quantdock.com

When to Sell an Asset? - A Distribution Builder Approach?

何时卖出资产：分布构造器方法 Peter Carr；Stephan Sturm 发布 2026-08-19更新 2026-08-19 最优卖出停止时机目标分布q-fin.PRmath.PRq-fin.MF arXivPDF 摘要论文用分布构造器研究随机资产的最优卖出时间，不再预设效用函数或风险厌恶系数，而由投资者直接指定目标收益分布，并把问题联系到扩散过程中的 Skorokhod 嵌入。对几何布朗运动和特定目标分布族，方法能够呈现清晰的风险收益权衡。 策略可将目标分布转化为持仓退出规则，适用于趋势策略止盈、集中持仓减仓或期权覆盖决策，并允许风险委员会用可解释的收益分布表达偏好。 数据资产价格路径；波动率与漂移估计；入场价和持仓期限；目标收益分布；手续费、价差、冲击及流动性数据。 实现先在模拟扩散过程复现嵌入与停止边界，再用滚动参数做.

Buy the Rumor, Sell the News: When Is News Priced In?

买预期卖事实：新闻何时被价格吸收 Alireza Kargarzadeh；Nariman Khaledian；Navid Parvini；Sid Ghatak；Arman Khaledian 发布 2026-08-14更新 2026-08-14 新闻事件价格发现事件驱动cs.AIcs.LGq-fin.ST arXivPDF 摘要研究分析 2023—2026 年约 3,000 只美国股票的 457 万篇新闻，以模型标注 17 类事件并聚为故事。结果显示价格变动主要发生在发布前和当日；量化基本面新闻之后仍有漂移，软叙事新闻则更易反转，新闻公开后波动率通常回落。 策略可按事件类型构建差异化交易：盈利、股息、指引和分析师动作偏向延续，产品发布、宏观评论和管理层叙事偏向反转，同时把首次报道与跟进报道分开处理。 数据毫秒或分钟级新闻时间戳；故事聚类与事件标签；股票分钟和日频行情；市场因子；成交量、价差、借券及公司行动。.

How Might Fiscal Policy Respond to the Rise of Artificial Intelligence?

财政政策可能如何应对人工智能崛起 Karen E. Dynan；Douglas W. Elmendorf；Louise Sheiner 发布 未披露更新 2026-07-27 artificial intelligencefiscal scenariosproductivitycapital share SSRN 摘要页PDF 摘要论文构造生产率加速、收入不平等、就业替代和资本收入占比变化的长期组合情景，评估其对美国联邦债务及增长、再分配、失业支持和资本税制政策的影响。 原因可作为利率、行业利润率和长期资产配置的宏观情景库，但时间尺度较长、参数不确定性高，摘要未提供可直接形成短中期交易信号的实证检验。 1 arXiv 重点论文 收录 2026-08-01 7.8/10 ☆

Can Large Language Models Execute Parent Orders?

大语言模型能否执行母订单？ Zane Shen；Xinli Xu；Guangyi Zhang；Jialong Chen；Jinsong Zhou；Cong Chen；Guibao Shen；Dongyu Yan；Luozhou Wang；Zhen Yang 发布 2026-07-30更新 2026-07-30 母订单执行大语言模型交易成本cs.CEcs.CLq-fin.TR arXivPDF 摘要论文提出 PACE，将母订单执行拆成长周期规划和短周期执行，无需显式市场假设或专项训练。在深交所 Level-1 数据实验中，该方法超过 TWAP、Almgren–Chriss 与学习型基线，较最强基线改善 0.65 个基点，并呈现更早交易的行为特征。 策略可作为执行算法的上层调度器，根据剩余数量、时间、价差和市场状态动态分配切片，下层仍由受控限价/市价逻辑执行；更适合先做建议系统或影子交易，而非直接放开自主下单。.

How Much of a 10-K Matters? Aggregation-Dependent Value of Full-Text versus Risk-Factor Sentiment?

10-K 有多少信息价值？全文文本与风险因素情绪在不同聚合层级下的效果比较 Sanggyu Sean Choi 发布 2026-07-17更新 2026-07-17 10-K 文本因子情绪提取收益预测波动率预测q-fin.STq-fin.MFq-fin.CP arXivPDF 摘要论文研究 10-K 全文与 Item 1A 风险因素文本在不同聚合层级上的预测价值。作者针对 2006-2023 年 94 只 Nasdaq-100 科技股的 1,383 份 10-K，分别用收益率标签和波动率标签训练监督式词典情绪分数，并在行业、组合、个股三个层级比较分类准确率与和真实市场结果的相关性。结果显示，全篇文本在行业和组合层面优于只看风险因素段落，但在个股层面，Item 1A 的窄文本更有效；同时 Loughran-McDonald 词典基线在多个层级与价格显著负相关，说明针对监管披露文本做监督学习比通用词典更可靠。.