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：
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。
量化交易依赖回测迭代投资策略，优化样本外组合绩效。本文用公式结合代码，介绍了几种精选的投资组合收益-风险的度量指标，同时讨论收益预测模型、风险预测模型评估方法。
量化投资策略往往借助数学规划工具确定资产权重，其一是为了更科学地平衡风险收益等优化目标，其二是以此为媒介加入主观、客观约束，统一投资组合生成过程。本文主要面向股票市场中，基于多因子理论的，短周期交易型纯多头Alpha策略，介绍其投资组合优化方法与实践。对于组合优化必须的收益率、风险、交易成本等输入信息，本文也梳理了其主流的预测方法。
传统金融学假设市场参与者都绝对理性——显然与事实不符——因此无法解释现实中出现的种种错误定价。行为金融学认为投资者是有限理性的，将传统金融理论与心理学结合，探究是什么非理性行为导致错误定价，以及这些行为偏差与资产收益率的内在联系。因子投资将人的行为偏差作为超额收益率来源，因此有必要全面梳理行为金融学现有成果，与其对应的市场异象。
通常介绍静态博客搭建的教程专注于博客系统选择与网页文件托管，初学者难免一头雾水，难以实操。本文介绍了静态博客网站从撰写、上线到运维所使用的全套技术栈与基础设置，以此为索引，可以领略静态博客创作全貌。
SHAP (SHapley Additive exPlanations)基于博弈论，是一种模型无关的机器学习解释方法，既能衡量单次预测结果中的特征贡献，也能聚合局部结果成为对模型的整体解释。SHAP方法在理论上有诸多优异性质，得益于大量工程优化，在实践中也有很强的可操作性，是XAI领域的重要方法。本文主要简介SHAP的基础理论，并给出应用示例。
Alpha策略中的风险模型功能是，预测底层资产预期收益的协方差矩阵，从而在给定预期收益率下最小化组合方差，提升策略夏普比。风险模型的重要程度不亚于收益率模型，但与收益率模型相比，关于搭建风险模型的介绍和讨论却门可罗雀，一方面是由于大多数投资人选择使用商用方案（Barra），另一方面风险模型需要从策略全局考虑问题，不能通过简单的benchmark评估其贡献。本文系统性地介绍了风险模型的定义和实现方案，包括压缩估计、专家因子模型以及数据驱动的统计模型。
在本节中，我们从系统角度回顾Quant 4.0，并研究如何将所有这些组件集成到一个系统中。下图展示了建议的Quant 4.0系统框架的架构，包括用于量化研究的离线系统和用于量化交易的在线系统。
The unexamined life is not worth living.
本文首先介绍实施alpha策略缘起，回顾2023下半年第一阶段的策略研发工作，计划第二阶段任务，最后展望第三阶段。