"量化金融研究：周期理论与机器学习资产收益预测" 量化金融研究中，周期理论和机器学习资产收益预测是两个重要的概念。本文将从周期理论和机器学习的角度，探讨资产收益预测的方法和应用。 周期理论是指根据经济周期状态对资产配置的原理。美林时钟模型是宏观择时模型的代表，根据经济周期状态进行资产配置。但美林投资时钟模型并不是一个实时、定量的交易策略，其有效与否的关键在于对经济周期状态的判断是否正确。 华泰金工周期系列研究通过傅里叶变换、联合谱估计等信号处理方法，发现并证实了市场中广泛存在 42 个月、100 个月和 200 个月左右的共同周期。以此为基础，提出了华泰量化投资时钟“周期三因子定价与资产配置模型”。通过计算金融资产同比序列与其周期三因子的回归拟合值、拟合值的增加值等，实现对资产周期状态比较精确且全面的测度。 机器学习是指使用机器学习算法来挖掘资产周期状态与未来市场表现的内在逻辑。机器学习模型能以概率方法建立起资产同比周期状态与未来表现间的非线性联系，并给出收益排序的概率预测。仿真测试证明本文机器学习模型对挖掘上述联系的有效性。 机器学习的基本原理是以二元分类的逻辑回归为例。机器学习模型能够挖掘资产周期状态与未来市场表现的内在逻辑，实现对收益排序的概率预测。 在实证研究中，本文采用集成学习法，计算多种可行参数组合的预测结果，采用“少数服从多数”的原则，平均后确定最终结果，降低模型对参数依赖，更全面有效的利用历史规律。 实证结果证明周期理论与机器学习的研究方法具有不同市场的普适性基于周期理论和机器学习方法预测结果的资产配置实证显示，策略应用于全球和中国市场均有较好表现。与基准的等权配置模型相比，基于周期理论和机器学习方法的策略在年化收益、最大回撤等风险收益指标均有明显提升，充分证明了机器学习能够挖掘市场周期规律并实现更加有效的预测。 周期理论和机器学习方法可以相互结合，挖掘市场周期规律，并实现更加有效的资产收益预测。该方法可以应用于全球股债资产配置，取得良好的投资回报。 风险提示：本文基于华泰金工周期系列研究对全球各类经济金融指标长达近百年样本的实证检验结果，确定周期长度。然而市场存在短期波动与政策冲击，就每轮周期而言，暂无法判断具体长度。周期长度只是估计值，可能存在偏差；历史规律存在失效风险。

20220506-华泰证券-金工： 信贷_库存轮盘与资产配置

银行业零售生态系列（二）：汽车金融深度研究，抢滩汽车金融，掘金万亿市场-20210105-华泰证券-39页.pdf

华泰证券人工智能系列1-41.rar

2020年发布204页报告，包含产业概况 / 发展背景、推进节奏、疫情影响，产业全景图/ 终端、云计算全栈架构图，产业链全景图，核心环节/ CPU、OS、数据库、中间件、办公套件、安全保密，建议关注标的

在机器学习中，遗传规划是一个优秀的特征生成工具，本文介绍了遗传规 划在 CTA 信号挖掘中的应用。遗传规划的优势在于能在现有的数据和运算 符中进行大规模启发式搜索，同时突破人类的思维局限，挖掘出特异的、 能对现有CTA策略做出有益补充的信号。本文基于遗传规划程序包gplearn 进行改进，并在多个商品期货品种上测试，挖掘出了一些回测效果较好且 意义明确的 CTA 信号。

华泰证券内部关于人工智能选股的系列文档，包括各种模型的介绍和python实现。另有华泰证券关于人工智能与量化交易的ppt一份。

华泰证券人工智能选股系列研报，从2017年6月一直到2019年6月，合计22篇。 1人工智能选股框架及经典算法简介，2人工智能选股之广义线性模型，3人工智能选股之支持向量机模型，4人工智能选股之朴素贝叶斯模型，5人工智能选股之随机森林模型，6人工智能选股之Boosting模型，7人工智能选股之Python实战，8人工智能选股之全连接神经网络，9人工智能选股之循环神经网络模型，10宏观周期指标应用于随机森林选股，11人工智能选股之stacking集成学习，12人工智能选股之特征选择，13人工智能选股之损失函数的改进，14对抗过拟合：从时序交叉验证谈起，15人工智能选股之卷积神经网络，16再论时序交叉验证对抗过拟合，17人工智能选股之数据标注方法实证，18机器学习选股模型的调仓频率实证，19偶然中的必然：重采样技术检验过拟合，20必然中的偶然：机器学习中的随机数，21基于遗传规划的选股因子挖掘，22基于CSCV框架的回测过拟合概率。

20161031-华泰证券-华泰多因子系列之三：华泰单因子测试之成长类因子.pdf

「DDoS」华泰证券混合云服务体系研究与实践 - 安全测试 风险评估 安全测试 安全建设 Linux 业务风控