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。
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。
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。核心数据:夏普比率从0.51提升至0.69;年化收益最高9.4%;凝聚聚类夏普0.69。
本报告由J.P.摩根发布,发布于 2017 年。
覆盖 2017 年,全文约 52。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、投资经理、金融科技从业者、机器学习爱好者等读者参考。
重点分析了金融投资、动态集群中、摩根、股票等议题。