量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。

牛津大学英仕曼量化化金融研究所（OMI）是世界领先的金融市场跨学科研究中心。OMI主要研究量化金融的基本问题，重点关注机器学习和数据驱动的模型。OMI研究汇总是一份精心策划的月度摘要，涵盖了量化相关领域的最新研究、见解和工具。

本月的论文分享中，有两篇来自OMI的最新论文。第一篇是基于订单账面不平衡的度量对交易流进行分类，并研究分解后的交易流对价格的影响，以设计有利的交易策略。第二篇介绍了使用动量策略应用于加密货币的转移排序模型。

我们着重介绍以下与金融和机器学习相关的论文：

Trade Co-occurrence, Trade Flow Decomposition, and Conditional Order Imbalance in Equity Markets

Y. LU, G. REINERT, AND M. CUCURINGU

UNIVERSITY OF OXFORD

高频交易的时间接近性可以包含一个显著的信号。在本文中，我们提出了一种方法，以每一种交易在短时间内与市场上其他交易的接近程度为基础，将每种交易分类为五种类型。通过标准化每种交易相关的订单不平衡的程度，我们将其称为条件订单不平衡（COI），我们研究了不同订单对价格的影响。我们的实证研究结果表明，同期收益与COIs之间存在很强的正相关关系。在预测方面，我们证实了COIs与未来收益的正相关。此外，我们利用COIs开发的交易策略在实现了显著的回报和夏普比率，该实验使用了3年期间的每日数据，涉及457只股票。

---

SEC Form 13F-HR: Statistical investigation of trading imbalances and profitability analysis

D. MIORI AND M. CUCURINGU

UNIVERSITY OF OXFORD

管理资产超过1亿美元的美国机构必须按季度向SEC表格13F-HR披露部分多头头寸。我们考虑了连续报告期内持有资产的变化数量，并计算了相关资产买卖行为的不平衡。如果外部投资者愿意反向交易13F申报的不平衡，就会出现重大的获利机会。事实上，不平衡捕获了市场中已经消耗的信息量，相关交易往往因拥挤和羊群效应而膨胀。押注相对短期的价格波动，以对抗失衡迹象，是一种有利可图的策略，特别是当使用每个财务季度结束后21至42个交易日(相当于1-2个日历月)之间的时间跨度时。

---

Transfer Ranking in Finance - Applications to Cross-Sectional Momentum with Data Scarcity

D. POH, S. ROBERTS, AND S. ZOHREN

UNIVERSITY OF OXFORD – OXFORD-MAN INSTITUTE

横截面策略是一种经典和流行的交易风格，最近的研究在此传统策略的基础上结合了复杂的神经网络结构。虽然这些策略已成功应用于涉及成熟资产和具有长期历史数据的标的，但将它们部署在样本有限的标的上通常会产生性能下降的过度拟合模型。本文介绍了一种新的混合参数共享传输排序模型——融合编码器网络。该模型将使用操作于源数据集的编码器关注模块提取的信息与专注于更小目标数据集的类似但独立的模块融合在一起。这缓解了模型的可泛化性差的问题，这是在稀缺的目标数据上进行训练的结果。此外，自我注意机制使工具之间的相互作用能够被考虑在内，不仅在模型训练期间的损失水平上，而且在推理时也是如此。聚焦于应用于市值最高的十大加密货币的动量作为示范策略，融合编码器网络在大多数性能度量上优于参考基准，比经典动量提供了3倍的夏普比率提高，与没有交易成本的最佳基准模型相比提高了约50%。即使考虑到与交易加密货币相关的高交易成本，比特币的表现仍然优于基准。

---

Time-Series Forecasting using Dynamic Graphs: Case Studies with Dyn-STGCN and Dyn-GWN on Finance and Traffic Datasets

S. IBRAHIM, M. R. TELL, AND R. MAZUMDER

MASSACHUSETTS INSTITUTE OF TECHNOLOGY

时空建模是理解从交通到流行病学等许多现实现象的必要手段。尽管预测时间序列是一个研究非常深入的问题，但近年来，作为空间学习问题的范式，图学习的性能取得了令人印象深刻的进展。最近的一些工作探索了这两个领域的交集，但通常假设空间结构是静态的。我们提出了一个从动态图中进行时空学习的新框架。我们的模型的两个主要组成部分是:(i)时变邻接空间上的时间卷积，(ii)张量图卷积层（TGCL），它聚集时变节点特征和时变图的潜在时间表示。我们推广了以前的模型，利用动态和静态图形，同时在计算效率方面具有吸引力。我们用两种新的基于时变图的时间序列预测方法Dyn STGCN和Dyn-gwn来证明我们的改进。实验证明了该模型在不同领域数据集上的有效性。有趣的是，在提供高效训练和推理的同时，我们的Dyn-STGCN和Dyn-GWN模型在处理动态图方面比现有的最先进的基于时变图的方法（如EvolveGCN和TM-GCN）更出色。

---

Model-based gym environments for limit order book trading

J. JEROME, L. SÁNCHEZ-BETANCOURT, R. SAVANI,

AND M. HERDEGEN – UNIVERSITY OF LIVERPOOL, KING’S

COLLEGE LONDON, AND UNIVERSITY OF WARWICK

用于研究限价订单的算法交易问题（如做市和最优执行）的论文非常丰富。本文介绍mbt-gym，这是一个Python模块，它提供了一套gym环境，用于训练强化学习（RL），以解决此类基于模型的交易问题。该模块以可扩展的方式设置，以允许不同模型的不同方面进行组合。它支持向量化环境的高效实现，以更快地训练RL代理。在本文中，我们提出了在量化金融中使用RL来解决这种基于模型的限价单问题的挑战，我们解释了我们的gym环境的设计，然后从文献中演示了它在解决标准和非标准问题中的应用。最后，我们为我们的模块的进一步开发制定了路线图，我们在GitHub上提供了一个开源存储库，以便它可以作为基于模型的算法交易中的RL研究的焦点。

获取全部论文

后台回复：OMI202210