的组合分析，考虑收益分布的尾部风险和不对称性。
60. Bayesian Quantile-Based Portfolio Selection
- 作者: Taras Bodnar, et al.
- 年份: 2020
- 来源: arXiv:2012.01819
- 文件:
60_Bayesian_Quantile_Portfolio_Bodnar2020.pdf - 链接: https://arxiv.org/abs/2012.01819
- 简介: 从贝叶斯角度研究基于VaR和CVaR的最优组合选择问题。
61. Portfolio Optimization with Entropic Value-at-Risk
- 作者: Amir Ahmadi-Javid, Malihe Fallah-Tafti
- 年份: 2017
- 来源: arXiv:1708.05713
- 文件:
61_Entropic_VaR_Portfolio_Optimization_Ahmadi2017.pdf - 链接: https://arxiv.org/abs/1708.05713
- 简介: 提出熵值VaR（EVaR）作为新的一致性风险度量，并应用于组合优化。EVaR具有良好的数学性质，比CVaR更加保守。
80. Optimal Dynamic Portfolio with Mean-CVaR Criterion
- 作者: Jing Li, Mingxin Xu
- 年份: 2013
- 来源: arXiv:1308.2440
- 文件:
80_Optimal_Dynamic_CVaR_Portfolio_Li2013.pdf - 链接: https://arxiv.org/abs/1308.2440
- 简介: 研究均值-CVaR准则下的最优动态组合问题，为多期风险管理提供理论基础。
100. Multilevel Nested Simulation for Efficient Risk Estimation
- 作者: Michael B. Giles, Abdul-Lateef Haji-Ali
- 年份: 2018
- 来源: arXiv:1802.05016
- 文件:
100_Multilevel_Nested_Simulation_VaR_Giles2018.pdf - 链接: https://arxiv.org/abs/1802.05016
- 简介: 提出多层嵌套模拟方法用于高效风险估计，特别适用于金融组合的VaR和CVaR计算。
🏷️ 五、深度强化学习交易 (Deep Reinforcement Learning for Trading)
62. Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy
- 作者: Hongyang Yang, et al.
- 年份: 2020
- 来源: arXiv:2011.09607
- 文件:
62_Deep_RL_Automated_Stock_Trading_Yang2020.pdf - 链接: https://arxiv.org/abs/2011.09607
- 简介: 提出深度强化学习的集成策略用于自动化股票交易，结合PPO、A2C和DDPG等多种算法。
63. Model-Free Reinforcement Learning for Financial Portfolios: A Brief Survey
- 作者: Yoshiharu Sato
- 年份: 2019
- 来源: arXiv:1904.04973
- 文件:
63_Model_Free_RL_Financial_Portfolios_Sato2019.pdf - 链接: https://arxiv.org/abs/1904.04973
- 简介: 无模型强化学习在金融组合管理中的应用综述，涵盖Kelly准则和风险平价的RL实现。
64. Deep Reinforcement Learning for Asset Allocation in US Equities
- 作者: Miquel Noguer i Alonso, Sonam Srivastava
- 年份: 2020
- 来源: arXiv:2010.04404
- 文件:
64_Deep_RL_Asset_Allocation_Equities_Noguer2020.pdf - 链接: https://arxiv.org/abs/2010.04404
- 简介: 深度强化学习在美国股票资产配置中的应用，对比传统配置方法。
65. Bridging the Gap between Markowitz Planning and Deep Reinforcement Learning
- 作者: Eric Benhamou, et al.
- 年份: 2020
- 来源: arXiv:2010.09638
- 文件:
65_Bridging_Markowitz_Deep_RL_Benhamou2020.pdf - 链接: https://arxiv.org/abs/2010.09638
- 简介: 连接Markowitz组合理论和深度强化学习方法，研究两者的统一框架。
95. Combining Deep Learning on Order Books with Reinforcement Learning for Profitable Trading
- 作者: Koti S. Jaddu, Paul A. Bilokon
- 年份: 2023
- 来源: arXiv:2311.14400
- 文件:
95_Combining_DL_Order_Books_RL_Jaddu2023.pdf - 链接: https://arxiv.org/abs/2311.14400
- 简介: 结合订单簿深度学习和强化学习实现盈利交易，利用市场微观结构信息。
96. Developing A Multi-Agent and Self-Adaptive Framework with Deep RL for Dynamic Portfolio Risk Management
- 作者: Zhenglong Li, Vincent Tam, Kwan L. Yeung
- 年份: 2024
- 来源: arXiv:2402.00515
- 文件:
96_Multi_Agent_DRL_Portfolio_Risk_Li2024.pdf - 链接: https://arxiv.org/abs/2402.00515
- 简介: 提出多智能体自适应深度强化学习框架，用于动态组合风险管理。
97. Combining Transformer based Deep RL with Black-Litterman Model for Portfolio Optimization
- 作者: Ruoyu Sun, et al.
- 年份: 2024
- 来源: arXiv:2402.14606
- 文件:
97_Transformer_RL_Black_Litterman_Sun2024.pdf - 链接: https://arxiv.org/abs/2402.14606
- 简介: 结合Transformer深度强化学习和Black-Litterman模型进行组合优化，融合观点和数据驱动方法。
🏷️ 六、Transformer与深度学习预测 (Transformer & Deep Learning)
66. Transformers versus LSTMs for Electronic Trading
- 作者: Paul Bilokon, Yitao Qiu
- 年份: 2023
- 来源: arXiv:2309.11400
- 文件:
66_Transformers_vs_LSTMs_Trading_Bilokon2023.pdf - 链接: https://arxiv.org/abs/2309.11400
- 简介: 对比Transformer和LSTM在电子交易中的表现，分析两种架构的优劣。
67. Quantformer: From Attention to Profit with a Quantitative Transformer Trading Strategy
- 作者: Zhaofeng Zhang, et al.
- 年份: 2024
- 来源: arXiv:2404.00424
- 文件:
67_Quantformer_Attention_Trading_Zhang2024.pdf - 链接: https://arxiv.org/abs/2404.00424
- 简介: 提出Quantformer——基于注意力机制的量化交易Transformer策略。
68. NumHTML: Numeric-Oriented Hierarchical Transformer Model for Multi-task Financial Forecasting
- 作者: Linyi Yang, et al.
- 年份: 2022
- 来源: arXiv:2201.01770
- 文件:
68_NumHTML_Hierarchical_Transformer_Yang2022.pdf - 链接: https://arxiv.org/abs/2201.01770
- 简介: 面向数值的层级Transformer模型，用于多任务金融预测。
69. FinBERT-LSTM: Deep Learning based Stock Price Prediction Using News Sentiment Analysis
- 作者: Shayan Halder
- 年份: 2022
- 来源: arXiv:2211.05780
- 文件:
69_FinBERT_LSTM_Stock_Prediction_Halder2022.pdf - 链接: https://arxiv.org/abs/2211.05780
- 简介: 结合FinBERT和LSTM的股价预测模型，利用新闻情绪分析。
84. Price Graphs: Utilizing Structural Information of Financial Time Series for Stock Prediction
- 作者: Junran Wu, et al.
- 年份: 2021
- 来源: arXiv:2106.02522
- 文件:
84_Price_Graphs_GNN_Stock_Wu2021.pdf - 链接: https://arxiv.org/abs/2106.02522
- 简介: 利用价格图结构信息和图神经网络进行股票预测，捕获时间序列的结构特征。
85. Forecasting Bitcoin Volatility Spikes from Whale Transactions using Synthesizer Transformer
- 作者: Dorien Herremans, Kah Wee Low
- 年份: 2022
- 来源: arXiv:2211.00759
- 文件:
85_Bitcoin_Volatility_Whale_Transformer_Herremans2022.pdf - 链接: https://arxiv.org/abs/2211.00759
- 简介: 利用Synthesizer Transformer从大户交易预测比特币波动率突变。
86. FinBen: A Holistic Financial Benchmark for Large Language Models
- 作者: Qianqian Xie, et al.
- 年份: 2024
- 来源: arXiv:2402.12659
- 文件:
86_FinBen_LLM_Financial_Benchmark_Xie2024.pdf - 链接: https://arxiv.org/abs/2402.12659
- 简介: 金融领域大语言模型的全面基准测试，涵盖多种金融NLP任务。
98. Attention-based CNN-LSTM and XGBoost Hybrid Model for Stock Prediction
- 作者: Zhuangwei Shi, et al.
- 年份: 2022
- 来源: arXiv:2204.02623
- 文件:
98_Attention_CNN_LSTM_XGBoost_Hybrid_Shi2022.pdf - 链接: https://arxiv.org/abs/2204.02623
- 简介: 结合注意力机制、CNN-LSTM和XGBoost的混合股票预测模型。
🏷️ 七、波动率建模与预测 (Volatility Modeling)
70. GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets
- 作者: Zeda Xu, et al.
- 年份: 2024
- 来源: arXiv:2410.00288
- 文件:
70_GARCH_Neural_Networks_Volatility_Xu2024.pdf - 链接: https://arxiv.org/abs/2410.00288
- 简介: GARCH信息神经网络用于金融市场波动率预测，结合计量经济学和深度学习。
71. Deep Learning Enhanced Realized GARCH
- 作者: Chen Liu, et al.
- 年份: 2023
- 来源: arXiv:2302.08002
- 文件:
71_Deep_Learning_Realized_GARCH_Liu2023.pdf - 链接: https://arxiv.org/abs/2302.08002
- 简介: 深度学习增强的已实现GARCH模型，结合高频数据和神经网络进行波动率建模。
72. Seasonal Stochastic Volatility and Correlation with the Samuelson Effect in Commodity Futures
- 作者: Lorenz Schneider, Bertrand Tavin
- 年份: 2015
- 来源: arXiv:1506.05911
- 文件:
72_Seasonal_Stochastic_Volatility_Schneider2015.pdf - 链接: https://arxiv.org/abs/1506.05911
- 简介: 商品期货季节性波动率建模。引入考虑季节性和Samuelson效应的多因子随机波动率模型。
81. Stock Volatility Prediction using Time Series and Deep Learning Approach
- 作者: Ananda Chatterjee, et al.
- 年份: 2022
- 来源: arXiv:2210.02254
- 文件:
81_Stock_Volatility_Prediction_DL_Chatterjee2022.pdf - 链接: https://arxiv.org/abs/2210.02254
- 简介: 结合时间序列方法和深度学习的股票波动率预测。
94. The Impact of Geopolitical Risk on Agricultural Markets: GJR-GARCH-MIDAS Model
- 作者: Various Authors
- 年份: 2024
- 来源: arXiv:2404.01641
- 文件:
94_Geopolitical_Risk_Food_GARCH_MIDAS_2024.pdf - 链接: https://arxiv.org/abs/2404.01641
- 简介: 利用GJR-GARCH-MIDAS模型研究地缘政治风险对农产品市场的影响。
🏷️ 八、配对交易与统计套利 (Pairs Trading & Statistical Arbitrage)
73. Evaluation of Dynamic Cointegration-Based Pairs Trading Strategy in Cryptocurrency Market
- 作者: Masood Tadi, Irina Kortchmeski
- 年份: 2021
- 来源: arXiv:2109.10662
- 文件:
73_Cointegration_Pairs_Trading_Crypto_Tadi2021.pdf - 链接: https://arxiv.org/abs/2109.10662
- 简介: 评估基于动态协整的配对交易策略在加密货币市场的表现。
74. Detecting Data-Driven Robust Statistical Arbitrage Strategies with Deep Neural Networks
- 作者: Various Authors
- 年份: 2022
- 来源: arXiv:2203.03179
- 文件:
74_Data_Driven_Statistical_Arbitrage_DNN_2022.pdf - 链接: https://arxiv.org/abs/2203.03179
- 简介: 利用深度神经网络发现数据驱动的鲁棒统计套利策略。
🏷️ 九、情绪分析与另类数据 (Sentiment & Alternative Data)
75. Emoji Driven Crypto Assets Market Reactions
- 作者: Xiaorui Zuo, et al.
- 年份: 2024
- 来源: arXiv:2402.10481
- 文件:
75_Emoji_Crypto_Sentiment_Zuo2024.pdf - 链接: https://arxiv.org/abs/2402.10481
- 简介: 利用GPT-4和BERT进行表情符号情绪分析，研究其对加密货币市场的影响。
76. Financial News-Driven LLM Reinforcement Learning for Portfolio Management
- 作者: Ananya Unnikrishnan
- 年份: 2024
- 来源: arXiv:2411.11059
- 文件:
76_LLM_RL_Portfolio_News_Unnikrishnan2024.pdf - 链接: https://arxiv.org/abs/2411.11059
- 简介: 结合金融新闻和大语言模型的强化学习组合管理方法。
🏷️ 十、综合深度学习交易 (General Deep Learning Trading)
82. Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models
- 作者: Sidra Mehtab, Jaydip Sen
- 年份: 2020
- 来源: arXiv:2010.11061
- 文件:
82_CNN_LSTM_Stock_Prediction_Mehtab2020.pdf - 链接: https://arxiv.org/abs/2010.11061
- 简介: 基于CNN和LSTM的深度学习股价预测模型比较研究。
83. A Survey of Forex and Stock Price Prediction Using Deep Learning
- 作者: Zexin Hu, Yiqi Zhao, Matloob Khushi
- 年份: 2021
- 来源: arXiv:2103.06948
- 文件:
83_Survey_Forex_Stock_DL_Hu2021.pdf - 链接: https://arxiv.org/abs/2103.06948
- 简介: 深度学习在外汇和股票价格预测中的应用综述，涵盖LSTM、CNN、注意力机制等方法。
99. GAN and Enhanced RMSE: Deep Learning for Stock Price Movement Prediction
- 作者: Ashish Kumar, et al.
- 年份: 2021
- 来源: arXiv:2111.15545
- 文件:
99_GAN_Stock_Movement_Prediction_Kumar2021.pdf - 链接: https://arxiv.org/abs/2111.15545
- 简介: 利用生成对抗网络和增强RMSE进行股价运动方向预测。
📊 更新后的主题覆盖（完整100篇）
| 主题 | 论文编号 |
|---|---|
| 组合优化与风险平价 | 47, 48, 49, 77, 78, 79, 91, 92, 93 |
| 体制转换/HMM | 45, 50, 51, 52 |
| 最优执行/市场微观结构 | 53, 54, 55, 56, 57, 58, 87, 88, 89, 90 |
| VaR/CVaR风险度量 | 43, 59, 60, 61, 80, 100 |
| 深度强化学习交易 | 01, 22, 62, 63, 64, 65, 95, 96, 97 |
| Transformer/深度学习 | 10, 20, 66, 67, 68, 69, 84, 85, 86, 98 |
| 波动率建模 | 38, 70, 71, 72, 81, 94 |
| 配对交易/统计套利 | 52, 73, 74 |
| 情绪分析/另类数据 | 75, 76 |
| CNN/LSTM预测 | 82, 83, 99 |
| 经典因子论文 | 23, 24, 25, 26 |
| Carry因子与期限结构 | 24, 27, 30, 31, 37 |
| 截面因子与动量 | 25, 28, 46, 40 |
| 时间序列动量 (TSMOM) | 23, 02, 03, 18 |
| 趋势跟踪 (Trend Following) | 01, 02, 03, 10, 11, 16, 17 |
| 中国商品期货 | 05, 12, 19 |
📌 机器学习训练数据集推荐
适合训练预测模型的论文：
- 价格预测：66, 67, 68, 69, 82, 83, 84, 98, 99
- 波动率预测：70, 71, 72, 81
- 方向预测：62, 95, 15
适合训练组合优化模型的论文：
- 风险平价：47, 48, 49, 77, 78, 91
- 强化学习组合：63, 64, 65, 96, 97
适合训练执行算法的论文：
- 最优执行：53, 54, 55, 56, 88, 89
- 市场微观结构：57, 58, 87, 90
适合训练风险模型的论文：
- VaR/CVaR：59, 60, 61, 80, 100
- 体制识别：50, 51, 52
整理者：Clawd for Jacky | 2026-01-29 | 更新：新增54篇扩展论文（47-100） 📁 共计 100 篇论文，覆盖 CTA/商品期货量化交易的各个方面
Similar repos
README
CTA 量化交易策略学术论文合集
📅 整理日期：2026年1月29日（第三次更新） 📁 共收录 100 篇论文，涵盖趋势跟踪、动量策略、深度学习交易、中国商品期货、风险管理、商品期货因子研究、组合优化、最优执行、强化学习、Transformer预测等主题
📑 论文目录
1. 趋势跟踪策略 (Trend Following)
01. Deep Reinforcement Learning for Trading
- 作者: Zihao Zhang, Stefan Zohren, Stephen Roberts
- 年份: 2019
- 来源: arXiv:1911.10107
- 文件:
01_Deep_RL_for_Trading_Zhang2019.pdf - 链接: https://arxiv.org/abs/1911.10107
- 简介: 采用深度强化学习算法设计连续期货合约交易策略。考虑了离散和连续动作空间，并引入波动率缩放来创建基于市场波动率调整仓位的奖励函数。在50个最流动的期货合约上进行测试，涵盖商品、股指、固定收益和外汇市场，证明方法优于经典时间序列动量策略。
02. Enhancing Time Series Momentum Strategies Using Deep Neural Networks (Deep Momentum Networks)
- 作者: Bryan Lim, Stefan Zohren, Stephen Roberts
- 年份: 2019
- 来源: arXiv:1904.04912 | Journal of Financial Data Science, Fall 2019
- 文件:
02_Deep_Momentum_Networks_Lim2019.pdf - 链接: https://arxiv.org/abs/1904.04912
- 简介: 提出深度动量网络 (Deep Momentum Networks)——一种将深度学习交易规则注入时间序列动量波动率缩放框架的混合方法。模型同时学习趋势估计和仓位管理，直接通过优化夏普比率训练。在88个连续期货合约组合上回测，Sharpe优化的LSTM比传统方法提高了两倍以上。
03. Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies
- 作者: Wee Ling Tan, Stephen Roberts, Stefan Zohren
- 年份: 2023
- 来源: arXiv:2302.10175 | Journal of Financial Data Science, Summer 2023
- 文件:
03_Spatio_Temporal_Momentum_Tan2023.pdf - 链接: https://arxiv.org/abs/2302.10175
- 简介: 提出时空动量策略 (Spatio-Temporal Momentum)，统一了时间序列动量和横截面动量策略。基于资产跨时间的横截面动量特征进行交易。虽然两种策略都旨在系统性捕获动量风险溢价，但传统上被视为不同的实现方式。本文展示如何将两者统一到一个框架中。
10. Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture
- 作者: Kieran Wood, Sven Giegerich, Stephen Roberts, Stefan Zohren
- 年份: 2021
- 来源: arXiv:2112.08534
- 文件:
10_Momentum_Transformer_Wood2021.pdf - 链接: https://arxiv.org/abs/2112.08534
- 简介: 提出 Momentum Transformer——基于注意力机制的深度学习架构，超越了基准时间序列动量和均值回归交易策略。与顺序处理的LSTM不同，注意力机制提供了与所有历史时间步的直接连接，实现了更好的趋势识别和交易信号生成。
11. Trend-Following Strategies via Dynamic Momentum Learning
- 作者: Bruno P. C. Levy, Hedibert F. Lopes
- 年份: 2021
- 来源: arXiv:2106.08420
- 文件:
11_Dynamic_Momentum_Learning_Levy2021.pdf - 链接: https://arxiv.org/abs/2106.08420
- 简介: 研究将动态计量经济模型引入时间序列动量策略的收益。传统的交易信号通常通过简单观察过去的收益来获得，而本文采用动态模型顺序学习时变动量，改进了经典的Moskowitz-Ooi-Pedersen (2012)方法。
16. Follow the Leader: Enhancing Systematic Trend-Following Using Network Momentum
- 作者: Linze Li, William Ferreira
- 年份: 2025
- 来源: arXiv:2501.07135
- 文件:
16_Follow_the_Leader_Trend_Li2025.pdf - 链接: https://arxiv.org/abs/2501.07135
- 简介: 提出应用于商品期货市场的系统性趋势跟踪策略，结合单变量趋势指标和横截面趋势指标（捕获所谓的"网络动量"）。研究了动量信号如何在资产之间传播，以及如何利用领先资产的动量信号来增强整体策略表现。
17. Demystifying Managed Futures
- 作者: Brian Hurst, Yao Hua Ooi, Lasse Heje Pedersen
- 年份: 2013
- 来源: Journal of Investment Management | AQR Capital Management
- 文件:
17_Demystifying_Managed_Futures_Hurst2013.pdf - 链接: https://www.aqr.com/-/media/AQR/Documents/Insights/Journal-Article/Demystifying-Managed-Futures.pdf
- 简介: 经典论文。展示了管理期货基金和CTA的回报可以通过简单的趋势跟踪策略（特别是时间序列动量策略）来解释。采用等风险方法构建投资组合，展现了强大的分散化收益。
2. 动量因子与网络动量 (Momentum Factors & Network Momentum)
06. Enhanced Momentum with Momentum Transformers
- 作者: Max Mason, Waasi A Jagirdar, David Huang, Rahul Murugan
- 年份: 2024
- 来源: arXiv:2412.12516
- 文件:
06_Enhanced_Momentum_Transformers_Mason2024.pdf - 链接: https://arxiv.org/abs/2412.12516
- 简介: 研究构建Momentum Transformer以超越基准动量策略的方法。将Transformer架构应用于动量因子建模，通过注意力机制捕获金融时间序列中的长期依赖关系。
07. Network Momentum across Asset Classes
- 作者: Xingyue Pu, Stephen Roberts, Xiaowen Dong, Stefan Zohren
- 年份: 2023
- 来源: arXiv:2308.11294
- 文件:
07_Network_Momentum_Pu2023.pdf - 链接: https://arxiv.org/abs/2308.11294
- 简介: 研究网络动量概念——一种源自资产间动量溢出的新型交易信号。动量溢出意味着动量风险溢价从一种资产传播到另一种资产。该信号最初在成对经济和基本面联系中被观察到，如同一公司的股票-债券联系和供应链关联的股票。
18. Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning
- 作者: Joel Ong, Dorien Herremans
- 年份: 2023
- 来源: arXiv:2306.13661 | Expert Systems with Applications
- 文件:
18_Constructing_TSMOM_Portfolios_Ong2023.pdf - 链接: https://arxiv.org/abs/2306.13661
- 简介: 研究如何利用深度多任务学习构建分散化的风险调整时间序列动量组合。TSMOM组合可以在极端市场事件期间提供可观的超额回报和一定程度的尾部风险保护。同时考虑动量信号质量和波动率估计的有效性。
21. Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection
- 作者: Kieran Wood, Stephen Roberts, Stefan Zohren
- 年份: 2021
- 来源: arXiv:2105.13727 | Journal of Financial Data Science
- 文件:
21_Slow_Momentum_Fast_Reversion_Wood2021.pdf - 链接: https://arxiv.org/abs/2105.13727
- 简介: 结合深度学习和变点检测技术，提出"慢动量-快回归"交易策略。利用深度学习识别长期趋势动量信号，同时通过变点检测实现快速的均值回归交易，在期货市场上实现优异表现。
3. 机器学习与深度学习在期货交易中的应用
04. Futures Quantitative Investment with Heterogeneous Continual Graph Neural Network
- 作者: Min Hu, Zhizhong Tan, Bin Liu, Guosheng Yin
- 年份: 2023
- 来源: arXiv:2303.16532
- 文件:
04_Futures_Quant_GNN_Hu2023.pdf - 链接: https://arxiv.org/abs/2303.16532
- 简介: 针对高频交易中期货价格预测的挑战，提出基于图神经网络的持续学习因子预测器。利用异质图结构建模期货品种之间的复杂关系，实现更准确的高频期货价格预测。
08. Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies
- 作者: Tom Liu, Stephen Roberts, Stefan Zohren
- 年份: 2023
- 来源: arXiv:2307.05522
- 文件:
08_Deep_Inception_Networks_Liu2023.pdf - 链接: https://arxiv.org/abs/2307.05522
- 简介: 提出Deep Inception Networks (DINs)——一族深度学习模型，为端到端的系统性交易策略提供通用框架。DINs直接从日收益率中提取时间序列(TS)和横截面(CS)特征，无需手动定义趋势估计器或仓位管理规则。
13. DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management
- 作者: Kieran Wood, Stephen J. Roberts, Stefan Zohren
- 年份: 2026
- 来源: arXiv:2601.05975
- 文件:
13_DeePM_Portfolio_Management_Wood2026.pdf - 链接: https://arxiv.org/abs/2601.05975
- 简介: 提出DeePM（深度投资组合管理者），一种端到端训练的结构化深度学习宏观投资组合管理器。在2010-2025年间50个分散化期货的大规模回测中，考虑了高度真实的交易成本，净风险调整回报约为经典趋势跟踪策略的两倍。
15. Classification-based Financial Markets Prediction using Deep Neural Networks
- 作者: Matthew Dixon, Diego Klabjan, Jin Hoon Bang
- 年份: 2016
- 来源: arXiv:1603.08604 | Algorithmic Finance
- 文件:
15_Classification_Financial_DNN_Dixon2016.pdf - 链接: https://arxiv.org/abs/1603.08604
- 简介: 描述了深度神经网络在预测金融市场运动方向上的应用。模型对43个商品和外汇期货的价格变动方向进行分类预测，展示了深度学习在算法交易中的潜力。
20. Trading Under Uncertainty: A Distribution-Based Strategy for Futures Markets Using FutureQuant Transformer
- 作者: Wenhao Guo, Yuda Wang, Zeqiao Huang, Changjiang Zhang, Shumin Ma
- 年份: 2025
- 来源: arXiv:2505.05595
- 文件:
20_FutureQuant_Transformer_Guo2025.pdf - 链接: https://arxiv.org/abs/2505.05595
- 简介: 面对传统期货交易中海量数据和实时限价订单簿等变量使价格预测复杂化的问题，提出FutureQuant Transformer模型。利用注意力机制应对这些挑战，采用分布预测而非点预测，更好地量化交易不确定性。
4. 风险管理与投资组合 (Risk Management & Portfolio)
09. A Stochastic Control Approach to Managed Futures Portfolios
- 作者: Tim Leung, Raphael Yan
- 年份: 2018
- 来源: arXiv:1811.01916
- 文件:
09_Stochastic_Control_Managed_Futures_Leung2018.pdf - 链接: https://arxiv.org/abs/1811.01916
- 简介: 研究管理期货投资组合的随机控制方法。基于Schwartz 97随机便利收益率模型，建立单一到期日期货合约的动态交易效用最大化问题。为商品期货投资组合管理提供了严格的数学框架。
22. Risk-averse Policies for Natural Gas Futures Trading using Distributional Reinforcement Learning
- 作者: Félicien Hêche, Biagio Nigro, Oussama Barakat, Stephan Robert-Nicoud
- 年份: 2025
- 来源: arXiv:2501.04421
- 文件:
22_Risk_Averse_NatGas_Futures_RL_Heche2025.pdf - 链接: https://arxiv.org/abs/2501.04421
- 简介: 研究分布式强化学习算法在风险厌恶型天然气期货交易中的有效性。与仅建模预期回报的传统RL不同，分布式RL建模完整的回报分布，提供了更好的市场不确定性管理方法。
5. 中国商品期货市场研究
05. Unique Futures in China: Studies on Volatility Spillover Effects of Ferrous Metal Futures
- 作者: Tingting Cao, Weiqing Sun, Cuiping Sun, Lin Hao
- 年份: 2022
- 来源: arXiv:2206.15039
- 文件:
05_Ferrous_Metal_Futures_China_Cao2022.pdf - 链接: https://arxiv.org/abs/2206.15039
- 简介: 研究中国特有的黑色金属期货（螺纹钢、热卷、铁矿石等）的波动率溢出效应。分析了中国期货市场中黑色金属期货品种之间的波动率传导机制，为理解中国商品期货市场的特殊性提供了重要参考。
12. Effects of Covid-19 Pandemic on Chinese Commodity Futures Markets
- 作者: Ahmet Goncu
- 年份: 2021
- 来源: arXiv:2106.09250
- 文件:
12_Covid19_Chinese_Commodity_Futures_Goncu2021.pdf - 链接: https://arxiv.org/abs/2106.09250
- 简介: 分析了中国期货市场中所有流动性商品期货在新冠疫情前后的经验矩和协整关系。研究发现大豆、玉米、玉米淀粉和铁矿石期货的平均收益发生了显著正向变化。这些发现对配对交易等策略具有重要意义。
19. An Analysis of the Interdependence Between Peanut and Other Agricultural Commodities in China's Futures Market
- 作者: Suke Li
- 年份: 2025
- 来源: arXiv:2501.16697
- 文件:
19_Peanut_Agricultural_China_Futures_Li2025.pdf - 链接: https://arxiv.org/abs/2501.16697
- 简介: 分析中国期货市场中花生与其他农产品期货（五种农产品）的历史数据，探索花生期货与相关期货之间的相关性、协整性和Granger因果关系。构建了价格和对数收益的多元线性回归模型，并使用VAR和DCC-EGARCH模型检验动态关系。
6. 综合性参考文献 (General References)
14. 151 Trading Strategies
- 作者: Zura Kakushadze, Juan Andrés Serur
- 年份: 2019
- 来源: arXiv:1912.04492
- 文件:
14_151_Trading_Strategies_Kakushadze2019.pdf - 链接: https://arxiv.org/abs/1912.04492
- 简介: 包含超过550个数学公式，详细描述了150多种交易策略，涵盖股票、期权、固定收益、期货、ETF、指数、商品、外汇、可转债、结构化资产、波动率（作为资产类别）、房地产、不良资产、现金、加密货币等多种资产类别和交易风格。是量化交易策略的百科全书式参考。
📊 主题覆盖
| 主题 | 论文编号 |
|---|---|
| 趋势跟踪 (Trend Following) | 01, 02, 03, 10, 11, 16, 17 |
| 动量因子 (Momentum) | 06, 07, 18, 21 |
| 深度学习/机器学习 | 01, 02, 04, 08, 13, 15, 20 |
| 中国商品期货 | 05, 12, 19 |
| 风险管理 | 09, 22 |
| 波动率 | 05, 02 |
| 强化学习 | 01, 22 |
| Transformer架构 | 06, 10, 20 |
| 投资组合管理 | 09, 13 |
| 综合参考 | 14, 17 |
📌 推荐阅读顺序
入门级（了解CTA/趋势跟踪基础）：
- 📖 17 - Demystifying Managed Futures（经典入门）
- 📖 14 - 151 Trading Strategies（策略全景）
进阶（理解动量策略核心方法）： 3. 📖 02 - Deep Momentum Networks（深度动量网络） 4. 📖 11 - Dynamic Momentum Learning（动态动量学习） 5. 📖 03 - Spatio-Temporal Momentum（时空动量）
高级（前沿研究方向）： 6. 📖 10 - Momentum Transformer（注意力机制） 7. 📖 13 - DeePM（最新2026年，集大成者） 8. 📖 07 - Network Momentum（网络动量） 9. 📖 01 - Deep RL for Trading（强化学习交易）
中国市场特色： 10. 📖 05 - 黑色金属期货波动率溢出 11. 📖 12 - 新冠疫情对中国商品期货影响 12. 📖 19 - 花生与农产品期货联动
📊 第二部分：商品期货因子（Factor）研究论文
📅 补充日期：2026年1月29日 📁 新增 24 篇因子研究论文（编号 23-46），涵盖 Carry、动量、期限结构、套保压力、多因子模型等核心因子方向
🏷️ 一、经典因子论文（Seminal Factor Papers）
23. Time Series Momentum ⭐ 必读经典
- 作者: Tobias J. Moskowitz, Yao Hua Ooi, Lasse Heje Pedersen
- 年份: 2012
- 来源: Journal of Financial Economics | NBER Working Paper 16208
- 文件:
23_Time_Series_Momentum_Moskowitz2012.pdf - 简介: 时间序列动量（TSMOM）的开山之作。研究了58个流动性期货合约（涵盖商品、股指、债券、外汇），发现过去12个月正收益的资产未来倾向于继续上涨，负收益的继续下跌。TSMOM因子在每个资产类别中都显著存在，且与传统风险因子相关性低。此策略在危机时期表现尤佳，提供了"危机Alpha"。被引用超3000次。
24. Carry ⭐ 必读经典
- 作者: Ralph S.J. Koijen, Tobias J. Moskowitz, Lasse Heje Pedersen, Evert B. Vrugt
- 年份: 2018
- 来源: Journal of Financial Economics | NBER Working Paper 19325
- 文件:
24_Carry_Koijen_Moskowitz_Pedersen2018.pdf - 简介: Carry因子的权威定义。将Carry统一定义为"持有资产的预期收益（假设价格不变）"，在全球股票、债券、商品、外汇、期权等资产类别中构建Carry因子。在商品期货中，Carry对应展期收益（roll yield），与期限结构斜率密切相关。Carry因子在所有资产中都能预测收益，且与价值和动量因子低相关。
25. Value and Momentum Everywhere ⭐ 必读经典
- 作者: Clifford S. Asness, Tobias J. Moskowitz, Lasse Heje Pedersen
- 年份: 2013
- 来源: Journal of Finance | NBER Working Paper 16553
- 文件:
25_Value_Momentum_Everywhere_Asness2013.pdf - 简介: 价值和动量因子的跨资产研究。在全球股票、债券、货币和商品期货中构建价值因子和动量因子。发现两个因子在每个资产类别中都显著，且价值因子和动量因子之间存在负相关性。在商品期货中，价值因子基于5年历史收益反转构建，动量因子基于过去12个月（跳过最近1个月）收益构建。被引用超4000次。
26. Facts and Fantasies about Commodity Futures ⭐ 必读经典
- 作者: Gary Gorton, K. Geert Rouwenhorst
- 年份: 2006
- 来源: Financial Analysts Journal | NBER Working Paper 10595
- 文件:
26_Facts_Fantasies_Commodity_Gorton2006.pdf - 简介: 商品期货投资的经典综述。用1959-2004年的数据证明：商品期货的历史风险溢价与股票相当，与股票和债券的收益负相关，且能对冲通胀风险。同时正式区分了商品期货收益的三个组成部分：抵押品收益、现货收益和展期收益（roll return）。被引用超2000次，是商品投资领域的基石文献。
🏷️ 二、Carry因子与期限结构（Carry Factor & Term Structure）
27. The Fundamentals of Commodity Futures Returns
- 作者: Gary Gorton, Fumio Hayashi, K. Geert Rouwenhorst
- 年份: 2013
- 来源: Review of Finance | NBER Working Paper 13249
- 文件:
27_Fundamentals_Commodity_Futures_Returns_Gorton2013.pdf - 简介: 深入研究商品期货收益的基本面驱动因素。核心发现：库存水平是决定期货升贴水（backwardation/contango）的关键变量。低库存导致现货溢价（backwardation），期货有正的展期收益。本文构建了基于库存的收益预测模型，论证了便利收益率（convenience yield）理论。
30. An Anatomy of Commodity Futures Risk Premia
- 作者: Marta Szymanowska, Frans de Roon, Theo Nijman, Rob van den Goorbergh
- 年份: 2014
- 来源: Journal of Finance | NBER Working Paper 15578
- 文件:
30_Anatomy_Commodity_Risk_Premia_Szymanowska2014.pdf - 简介: 期限结构因子分解的经典论文。将商品期货风险溢价分解为现货溢价和期限溢价两个独立部分。发现"高基差减低基差"的截面策略和"高曲率减低曲率"的策略都能产生显著超额收益。本文为商品期货多因子模型提供了理论基础。
31. Exploiting the Dynamics of Commodity Futures Curves
- 作者: Robert J. Bianchi, John Hua Fan, Joelle Miffre, Tingxi Zhang
- 年份: 2023
- 来源: arXiv:2308.01233
- 文件:
31_Commodity_Futures_Curves_Bianchi2023.pdf - 链接: https://arxiv.org/abs/2308.01233
- 简介: 运用Nelson-Siegel框架建模商品期货期限结构，将期限结构分解为水平、斜率和曲率三个因子。同时结合投机者情绪和套保压力等因子，构建动态配置策略。发现期限结构因子能有效预测商品期货截面收益，尤其是斜率因子对应的carry策略表现最为稳健。
37. Understanding the Commodity Futures Term Structure Through Signatures
- 作者: (Signature Methods Group)
- 年份: 2025
- 来源: arXiv:2503.00861
- 文件:
37_Commodity_Term_Structure_Signatures2025.pdf - 链接: https://arxiv.org/abs/2503.00861
- 简介: 利用签名方法（signature methods）对商品期货期限结构进行创新性分析。通过数学上严格的展开和收敛估计，解释了基于签名的期限结构分类的成功原因，发现便利收益率的波动率是最主要的区分因素。为期限结构因子研究提供了新的数学工具。
🏷️ 三、截面因子与动量（Cross-Sectional Factors & Momentum）
28. The Strategic and Tactical Value of Commodity Futures
- 作者: Claude B. Erb, Campbell R. Harvey
- 年份: 2006
- 来源: Financial Analysts Journal | NBER Working Paper 11222
- 文件:
28_Strategic_Tactical_Value_Commodity_Erb2006.pdf - 简介: 系统性研究商品期货的战略和战术配置价值。从12个可投资的商品期货构建等权和优化组合，发现个别商品期货的风险溢价不显著，但组合化后通过分散化收益变得可观。同时研究了动量、期限结构等因子的截面预测能力，是截面因子研究的早期重要文献。
46. The Rank Effect for Commodities
- 作者: Ricardo T. Fernholz, Christoffer Koch
- 年份: 2016
- 来源: arXiv:1607.07566
- 文件:
46_Rank_Effect_Commodities_Fernholz2016.pdf - 链接: https://arxiv.org/abs/1607.07566
- 简介: 研究商品期货市场中的"排名效应"——低价格排名的资产相对于市场组合存在系统性超额收益。利用数学分解方法证明，这种排名效应是资产价格分布平稳性的必然结果。在日度商品期货数据上证实了该预测，为横截面因子研究提供了新的视角。
40. Permutation-Weighted Portfolios and the Efficiency of Commodity Futures Markets
- 作者: Ricardo T. Fernholz, Robert Fernholz
- 年份: 2020
- 来源: arXiv:2001.07078
- 文件:
40_Permutation_Weighted_Portfolios_Commodity_Fernholz2020.pdf - 链接: https://arxiv.org/abs/2001.07078
- 简介: 提出排列加权组合方法，研究商品期货市场效率。通过对商品期货市场权重的函数生成组合分析，将超额收益分解为多样化收益和波动项，为理解截面收益差异提供了理论框架。
🏷️ 四、套保压力与持仓量因子（Hedging Pressure & Open Interest）
42. Hedging Pressure Effects in Futures Markets ⭐ 重要
- 作者: Frans A. de Roon, Theo E. Nijman, Chris Veld
- 年份: 2000
- 来源: Journal of Finance | NBER Working Paper 6310
- 文件:
42_Hedging_Pressure_Effects_DeRoon2000.pdf - 简介: 套保压力因子的经典论文。研究20个期货市场中套保者和投机者的持仓压力对期货风险溢价的影响。发现套保压力不仅影响本品种收益，还会通过投机者的跨品种对冲产生溢出效应。本文为基于CFTC持仓报告构建因子策略提供了理论基础。
29. What Does Futures Market Interest Tell Us about the Macroeconomy and Asset Prices?
- 作者: Harrison Hong, Motohiro Yogo
- 年份: 2012
- 来源: Journal of Financial Economics | NBER Working Paper 16712
- 文件:
29_Futures_Market_Interest_Hong_Yogo2012.pdf - 简介: 研究期货市场未平仓合约（open interest）对宏观经济和资产价格的预测能力。发现商品期货的持仓量变化能预测商品收益、债券收益和股票收益，是一个具有宏观信息含量的因子。这为利用持仓量数据构建交易因子提供了重要的学术依据。
🏷️ 五、多因子模型与因子建模（Multi-Factor Models）
32. Multi-Factor Function-on-Function Regression of Bond Yields on WTI Term Structure
- 作者: Peilun He, Gareth W. Peters, Nino Kordzakhia, Pavel V. Shevchenko
- 年份: 2024
- 来源: arXiv:2412.04463
- 文件:
32_Multi_Factor_Bond_WTI_Term_Structure_He2024.pdf - 链接: https://arxiv.org/abs/2412.04463
- 简介: 利用函数对函数回归方法分析债券收益率和WTI原油期货期限结构之间的多因子关系。研究商品期限结构动态如何影响固定收益市场，为跨资产因子模型提供了新的建模框架。
33. Analyzing Commodity Futures Using Factor State-Space Models with Wishart Stochastic Volatility
- 作者: Tore Selland Kleppe, Roman Liesenfeld, Guilherme Valle Moura, Atle Oglend
- 年份: 2019
- 来源: arXiv:1908.07634
- 文件:
33_Factor_StateSpace_Commodity_Wishart_Kleppe2019.pdf - 链接: https://arxiv.org/abs/1908.07634
- 简介: 提出结合Wishart随机波动率的因子状态空间模型，用于建模和预测商品期货期限结构。采用动态3因子Nelson-Siegel模型和4因子Svensson扩展，允许潜在的水平、斜率和曲率因子在多变量Wishart波动率下演化。模型能有效捕获商品期货收益的截面变异和时变波动率特征。
34. A Multi-Factor Model for Improved Commodity Pricing
- 作者: Luca Vincenzo Ballestra, Christian Tezza
- 年份: 2025
- 来源: arXiv:2501.15714
- 文件:
34_Multi_Factor_Commodity_Pricing_Oil2025.pdf - 链接: https://arxiv.org/abs/2501.15714
- 简介: 提出整合四个独立风险因子的商品定价模型：现货价格、随机波动率、便利收益率和随机利率。在原油市场中进行校准验证，展示四因子模型相比传统模型在期货定价精度上的显著提升。为商品期货多因子定价提供了完整框架。
44. Large Investment Model
- 作者: Jian Guo, Heung-Yeung Shum
- 年份: 2024
- 来源: arXiv:2408.10255
- 文件:
44_Large_Investment_Model_Guo2024.pdf - 链接: https://arxiv.org/abs/2408.10255
- 简介: 提出大型投资模型（LIM）——一种新型研究范式，通过端到端学习和通用建模在规模上同时提升性能和效率。LIM可应用于跨资产类别（包括商品期货）的因子挖掘和组合构建，代表了AI驱动因子研究的前沿方向。
🏷️ 六、波动率与风险因子（Volatility & Risk Factors）
38. Leverage Effect in Energy Futures
- 作者: Ladislav Kristoufek
- 年份: 2014
- 来源: arXiv:1403.0064 | Energy Economics
- 文件:
38_Leverage_Effect_Energy_Futures_Kristoufek2014.pdf - 链接: https://arxiv.org/abs/1403.0064
- 简介: 对能源期货（原油、天然气、取暖油等）中的杠杆效应进行全面研究——即收益与波动率之间的非对称关系。研究发现能源期货存在"反向杠杆效应"（正收益带来更高波动率），与传统股票市场的杠杆效应相反。这一发现对基于波动率的因子构建和风险管理具有重要意义。
43. Panel Quantile Regressions for Estimating and Predicting the Value-at-Risk of Commodities
- 作者: František Čech, Jozef Baruník
- 年份: 2018
- 来源: arXiv:1807.11687 | Journal of Financial Econometrics
- 文件:
43_Panel_VaR_Commodities_Cech2018.pdf - 链接: https://arxiv.org/abs/1807.11687
- 简介: 研究已实现波动率和隐含波动率（投资者情绪的代理变量）如何影响商品收益的未来分位数。利用面板分位数回归框架，展示事前和事后不确定性度量如何共同决定商品风险分布。为基于波动率和情绪的因子构建提供了实证支持。
45. Hidden Markov Graphical Models with State-Dependent Generalized Hyperbolic Distributions
- 作者: Beatrice Foroni, Luca Merlo, Lea Petrella
- 年份: 2024
- 来源: arXiv:2412.03374
- 文件:
45_Hidden_Markov_Regime_Commodity_Foroni2024.pdf - 链接: https://arxiv.org/abs/2412.03374
- 简介: 提出带状态依赖的隐马尔可夫图模型，用于商品期货收益的体制识别。方法可产生体制特定的条件相关图，识别不同市场状态下商品收益的网络连通性变化。对因子择时和体制切换策略具有重要参考价值。
🏷️ 七、市场效率与收益之谜（Market Efficiency & Return Puzzles）
35. Commodity Futures and Market Efficiency
- 作者: Ladislav Kristoufek, Miloslav Vosvrda
- 年份: 2013
- 来源: arXiv:1309.1492 | Energy Economics
- 文件:
35_Commodity_Futures_Market_Efficiency_Kristoufek2013.pdf - 链接: https://arxiv.org/abs/1309.1492
- 简介: 对25个商品期货市场的效率进行系统分析。利用多种效率度量方法，发现不同商品的市场效率差异显著，且效率随时间变化。这对基于市场非效率的因子策略（如动量、均值回归）的适用性判断具有指导意义。
36. Diversification Return, Portfolio Rebalancing, and the Commodity Return Puzzle
- 作者: Scott Willenbrock
- 年份: 2011
- 来源: arXiv:1109.1334 | Financial Analysts Journal
- 文件:
36_Diversification_Return_Commodity_Puzzle_Willenbrock2011.pdf - 链接: https://arxiv.org/abs/1109.1334
- 简介: 解决了Gorton & Rouwenhorst商品指数中的"商品收益之谜"。证明等权组合中的再平衡收益（diversification return）来自于波动率拖曳（volatility drag）而非真正的超额收益。澄清了商品期货组合收益来源的核心概念，对因子组合的构建方法论具有重要启示。
41. Adaptive Market Efficiency of Agricultural Commodity Futures Contracts
- 作者: Semei Coronado-Ramírez, Pedro Celso-Arellano, Omar Rojas
- 年份: 2014
- 来源: arXiv:1412.7920
- 文件:
41_Adaptive_Efficiency_Agricultural_Commodity_Coronado2014.pdf - 链接: https://arxiv.org/abs/1412.7920
- 简介: 利用非线性检验方法研究8个农产品期货合约的自适应市场效率。发现收益序列存在非线性序列依赖性，市场效率呈现时变特征，支持Lo（2004）的自适应市场假说。这意味着因子策略的有效性可能随市场状态变化。
🏷️ 八、CTA策略与因子衰减（CTA & Factor Decay）
39. Do New Investment Strategies Take Existing Strategies' Returns
- 作者: Takanobu Mizuta
- 年份: 2022
- 来源: arXiv:2202.01286
- 文件:
39_CTA_New_Strategies_AgentBased_Mizuta2022.pdf - 链接: https://arxiv.org/abs/2202.01286
- 简介: 通过基于代理的模型研究CTA策略收益衰减现象。CTA（主要交易商品期货）在2000年代表现优异，但2010年代后收益下滑。本文发现短期反转交易者（STRTs）的出现"掠夺"了CTA的趋势跟踪收益。对理解因子拥挤、因子衰减和因子轮动具有重要意义。
📊 更新后的主题覆盖（完整46篇）
| 主题 | 论文编号 |
|---|---|
| 经典因子论文 | 23, 24, 25, 26 |
| Carry因子与期限结构 | 24, 27, 30, 31, 37 |
| 截面因子与动量 | 25, 28, 46, 40 |
| 时间序列动量 (TSMOM) | 23, 02, 03, 18 |
| 套保压力与持仓量 | 42, 29 |
| 多因子模型 | 32, 33, 34, 44 |
| 波动率与风险因子 | 38, 43, 45 |
| 市场效率与收益之谜 | 35, 36, 41 |
| CTA策略与因子衰减 | 39, 17 |
| 趋势跟踪 (Trend Following) | 01, 02, 03, 10, 11, 16, 17 |
| 深度学习/机器学习 | 01, 02, 04, 08, 13, 15, 20, 44 |
| 中国商品期货 | 05, 12, 19 |
| 风险管理 | 09, 22, 43 |
| 综合参考 | 14, 26 |
📌 因子研究推荐阅读顺序
🔴 必读经典（因子研究基石）：
- 📖 26 - Facts and Fantasies about Commodity Futures（商品投资基础认知）
- 📖 23 - Time Series Momentum（TSMOM开山之作）
- 📖 24 - Carry（Carry因子权威定义）
- 📖 25 - Value and Momentum Everywhere（跨资产因子框架）
🟠 核心因子论文： 5. 📖 27 - Fundamentals of Commodity Futures Returns（基本面与库存因子） 6. 📖 30 - Anatomy of Commodity Futures Risk Premia（期限结构因子分解） 7. 📖 42 - Hedging Pressure Effects（套保压力因子） 8. 📖 29 - Futures Market Interest（持仓量宏观因子） 9. 📖 28 - Strategic and Tactical Value（截面因子早期研究）
🟡 多因子建模与方法： 10. 📖 33 - Factor State-Space Commodity（Nelson-Siegel因子模型） 11. 📖 31 - Commodity Futures Curves（期限结构动态因子） 12. 📖 34 - Multi-Factor Commodity Pricing（四因子定价模型） 13. 📖 37 - Term Structure Through Signatures（签名方法期限结构）
🟢 前沿与应用： 14. 📖 38 - Leverage Effect Energy（能源波动率因子） 15. 📖 39 - CTA Strategy Decay（因子衰减与拥挤） 16. 📖 36 - Commodity Return Puzzle（收益来源澄清） 17. 📖 45 - Hidden Markov Regime（因子择时与体制切换）
整理者：Clawd for Jacky | 2026-01-29 | 更新：新增24篇因子研究论文
📊 第三部分：机器学习训练扩展论文集
📅 补充日期：2026年1月29日 📁 新增 54 篇论文（编号 47-100），涵盖组合优化、风险管理、深度学习交易、最优执行、强化学习等主题 🎯 专为机器学习训练数据集扩充
🏷️ 一、组合优化与风险平价 (Portfolio Optimization & Risk Parity)
47. Introduction to Risk Parity and Budgeting ⭐ 必读
- 作者: Thierry Roncalli
- 年份: 2014
- 来源: arXiv:1403.1889
- 文件:
47_Introduction_Risk_Parity_Budgeting_Roncalli2014.pdf - 链接: https://arxiv.org/abs/1403.1889
- 简介: 风险平价的权威教科书级论文。全面介绍风险平价和风险预算方法的理论基础和实践应用。涵盖从Markowitz均值方差到现代风险平价方法的演进，是理解风险平价投资组合管理的必读文献。
48. Agnostic Risk Parity: Taming Known and Unknown-Unknowns
- 作者: Raphael Benichou, Yves Lempérière, Emmanuel Sérié, et al.
- 年份: 2016
- 来源: arXiv:1610.08818
- 文件:
48_Agnostic_Risk_Parity_Benichou2016.pdf - 链接: https://arxiv.org/abs/1610.08818
- 简介: 提出不可知风险平价方法，旨在处理已知和未知的不确定性。通过构建对模型不确定性和估计误差具有鲁棒性的投资组合，为实践中的风险平价策略提供了更稳健的框架。
49. Constrained Risk Budgeting Portfolios: Theory, Algorithms, Applications & Puzzles
- 作者: Jean-Charles Richard, Thierry Roncalli
- 年份: 2019
- 来源: arXiv:1902.05710
- 文件:
49_Constrained_Risk_Budgeting_Portfolios_Roncalli2019.pdf - 链接: https://arxiv.org/abs/1902.05710
- 简介: 深入研究带约束的风险预算组合的理论、算法和应用。解决了实际投资中的约束问题，如杠杆限制、多空限制等，为量化投资组合管理提供了完整的解决方案。
77. Data-driven Distributionally Robust Risk Parity Portfolio Optimization
- 作者: Giorgio Costa, Roy H. Kwon
- 年份: 2021
- 来源: arXiv:2110.06260
- 文件:
77_Data_Driven_Robust_Risk_Parity_Costa2021.pdf - 链接: https://arxiv.org/abs/2110.06260
- 简介: 提出分布式鲁棒风险平价框架，结合数据驱动的不确定性集合，使风险平价组合对分布假设更加稳健。
78. End-to-End Risk Budgeting Portfolio Optimization with Neural Networks
- 作者: Ayse Sinem Uysal, Xiaoyue Li, John M. Mulvey
- 年份: 2021
- 来源: arXiv:2107.04636
- 文件:
78_End_to_End_Risk_Budgeting_NN_Uysal2021.pdf - 链接: https://arxiv.org/abs/2107.04636
- 简介: 利用神经网络实现端到端的风险预算组合优化，将深度学习与传统风险预算方法相结合。
79. A Comparative Analysis of Portfolio Optimization Using Mean-Variance, HRP, and RL
- 作者: Jaydip Sen, et al.
- 年份: 2023
- 来源: arXiv:2305.17012
- 文件:
79_Mean_Variance_HRP_RL_Comparison_Sen2023.pdf - 链接: https://arxiv.org/abs/2305.17012
- 简介: 对比分析均值方差、层级风险平价(HRP)和强化学习三种组合优化方法的表现，为方法选择提供实证依据。
91. Hierarchical Risk Parity and Minimum Variance Portfolio Design
- 作者: Jaydip Sen, et al.
- 年份: 2022
- 来源: arXiv:2202.02728
- 文件:
91_HRP_Minimum_Variance_Design_Sen2022.pdf - 链接: https://arxiv.org/abs/2202.02728
- 简介: 研究层级风险平价和最小方差组合的设计与实现，提供了详细的算法和实证分析。
92. Optimal Trend Following Portfolios
- 作者: Sebastien Valeyre
- 年份: 2022
- 来源: arXiv:2201.06635
- 文件:
92_Optimal_Trend_Following_Portfolios_Valeyre2022.pdf - 链接: https://arxiv.org/abs/2201.06635
- 简介: 推导最优趋势跟踪组合的理论框架，为CTA策略的组合构建提供数学基础。
93. Portfolio Optimization Rules beyond the Mean-Variance Approach
- 作者: Maxime Markov, Vladimir Markov
- 年份: 2023
- 来源: arXiv:2305.08530
- 文件:
93_Portfolio_Optimization_Beyond_MeanVar_Markov2023.pdf - 链接: https://arxiv.org/abs/2305.08530
- 简介: 探讨超越均值方差的组合优化规则，研究非对称分布下的最优配置策略。
🏷️ 二、体制转换与隐马尔可夫模型 (Regime Switching & HMM)
50. Detecting Bearish and Bullish Markets Using Hierarchical Hidden Markov Models
- 作者: Lennart Oelschläger, Timo Adam
- 年份: 2020
- 来源: arXiv:2007.14874
- 文件:
50_Detecting_Bull_Bear_HMM_Oelschlager2020.pdf - 链接: https://arxiv.org/abs/2007.14874
- 简介: 利用层级隐马尔可夫模型识别金融市场的牛熊市状态，为体制切换策略提供了有效的检测方法。
51. Predicting Risk-adjusted Returns using Asset Independent Regime-switching Model
- 作者: Nicklas Werge
- 年份: 2021
- 来源: arXiv:2107.03177
- 文件:
51_Regime_Switching_Risk_Returns_Werge2021.pdf - 链接: https://arxiv.org/abs/2107.03177
- 简介: 提出资产独立的体制切换模型，用于预测风险调整后的收益，支持跨资产的体制识别。
52. A Hidden Markov Model for Statistical Arbitrage in International Crude Oil Futures
- 作者: Viviana Fanelli, Claudio Fontana, Francesco Rotondi
- 年份: 2023
- 来源: arXiv:2309.00875
- 文件:
52_HMM_Statistical_Arbitrage_Crude_Oil_Fanelli2023.pdf - 链接: https://arxiv.org/abs/2309.00875
- 简介: 将隐马尔可夫模型应用于国际原油期货的统计套利，识别不同市场状态下的套利机会。
🏷️ 三、最优执行与市场微观结构 (Optimal Execution & Market Microstructure)
53. Calibration of Optimal Execution with Transient Market Impact
- 作者: Enzo Busseti, Fabrizio Lillo
- 年份: 2012
- 来源: arXiv:1206.0836
- 文件:
53_Optimal_Execution_Transient_Impact_Busseti2012.pdf - 链接: https://arxiv.org/abs/1206.0836
- 简介: 研究存在瞬时市场冲击下的最优执行策略校准问题，为算法交易提供了理论基础。
54. Optimal Trade Execution in Illiquid Markets
- 作者: Erhan Bayraktar, Mike Ludkovski
- 年份: 2009
- 来源: arXiv:0902.2516
- 文件:
54_Optimal_Trade_Execution_Illiquid_Bayraktar2009.pdf - 链接: https://arxiv.org/abs/0902.2516
- 简介: 研究非流动性市场中的最优交易执行问题，考虑离散订单流的随机控制方法。
55. Reinforcement Learning for Optimal Execution when Liquidity is Time-Varying
- 作者: Andrea Macrì, Fabrizio Lillo
- 年份: 2024
- 来源: arXiv:2402.12049
- 文件:
55_RL_Optimal_Execution_Liquidity_Macri2024.pdf - 链接: https://arxiv.org/abs/2402.12049
- 简介: 利用强化学习解决流动性时变情况下的最优执行问题，结合市场微观结构特征。
56. On Parametric Optimal Execution and Machine Learning Surrogates
- 作者: Tao Chen, Mike Ludkovski, Moritz Voß
- 年份: 2022
- 来源: arXiv:2204.08521
- 文件:
56_Parametric_Optimal_Execution_ML_Chen2022.pdf - 链接: https://arxiv.org/abs/2204.08521
- 简介: 研究参数化最优执行问题，利用机器学习代理模型加速求解。
57. Interpretable ML for High-Frequency Execution
- 作者: Timothée Fabre, Vincent Ragel
- 年份: 2023
- 来源: arXiv:2307.04858
- 文件:
57_Interpretable_ML_HF_Execution_Fabre2023.pdf - 链接: https://arxiv.org/abs/2307.04858
- 简介: 可解释机器学习在高频交易执行中的应用，研究填充概率的状态依赖特性。
58. Deep Hedging with Market Impact
- 作者: Andrei Neagu, et al.
- 年份: 2024
- 来源: arXiv:2402.13326
- 文件:
58_Deep_Hedging_Market_Impact_Neagu2024.pdf - 链接: https://arxiv.org/abs/2402.13326
- 简介: 考虑市场冲击的深度对冲方法，将强化学习与交易成本建模相结合。
87. Mean Field Games with Partial Information for Algorithmic Trading
- 作者: Philippe Casgrain, Sebastian Jaimungal
- 年份: 2018
- 来源: arXiv:1803.04094
- 文件:
87_Mean_Field_Games_Algorithmic_Trading_Casgrain2018.pdf - 链接: https://arxiv.org/abs/1803.04094
- 简介: 利用平均场博弈理论研究部分信息下的算法交易问题，考虑交易者之间的策略互动。
88. A Reinforcement Learning Extension to the Almgren-Chriss Model for Optimal Trade Execution
- 作者: Dieter Hendricks, Diane Wilcox
- 年份: 2014
- 来源: arXiv:1403.2274
- 文件:
88_RL_Extension_Almgren_Chriss_Hendricks2014.pdf - 链接: https://arxiv.org/abs/1403.2274
- 简介: 将强化学习扩展到经典的Almgren-Chriss最优执行模型，增强了策略的自适应能力。
89. Optimal Order Execution in Intraday Markets
- 作者: Christopher Kath, Florian Ziel
- 年份: 2020
- 来源: arXiv:2009.07892
- 文件:
89_Optimal_Order_Execution_Intraday_Kath2020.pdf - 链接: https://arxiv.org/abs/2009.07892
- 简介: 研究日内市场的最优订单执行策略，最小化交易轨迹中的成本。
90. Uncovering Market Disorder and Liquidity Trends Detection
- 作者: Etienne Chevalier, et al.
- 年份: 2023
- 来源: arXiv:2310.08833
- 文件:
90_Market_Disorder_Liquidity_Detection_Chevalier2023.pdf - 链接: https://arxiv.org/abs/2310.08833
- 简介: 研究市场无序状态和流动性趋势的检测方法，用于订单驱动市场的流动性变化识别。
🏷️ 四、VaR/CVaR 风险度量与组合 (Risk Measures & Portfolio)
59. Portfolio Analysis with Mean-CVaR and Mean-CVaR-Skewness Criteria
- 作者: Nuerxiati Abudurexiti, et al.
- 年份: 2021
- 来源: arXiv:2111.04311
- 文件:
59_Mean_CVaR_Portfolio_Analysis_Abudurexiti2021.pdf - 链接: https://arxiv.org/abs/2111.04311
- 简介: 研究基于均值-CVaR和均值-CVaR-偏度准则的组合分析，考虑收益分布的尾部风险和不对称性。
60. Bayesian Quantile-Based Portfolio Selection
- 作者: Taras Bodnar, et al.
- 年份: 2020
- 来源: arXiv:2012.01819
- 文件:
60_Bayesian_Quantile_Portfolio_Bodnar2020.pdf - 链接: https://arxiv.org/abs/2012.01819
- 简介: 从贝叶斯角度研究基于VaR和CVaR的最优组合选择问题。
61. Portfolio Optimization with Entropic Value-at-Risk
- 作者: Amir Ahmadi-Javid, Malihe Fallah-Tafti
- 年份: 2017
- 来源: arXiv:1708.05713
- 文件:
61_Entropic_VaR_Portfolio_Optimization_Ahmadi2017.pdf - 链接: https://arxiv.org/abs/1708.05713
- 简介: 提出熵值VaR（EVaR）作为新的一致性风险度量，并应用于组合优化。EVaR具有良好的数学性质，比CVaR更加保守。
80. Optimal Dynamic Portfolio with Mean-CVaR Criterion
- 作者: Jing Li, Mingxin Xu
- 年份: 2013
- 来源: arXiv:1308.2440
- 文件:
80_Optimal_Dynamic_CVaR_Portfolio_Li2013.pdf - 链接: https://arxiv.org/abs/1308.2440
- 简介: 研究均值-CVaR准则下的最优动态组合问题，为多期风险管理提供理论基础。
100. Multilevel Nested Simulation for Efficient Risk Estimation
- 作者: Michael B. Giles, Abdul-Lateef Haji-Ali
- 年份: 2018
- 来源: arXiv:1802.05016
- 文件:
100_Multilevel_Nested_Simulation_VaR_Giles2018.pdf - 链接: https://arxiv.org/abs/1802.05016
- 简介: 提出多层嵌套模拟方法用于高效风险估计，特别适用于金融组合的VaR和CVaR计算。
🏷️ 五、深度强化学习交易 (Deep Reinforcement Learning for Trading)
62. Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy
- 作者: Hongyang Yang, et al.
- 年份: 2020
- 来源: arXiv:2011.09607
- 文件:
62_Deep_RL_Automated_Stock_Trading_Yang2020.pdf - 链接: https://arxiv.org/abs/2011.09607
- 简介: 提出深度强化学习的集成策略用于自动化股票交易，结合PPO、A2C和DDPG等多种算法。
63. Model-Free Reinforcement Learning for Financial Portfolios: A Brief Survey
- 作者: Yoshiharu Sato
- 年份: 2019
- 来源: arXiv:1904.04973
- 文件:
63_Model_Free_RL_Financial_Portfolios_Sato2019.pdf - 链接: https://arxiv.org/abs/1904.04973
- 简介: 无模型强化学习在金融组合管理中的应用综述，涵盖Kelly准则和风险平价的RL实现。
64. Deep Reinforcement Learning for Asset Allocation in US Equities
- 作者: Miquel Noguer i Alonso, Sonam Srivastava
- 年份: 2020
- 来源: arXiv:2010.04404
- 文件:
64_Deep_RL_Asset_Allocation_Equities_Noguer2020.pdf - 链接: https://arxiv.org/abs/2010.04404
- 简介: 深度强化学习在美国股票资产配置中的应用，对比传统配置方法。
65. Bridging the Gap between Markowitz Planning and Deep Reinforcement Learning
- 作者: Eric Benhamou, et al.
- 年份: 2020
- 来源: arXiv:2010.09638
- 文件:
65_Bridging_Markowitz_Deep_RL_Benhamou2020.pdf - 链接: https://arxiv.org/abs/2010.09638
- 简介: 连接Markowitz组合理论和深度强化学习方法，研究两者的统一框架。
95. Combining Deep Learning on Order Books with Reinforcement Learning for Profitable Trading
- 作者: Koti S. Jaddu, Paul A. Bilokon
- 年份: 2023
- 来源: arXiv:2311.14400
- 文件:
95_Combining_DL_Order_Books_RL_Jaddu2023.pdf - 链接: https://arxiv.org/abs/2311.14400
- 简介: 结合订单簿深度学习和强化学习实现盈利交易，利用市场微观结构信息。
96. Developing A Multi-Agent and Self-Adaptive Framework with Deep RL for Dynamic Portfolio Risk Management
- 作者: Zhenglong Li, Vincent Tam, Kwan L. Yeung
- 年份: 2024
- 来源: arXiv:2402.00515
- 文件:
96_Multi_Agent_DRL_Portfolio_Risk_Li2024.pdf - 链接: https://arxiv.org/abs/2402.00515
- 简介: 提出多智能体自适应深度强化学习框架，用于动态组合风险管理。
97. Combining Transformer based Deep RL with Black-Litterman Model for Portfolio Optimization
- 作者: Ruoyu Sun, et al.
- 年份: 2024
- 来源: arXiv:2402.14606
- 文件:
97_Transformer_RL_Black_Litterman_Sun2024.pdf - 链接: https://arxiv.org/abs/2402.14606
- 简介: 结合Transformer深度强化学习和Black-Litterman模型进行组合优化，融合观点和数据驱动方法。
🏷️ 六、Transformer与深度学习预测 (Transformer & Deep Learning)
66. Transformers versus LSTMs for Electronic Trading
- 作者: Paul Bilokon, Yitao Qiu
- 年份: 2023
- 来源: arXiv:2309.11400
- 文件:
66_Transformers_vs_LSTMs_Trading_Bilokon2023.pdf - 链接: https://arxiv.org/abs/2309.11400
- 简介: 对比Transformer和LSTM在电子交易中的表现，分析两种架构的优劣。
67. Quantformer: From Attention to Profit with a Quantitative Transformer Trading Strategy
- 作者: Zhaofeng Zhang, et al.
- 年份: 2024
- 来源: arXiv:2404.00424
- 文件:
67_Quantformer_Attention_Trading_Zhang2024.pdf - 链接: https://arxiv.org/abs/2404.00424
- 简介: 提出Quantformer——基于注意力机制的量化交易Transformer策略。
68. NumHTML: Numeric-Oriented Hierarchical Transformer Model for Multi-task Financial Forecasting
- 作者: Linyi Yang, et al.
- 年份: 2022
- 来源: arXiv:2201.01770
- 文件:
68_NumHTML_Hierarchical_Transformer_Yang2022.pdf - 链接: https://arxiv.org/abs/2201.01770
- 简介: 面向数值的层级Transformer模型，用于多任务金融预测。
69. FinBERT-LSTM: Deep Learning based Stock Price Prediction Using News Sentiment Analysis
- 作者: Shayan Halder
- 年份: 2022
- 来源: arXiv:2211.05780
- 文件:
69_FinBERT_LSTM_Stock_Prediction_Halder2022.pdf - 链接: https://arxiv.org/abs/2211.05780
- 简介: 结合FinBERT和LSTM的股价预测模型，利用新闻情绪分析。
84. Price Graphs: Utilizing Structural Information of Financial Time Series for Stock Prediction
- 作者: Junran Wu, et al.
- 年份: 2021
- 来源: arXiv:2106.02522
- 文件:
84_Price_Graphs_GNN_Stock_Wu2021.pdf - 链接: https://arxiv.org/abs/2106.02522
- 简介: 利用价格图结构信息和图神经网络进行股票预测，捕获时间序列的结构特征。
85. Forecasting Bitcoin Volatility Spikes from Whale Transactions using Synthesizer Transformer
- 作者: Dorien Herremans, Kah Wee Low
- 年份: 2022
- 来源: arXiv:2211.00759
- 文件:
85_Bitcoin_Volatility_Whale_Transformer_Herremans2022.pdf - 链接: https://arxiv.org/abs/2211.00759
- 简介: 利用Synthesizer Transformer从大户交易预测比特币波动率突变。
86. FinBen: A Holistic Financial Benchmark for Large Language Models
- 作者: Qianqian Xie, et al.
- 年份: 2024
- 来源: arXiv:2402.12659
- 文件:
86_FinBen_LLM_Financial_Benchmark_Xie2024.pdf - 链接: https://arxiv.org/abs/2402.12659
- 简介: 金融领域大语言模型的全面基准测试，涵盖多种金融NLP任务。
98. Attention-based CNN-LSTM and XGBoost Hybrid Model for Stock Prediction
- 作者: Zhuangwei Shi, et al.
- 年份: 2022
- 来源: arXiv:2204.02623
- 文件:
98_Attention_CNN_LSTM_XGBoost_Hybrid_Shi2022.pdf - 链接: https://arxiv.org/abs/2204.02623
- 简介: 结合注意力机制、CNN-LSTM和XGBoost的混合股票预测模型。
🏷️ 七、波动率建模与预测 (Volatility Modeling)
70. GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets
- 作者: Zeda Xu, et al.
- 年份: 2024
- 来源: arXiv:2410.00288
- 文件:
70_GARCH_Neural_Networks_Volatility_Xu2024.pdf - 链接: https://arxiv.org/abs/2410.00288
- 简介: GARCH信息神经网络用于金融市场波动率预测，结合计量经济学和深度学习。
71. Deep Learning Enhanced Realized GARCH
- 作者: Chen Liu, et al.
- 年份: 2023
- 来源: arXiv:2302.08002
- 文件:
71_Deep_Learning_Realized_GARCH_Liu2023.pdf - 链接: https://arxiv.org/abs/2302.08002
- 简介: 深度学习增强的已实现GARCH模型，结合高频数据和神经网络进行波动率建模。
72. Seasonal Stochastic Volatility and Correlation with the Samuelson Effect in Commodity Futures
- 作者: Lorenz Schneider, Bertrand Tavin
- 年份: 2015
- 来源: arXiv:1506.05911
- 文件:
72_Seasonal_Stochastic_Volatility_Schneider2015.pdf - 链接: https://arxiv.org/abs/1506.05911
- 简介: 商品期货季节性波动率建模。引入考虑季节性和Samuelson效应的多因子随机波动率模型。
81. Stock Volatility Prediction using Time Series and Deep Learning Approach
- 作者: Ananda Chatterjee, et al.
- 年份: 2022
- 来源: arXiv:2210.02254
- 文件:
81_Stock_Volatility_Prediction_DL_Chatterjee2022.pdf - 链接: https://arxiv.org/abs/2210.02254
- 简介: 结合时间序列方法和深度学习的股票波动率预测。
94. The Impact of Geopolitical Risk on Agricultural Markets: GJR-GARCH-MIDAS Model
- 作者: Various Authors
- 年份: 2024
- 来源: arXiv:2404.01641
- 文件:
94_Geopolitical_Risk_Food_GARCH_MIDAS_2024.pdf - 链接: https://arxiv.org/abs/2404.01641
- 简介: 利用GJR-GARCH-MIDAS模型研究地缘政治风险对农产品市场的影响。
🏷️ 八、配对交易与统计套利 (Pairs Trading & Statistical Arbitrage)
73. Evaluation of Dynamic Cointegration-Based Pairs Trading Strategy in Cryptocurrency Market
- 作者: Masood Tadi, Irina Kortchmeski
- 年份: 2021
- 来源: arXiv:2109.10662
- 文件:
73_Cointegration_Pairs_Trading_Crypto_Tadi2021.pdf - 链接: https://arxiv.org/abs/2109.10662
- 简介: 评估基于动态协整的配对交易策略在加密货币市场的表现。
74. Detecting Data-Driven Robust Statistical Arbitrage Strategies with Deep Neural Networks
- 作者: Various Authors
- 年份: 2022
- 来源: arXiv:2203.03179
- 文件:
74_Data_Driven_Statistical_Arbitrage_DNN_2022.pdf - 链接: https://arxiv.org/abs/2203.03179
- 简介: 利用深度神经网络发现数据驱动的鲁棒统计套利策略。
🏷️ 九、情绪分析与另类数据 (Sentiment & Alternative Data)
75. Emoji Driven Crypto Assets Market Reactions
- 作者: Xiaorui Zuo, et al.
- 年份: 2024
- 来源: arXiv:2402.10481
- 文件:
75_Emoji_Crypto_Sentiment_Zuo2024.pdf - 链接: https://arxiv.org/abs/2402.10481
- 简介: 利用GPT-4和BERT进行表情符号情绪分析，研究其对加密货币市场的影响。
76. Financial News-Driven LLM Reinforcement Learning for Portfolio Management
- 作者: Ananya Unnikrishnan
- 年份: 2024
- 来源: arXiv:2411.11059
- 文件:
76_LLM_RL_Portfolio_News_Unnikrishnan2024.pdf - 链接: https://arxiv.org/abs/2411.11059
- 简介: 结合金融新闻和大语言模型的强化学习组合管理方法。
🏷️ 十、综合深度学习交易 (General Deep Learning Trading)
82. Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models
- 作者: Sidra Mehtab, Jaydip Sen
- 年份: 2020
- 来源: arXiv:2010.11061
- 文件:
82_CNN_LSTM_Stock_Prediction_Mehtab2020.pdf - 链接: https://arxiv.org/abs/2010.11061
- 简介: 基于CNN和LSTM的深度学习股价预测模型比较研究。
83. A Survey of Forex and Stock Price Prediction Using Deep Learning
- 作者: Zexin Hu, Yiqi Zhao, Matloob Khushi
- 年份: 2021
- 来源: arXiv:2103.06948
- 文件:
83_Survey_Forex_Stock_DL_Hu2021.pdf - 链接: https://arxiv.org/abs/2103.06948
- 简介: 深度学习在外汇和股票价格预测中的应用综述，涵盖LSTM、CNN、注意力机制等方法。
99. GAN and Enhanced RMSE: Deep Learning for Stock Price Movement Prediction
- 作者: Ashish Kumar, et al.
- 年份: 2021
- 来源: arXiv:2111.15545
- 文件:
99_GAN_Stock_Movement_Prediction_Kumar2021.pdf - 链接: https://arxiv.org/abs/2111.15545
- 简介: 利用生成对抗网络和增强RMSE进行股价运动方向预测。
📊 更新后的主题覆盖（完整100篇）
| 主题 | 论文编号 |
|---|---|
| 组合优化与风险平价 | 47, 48, 49, 77, 78, 79, 91, 92, 93 |
| 体制转换/HMM | 45, 50, 51, 52 |
| 最优执行/市场微观结构 | 53, 54, 55, 56, 57, 58, 87, 88, 89, 90 |
| VaR/CVaR风险度量 | 43, 59, 60, 61, 80, 100 |
| 深度强化学习交易 | 01, 22, 62, 63, 64, 65, 95, 96, 97 |
| Transformer/深度学习 | 10, 20, 66, 67, 68, 69, 84, 85, 86, 98 |
| 波动率建模 | 38, 70, 71, 72, 81, 94 |
| 配对交易/统计套利 | 52, 73, 74 |
| 情绪分析/另类数据 | 75, 76 |
| CNN/LSTM预测 | 82, 83, 99 |
| 经典因子论文 | 23, 24, 25, 26 |
| Carry因子与期限结构 | 24, 27, 30, 31, 37 |
| 截面因子与动量 | 25, 28, 46, 40 |
| 时间序列动量 (TSMOM) | 23, 02, 03, 18 |
| 趋势跟踪 (Trend Following) | 01, 02, 03, 10, 11, 16, 17 |
| 中国商品期货 | 05, 12, 19 |
📌 机器学习训练数据集推荐
适合训练预测模型的论文：
- 价格预测：66, 67, 68, 69, 82, 83, 84, 98, 99
- 波动率预测：70, 71, 72, 81
- 方向预测：62, 95, 15
适合训练组合优化模型的论文：
- 风险平价：47, 48, 49, 77, 78, 91
- 强化学习组合：63, 64, 65, 96, 97
适合训练执行算法的论文：
- 最优执行：53, 54, 55, 56, 88, 89
- 市场微观结构：57, 58, 87, 90
适合训练风险模型的论文：
- VaR/CVaR：59, 60, 61, 80, 100
- 体制识别：50, 51, 52
整理者：Clawd for Jacky | 2026-01-29 | 更新：新增54篇扩展论文（47-100） 📁 共计 100 篇论文，覆盖 CTA/商品期货量化交易的各个方面