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
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

棋高一着——多周期投资组合优化

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。

阅读更多
基于深度强化学习的算法交易策略

基于深度强化学习的算法交易策略

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。

阅读更多
第二阶段量化工作总结与后续规划
神经网络与截面资产定价——先验的艺术