本文简要介绍了排序学习的背景、分类、性能度量，并归纳其发展历程中的几种经典算法。本文不追求深入每个技术细节，而是注重传递排序学习核心概念的直观理解，为LTR不同场景下的实际应用做铺垫。

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.

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。

本文讨论量化投资中事件的有效性检验与利用（事件因子/事件策略）。

第三阶段完成了多因子量化系统全链路的开发与测试，准备上线。后续会补足多样化的alpha能力，探索多样化策略。

在前文《股票多因子量化多头策略之组合优化框架》中，已经较为全面地介绍了如何将单期投资组合权重的求解，转化为二次规划问题。本文是对斯坦福大学与黑石基金合作论文《Multi-Period Trading via Convex Optimization》 的要点解读与核心内容总结。该文在2017年提出，首次较为系统的介绍了多期优化的应用。

市场参与者对算法交易有着普遍需求。本文从深度强化学习（Deep Reinforcement Learning, DRL）视角分析了算法交易的实现，包括策略输入输出、激励函数与神经网络结构。相比传统方法，DRL在多订单最优执行上有显著优势，也无需对时变的市场微观结构做精确数学建模，策略是以全局最优为目标优化的。最后本文还思考如何将日内交易策略与alpha策略有机结合。

本文首先回顾第二阶段量化工作，规划第三阶段工作，展望第四阶段发展。

本文讨论了在实证截面资产定价领域，如何结合金融先验设计深度学习模型，具体包括预测目标设计、市场环境建模与网络结构选择三部分。

随着中国量化产业发展与市场环境日趋成熟，传统量价数据衍生的定价因子被充分挖掘，已公开发表的研究报告就有成百上千，甚至有私募号称坐拥数万因子，引人拍案称奇。然而这些多如繁星的因子们只是若干本质因素的不同量化呈现，如非流动性溢价、特质波动异象等，并不能在特殊行情下分散风险。在极端情况出现时（如24年2月）大多数量价因子会集体失效或反转，给投资者造成更大的波动，今年业内私募表现也印证了这一点。从这个角度上说，这些alpha因子只是在贡献特殊的beta。

而要获取真正独立的超额收益，必须完成量化研究价值发现的本职工作，开发新因子，方法有三：

• 引入新数据
• 新的处理方法
• 对已有因子改进

在新因子的三种来源中，本文聚焦使用新数据+新方法构造另类因子，捕捉投资者有限注意力产生的错误定价，具体分为相似动量与文本分析两项。