J.P.摩根全球股票市场动态集群中和：利用无监督机器学习提升收益降低风险

报告摘要

本报告由J.P.摩根全球量化与衍生品策略团队发布，深入探讨如何利用无监督机器学习技术（如K-Means和凝聚聚类）构建动态集群中性化策略，以提升全球股票市场的收益并降低风险。报告显示，在MSCI全球发达市场（GDM）中，动态集群中性化相比传统国家或行业中性化，夏普比率从0.51提升至0.69，年化收益最高达9.4%。内容涵盖聚类分析理论、网络图应用及实战代码示例，适合量化研究员、投资经理、金融科技从业者及机器学习爱好者阅读。

📋 核心要点(部分)

1. 摘要与核心结论
2. 聚类分析理论基础
3. 动态集群中性化方法
4. 实证结果对比（GDM vs GEM）
5. 源代码示例