与市场同尘——广义流动性提供者修行笔记

与市场同尘——广义流动性提供者修行笔记

穷则变,变则通,通则久。

市场之术,日新月异,其变无穷。高频做市,在微秒间追光逐电;链上协议,以数学构建流动性之池;期现套利,在不同时空寻找均衡之引力。凡此种种,法门万千。

然,大道至简,万法归宗。有一道焉,不执于术,而游于理,化繁为简,是为“广义流动性提供者”(LP)之修行。循此道者,其所得之通,乃见做市与套利,本为一体两面,互为其根。

此篇笔记,便是这场修行之记录。其所探寻者,非一招一式之工巧,而是贯通全局之道——一个统一所有流动性供给行为的底层框架。唯有如此,方可在这变动不居的市场中,建立长久认知,最终和光同尘。

阅读更多
2025年A股市场低延迟交易技术实现路径调研报告

2025年A股市场低延迟交易技术实现路径调研报告

本报告围绕2025年及未来A股市场低延迟交易的技术路径,系统梳理了从交易所、券商到客户端的关键环节。实现极致低延迟需要交易单元、极速柜台、低延迟券商及行情、网络、算法、硬件等多方面协同优化。监管新规也对技术实现和合规提出更高要求。报告结合最新技术与政策趋势,评估各方案延迟表现,为市场参与者提供参考。

阅读更多
利用相关性矩阵聚类构建统计套利组合:一种图聚类分析框架

利用相关性矩阵聚类构建统计套利组合:一种图聚类分析框架

统计套利策略的核心在于对资产价格暂时性偏离的识别和利用。传统方法如配对交易(Pairs Trading)已广为人知,但如何高效地扩展到大规模资产组合并保持稳健性,一直是研究难点。牛津大学研究团队近期在论文《Correlation Matrix Clustering for Statistical Arbitrage Portfolios》中提出了一种创新分析框架:利用图聚类算法(Graph Clustering)对股票残差收益的相关性矩阵进行聚类,并在每个簇内构建均值回归的统计套利组合。实证表明,该方法能产生年化收益超10%、夏普比率显著大于1的策略。

阅读更多

基于贝叶斯推断的电影票房超预期度量方法

电影产业作为典型的高不确定性市场,其票房表现对出品方的财务状况及市场估值具有直接影响。票房的 超预期程度 是衡量市场对电影接受度的关键指标,同时也是评估电影公司业绩的重要变量。然而,传统票房预测方法往往依赖静态的点估计模型,难以精准刻画票房随时间演化的动态特性,更难以量化票房超出市场预期的幅度及其不确定性,难以转化为可行的投资策略。

阅读更多
排序学习(LTR)简明:从RankNet到LambdaMART

Shaputa: SHAP-Boruta Fusion for Feature Selection

Shaputa is a cutting-edge feature selection technique that synergizes SHAP (SHapley Additive exPlanations) with Boruta’s shadow feature methodology. The integration of shadow features with SHAP values allows for a more reliable and context-aware feature selection process, particularly effective in high-dimensional and complex datasets where traditional methods may falter.

阅读更多
大语言模型发展趋势及其量化投资应用

大语言模型发展趋势及其量化投资应用

大语言模型(LLM)是2022年底ChatGPT横空出世以来,计算机技术中最炙手可热、日新月异的前沿领域。LLM已慢慢剥离单纯的工具属性,成为独立处理任务的智能载体。2024年,Qwen2、Llama3.1等千亿参数模型陆续发布,开源模型性能逐步接近闭源水平。作为量化研究人员,如何将大语言模型技术与金融应用相结合,提升投研水平,是必须思索的命题。本文首先参考李沐演讲分析LLM发展趋势与最佳实践,然后综述量化投资领域LLM的具体应用场景。

阅读更多
第三阶段量化工作总结与后续规划——复杂度与成本控制