精選文章
每週為你嚴選系列文章
ML量化業界現況：GBDT非線性優勢與實戰心得
探討機器學習量化中因子與收益的非線性關係，解釋GBDT為何在截面預測上優於線性模型與深度學習，並分享業界實戰心法：特徵工程、時間切分、集成方法、市場漂移及交易成本控制。頭部量化私募主力模型多為LightGBM變體，真正的差異化在於因子庫廣度與數據質量。
MIDAS回歸：解鎖混合頻率數據的預測潛力，量化交易新利器
MIDAS回歸解決傳統模型要求變數頻率一致的問題，保留高頻數據細節。本文介紹MIDAS在GARCH-MIDAS波動率預測、投資組合優化及混合頻率因子構建中的實戰應用，並探討權重函數選擇和前視偏差等挑戰。
AI股回調？三星暴跌10%引爆記憶體板塊恐慌
三星電子初步業績優於預期，股價卻暴跌10%，拖累韓國KOSPI跌8%熔斷。美光、SK海力士等記憶體股全線重挫，AI概念板塊輪動加劇。分析指基本面未變，急跌提供重新部署機會。
可微分排序：讓排序學習與深度學習無縫整合的關鍵技術
探討可微分排序如何解決排序不可微問題，使排序指標直接作為損失函數，與深度學習框架完美整合。比較其與LambdaMART的優劣，介紹軟排序與神經排序實現方法，並分析實戰中的計算成本與交易成本挑戰及應對策略。
ResNLS：融合CNN與LSTM的非線性因子建模新框架
本文介紹ResNLS混合架構，結合CNN、殘差連接與LSTM，用於擬合因子與收益間的非線性關係。解析其設計邏輯、殘差連接的初始化技巧、LSTM的時序建模能力，並討論模型在市場切換、流動性不足等極端情境下的失效條件與實作挑戰。提出注意力機制、市場狀態條件輸入、排名損失等延伸方向，強調深度學習應作為非線性殘差修正器的務實定
遺傳演算法：比網格搜索更高效的參數優化方法
本文介紹遺傳演算法的核心概念、與網格搜索及隨機搜索的比較、遺傳規劃的區別，並說明其在量化交易中策略參數優化、因子權重優化、投資組合優化的實戰應用，最後提醒過度擬合等注意事項。
量化回測陷阱：用收盤價成交的未來函數風險
量化策略回測中最常見的陷阱是使用收盤價成交，這實際上帶有未來函數。本文解釋為何收盤價成交不現實，並建議改用下一根開盤價回測，以獲得真實績效。同時探討滑價非線性、逆向選擇成本及實盤執行優化方向。
6月熊市復盤：流動性枯竭與CTA策略的相對優勢
6月市場持續流動性差的熊市，交易所上線TradFi合約吸取流動性，原生幣圈代幣表現悲哀。截面波動率下降，大幣趨勢流暢，CTA策略相對優於截面策略。
