康 博航

基于循环神经网络的深度对冲策略优化, 采用数据驱动，模型无关的深度对冲 (Deep Hedging) 框架解决传统衍生品定价模型在无摩擦市场假设下的局限性, 基于 TensorFlow 搭建循环神经网络学习对模型，通过优化风险敞口 (CVA) 来最小化潜在损耗风险。成功分别对不同风险因素水平 (alpha) 下，均实现了 Heston 模型相关的理论对冲效率, 将研究扩展至包含例外交易的场景，解决了传统定价模型的多维非线性性由边界问题。验证了摩擦市场价格波动的差异性通过近邻法提高了对冲效率 (Asymptotic Convergence Rate)，确保了模型在摩擦市场交易场景下的有效性。

• 点击率回理工科30+高校团队获 2025 Q1 全球总冠军 在Q1样本外实盘模拟中实现 14.88% 收益率

以中证指数500，1000为目标基于机器学习的方向性预测研究, 从波动率面量化技术指标方向为微观动量中提取 Alpha 因子:结合 VIF 特征筛选剔除多重共线性特征与时序分叉交易验证。应用blending 模型 (XGBoost/LR/LGBM) 进行训练,对标交易实盘（IM股指期货）验证实现 55%的方向预测准确率结合2018-2025年回测结果达到 15.34% 的平均年化

基于 Python 搭建回测框架，覆盖中国期货市场 30+ 个主流品种(商品及股指)长达 15 年的历史数据。 在回测框架中纳入主力合约换月 (Rollover) 逻辑，并基于流动性分析构建动态滑点(Slippage) 与交易成本模型，最大限度还原真实交易约束。 采用夏普比率(Sharpe) 和最大回撤 (Max Drawdown) 进行多维度绩效评估。

-实证分析表明，趋势跟踪策略在高流动性股指期货 (IF/IC) 上的表现显著优于低流动性的农产品期货。