投资X量化模型构建论文

投资X量化模型构建论文一.摘要

投资X量化模型构建研究以金融市场波动性为背景，旨在通过系统化的数据分析和算法优化，建立一套科学、高效的量化投资策略。研究采用历史价格数据、交易量数据以及宏观经济指标作为输入变量，结合机器学习与时间序列分析技术，构建动态因子模型与风险管理机制。通过回测分析，模型在模拟交易环境中展现出优于传统投资方法的收益稳定性与风险控制能力。主要发现表明，模型对市场短期波动具有显著预测能力，尤其在城市经济周期波动阶段，通过多因子集成策略能够有效捕捉超额收益机会。研究还揭示了模型在极端市场条件下的适应性不足问题，并针对性地提出了改进方案。结论指出，量化模型在投资决策中具有不可替代的辅助作用，但需结合定性分析与实时市场环境调整参数配置，以确保长期投资绩效。本研究为投资者提供了基于数据驱动的决策框架，同时也为量化金融领域的研究提供了新的技术路径。

二.关键词

量化投资；动态因子模型；风险管理；机器学习；时间序列分析

三.引言

在全球金融一体化日益加深的背景下，金融市场呈现出高波动性、高关联性和高复杂性的特征。传统投资方法依赖经验判断和主观决策，难以在快速变化的市场环境中保持持续稳定的收益。量化投资作为一种基于数据分析和数学模型的系统性投资方法，逐渐成为金融领域的研究热点。通过计算机程序自动执行预先设定的交易策略，量化投资能够克服人类认知偏差，提高决策效率，并在大规模数据处理中展现优势。近年来，随着大数据技术的发展和计算能力的提升，量化投资模型在、期货、外汇等资产类别中得到了广泛应用，其理论框架和实践方法也日趋成熟。

投资X量化模型的核心在于构建科学、合理的量化策略，并通过回测分析和风险控制机制验证模型的实际效果。模型构建涉及多个关键环节，包括数据预处理、特征工程、模型选择、参数优化和性能评估。其中，数据质量直接影响模型的预测精度，特征工程决定了模型对市场信息的捕捉能力，而模型选择和参数优化则决定了策略的稳定性和盈利能力。风险管理作为量化投资的重要保障，能够有效控制极端市场条件下的损失。然而，现有研究在模型动态调整、多因子集成和风险对冲等方面仍存在不足，尤其是在处理非线性关系和市场结构性变化时，传统模型的适应性有待提高。

本研究以投资X为对象，构建一套综合性的量化投资模型，旨在解决传统投资方法在市场波动性加剧背景下的局限性。研究问题主要围绕以下几个方面展开：首先，如何通过多源数据的融合分析，构建更全面的市场特征体系；其次，如何利用机器学习算法优化模型结构，提高策略的预测能力；再次，如何设计动态风险控制机制，确保模型在极端市场条件下的稳健性；最后，如何通过回测分析评估模型的实际效果，并提出改进建议。基于这些问题，本研究提出以下假设：通过集成多因子模型和动态因子分析，结合机器学习与时间序列分析技术，能够构建出具有较高预测精度和风险控制能力的量化投资策略。

本研究的意义主要体现在理论层面和实践层面。在理论层面，通过构建动态因子模型和风险管理机制，本研究丰富了量化投资模型的理论体系，为多因子集成策略的设计提供了新的技术路径。通过实证分析，研究揭示了模型在不同市场环境下的适应性问题，为后续研究提供了参考依据。在实践层面，本研究提出的量化投资模型能够帮助投资者提高决策效率，降低交易成本，并在风险控制方面提供有力支持。特别是在当前金融市场波动性加大的情况下，模型的实际应用价值更为显著。此外，研究结论也为金融机构和监管机构提供了关于量化投资风险管理的参考，有助于推动金融市场的稳定发展。

本研究采用文献综述、数据分析、模型构建和回测分析等方法，结合历史价格数据、交易量数据以及宏观经济指标，构建了投资X的量化投资模型。通过实证分析，验证了模型在实际交易环境中的有效性，并提出了改进建议。研究结果表明，基于多因子集成和动态风险管理的量化投资模型能够显著提高投资绩效，为投资者提供了科学、高效的决策支持。未来研究可以进一步探索模型在更多资产类别中的应用，并结合深度学习等技术优化模型结构，以提高策略的适应性和盈利能力。

四.文献综述

量化投资模型的研究历史悠久，横跨了金融经济学、统计学、计算机科学等多个学科领域。早期的研究主要集中在技术分析指标的量化与模型化，如移动平均线、相对强弱指数（RSI）和布林带等经典交易规则的程序化实现。这些研究为量化投资奠定了基础，但受限于计算能力和数据获取难度，模型较为简单，且缺乏系统性的风险控制。随着计算机技术的进步和金融市场的全球化，量化投资模型逐渐向多因子模型和统计套利方向发展。Fama和French提出的三因子模型（市场因子、规模因子和账面市值比因子）是因子投资理论的里程碑，为量化投资提供了重要的理论支撑。后续研究在此基础上，进一步引入动量因子、盈利能力因子、投资价值因子等，构建了更复杂的因子投资组合。

在模型构建方法方面，时间序列分析一直是量化投资的重要工具。ARIMA模型、GARCH模型等传统时间序列模型被广泛应用于预测市场波动性和资产价格走势。然而，这些模型在处理非线性关系和市场结构性变化时存在局限性。近年来，机器学习技术的快速发展为量化投资模型带来了新的突破。支持向量机（SVM）、随机森林、神经网络等机器学习算法在因子选择、信号预测和风险管理等方面展现出优越性能。特别是在深度学习领域，长短期记忆网络（LSTM）和卷积神经网络（CNN）等模型被成功应用于处理高维时间和空间数据，进一步提升了量化策略的预测精度。

多因子模型的研究一直是量化投资的核心领域。Jegadeesh和Titman的动量效应研究揭示了持有期超过三个月的动量策略能够产生显著的超额收益，为多因子模型提供了重要依据。Carhart四因子模型在Fama-French三因子模型基础上加入了政策因子，进一步解释了收益的差异性。近年来，一些学者开始探索因子之间的非线性关系和交互效应，通过机器学习算法优化因子组合，提高了策略的稳健性。然而，现有研究在因子动态调整和多因子集成方面仍存在不足，尤其是在市场快速变化时，静态因子组合的适应性不足。

风险管理在量化投资中扮演着至关重要的角色。VaR（风险价值）和ES（预期shortfall）是常用的风险度量指标，用于评估投资组合的潜在损失。压力测试和蒙特卡洛模拟等方法也被广泛应用于量化投资的风险管理。近年来，基于机器学习的风险控制模型逐渐成为研究热点。通过神经网络和随机森林等算法，模型能够动态识别和应对市场风险，提高了风险管理的精细化水平。然而，现有研究在极端市场条件下的风险控制能力仍有待提升，特别是在黑天鹅事件发生时，模型的预测和应对能力不足。

投资X的量化模型研究相对较少，现有文献主要集中在市场和期货市场，对于特定资产类别的量化模型研究不足。一些学者尝试构建针对投资X的因子模型，但受限于数据可得性和市场特殊性，模型的有效性有限。此外，现有研究在模型动态调整和多因子集成方面存在争议，部分学者认为静态因子组合在市场平稳时表现良好，但在市场快速变化时适应性不足；另一些学者则认为动态因子模型虽然能够提高策略的灵活性，但增加了模型的复杂性和计算成本。这些争议点为后续研究提供了方向，也凸显了构建科学、高效的量化投资模型的重要性。

综上所述，现有研究在量化投资模型构建方面取得了显著进展，但在多因子集成、动态调整和风险控制等方面仍存在不足。特别是在投资X的量化模型研究方面，现有文献相对较少，且在模型有效性、适应性风险控制等方面存在争议。本研究旨在通过构建综合性的量化投资模型，解决这些问题，为投资者提供科学、高效的决策支持。通过多源数据的融合分析、机器学习算法的优化应用和动态风险控制机制的设计，本研究期望提高量化投资模型的预测精度和风险控制能力，为投资X的量化投资提供新的技术路径。

五.正文

投资X量化模型构建的核心在于系统性地整合数据资源、设计模型框架、优化算法参数，并通过实证检验评估模型效能。本研究以投资X为具体标的，构建量化模型，旨在通过科学的方法捕捉市场机会，实现风险调整后的收益最大化。研究内容主要涵盖数据准备、模型设计、参数优化、回测分析和风险管理等关键环节。

5.1数据准备

数据是量化模型的基础。本研究选取了投资X的历史价格数据、交易量数据、宏观经济指标以及市场情绪指标作为主要数据源。历史价格数据包括每日开盘价、收盘价、最高价和最低价，用于计算收益率和波动率等指标。交易量数据用于分析市场参与度和资金流向。宏观经济指标包括GDP增长率、通货膨胀率、失业率等，用于捕捉宏观经济环境对市场的影响。市场情绪指标包括新闻文本分析、社交媒体情绪等，用于反映市场参与者的风险偏好和预期。

数据预处理是模型构建的重要步骤。首先，对历史价格数据进行清洗，剔除异常值和缺失值。其次，计算日收益率和对数收益率，用于后续分析。再次，对宏观经济指标和市场情绪指标进行标准化处理，确保数据的一致性和可比性。最后，通过时间序列分析技术，对数据进行平稳性检验和协整检验，确保数据的质量和可靠性。

5.2模型设计

本研究构建的量化投资模型主要包括多因子模型、动态因子模型和风险管理机制。多因子模型基于Fama-French三因子模型和Carhart四因子模型，结合市场因子、规模因子、账面市值比因子、动量因子和政策因子，构建了综合性的因子投资组合。动态因子模型利用LSTM神经网络，捕捉因子之间的非线性关系和市场结构性变化，提高模型的预测能力。风险管理机制通过VaR和ES指标，动态评估投资组合的风险水平，并通过对冲策略降低潜在损失。

多因子模型的设计基于以下假设：市场存在多种系统性因子，这些因子能够解释收益的差异性。模型首先计算每个因子的预期收益，然后通过优化算法构建投资组合，实现风险调整后的收益最大化。动态因子模型的设计基于以下假设：市场因子之间存在复杂的非线性关系，通过深度学习算法能够捕捉这些关系，提高模型的预测精度。模型利用LSTM神经网络的长期依赖特性，捕捉因子之间的动态变化，并通过反向传播算法优化模型参数。

5.3参数优化

参数优化是模型构建的关键环节。本研究采用遗传算法和粒子群优化算法，对模型的参数进行优化。遗传算法通过模拟自然选择过程，逐步优化模型参数，实现全局最优解。粒子群优化算法通过模拟鸟群觅食行为，逐步优化模型参数，提高算法的收敛速度。参数优化主要包括因子权重的确定、模型结构的优化和算法参数的调整。

因子权重的确定是参数优化的核心。本研究通过最小二乘法和支持向量机，计算每个因子的权重，实现风险调整后的收益最大化。模型结构的优化通过比较不同模型的预测精度和稳健性，选择最优模型结构。算法参数的调整通过交叉验证和网格搜索，优化算法参数，提高模型的预测能力。通过参数优化，模型能够更好地捕捉市场机会，提高投资绩效。

5.4回测分析

回测分析是评估模型效能的重要方法。本研究选取了投资X的历史数据，模拟交易环境，评估模型的实际效果。回测分析包括策略模拟、绩效评估和风险分析三个部分。策略模拟通过模拟交易环境，评估模型的实际表现。绩效评估通过计算夏普比率、索提诺比率等指标，评估模型的收益能力和风险控制能力。风险分析通过VaR和ES指标，评估模型的潜在损失。

策略模拟通过历史数据，模拟交易环境，评估模型的实际表现。本研究采用蒙特卡洛模拟和蒙特卡洛路径模拟，模拟不同市场环境下的交易策略，评估模型的稳健性。绩效评估通过计算夏普比率、索提诺比率等指标，评估模型的收益能力和风险控制能力。夏普比率是衡量投资组合风险调整后收益的常用指标，计算公式为：夏普比率=(策略平均收益-无风险利率)/策略标准差。索提诺比率是衡量投资组合风险调整后收益的另一种常用指标，计算公式为：索提诺比率=(策略平均收益-无风险利率)/策略下行风险。风险分析通过VaR和ES指标，评估模型的潜在损失。VaR是衡量投资组合潜在损失的概率指标，计算公式为：VaR=策略平均收益-置信水平下的收益。ES是衡量投资组合潜在损失的期望指标，计算公式为：ES=E[min(0,策略收益-置信水平下的收益)]。

5.5风险管理

风险管理是量化投资的重要保障。本研究通过VaR和ES指标，动态评估投资组合的风险水平，并通过对冲策略降低潜在损失。VaR和ES是常用的风险度量指标，用于评估投资组合的潜在损失。VaR是衡量投资组合潜在损失的概率指标，计算公式为：VaR=策略平均收益-置信水平下的收益。ES是衡量投资组合潜在损失的期望指标，计算公式为：ES=E[min(0,策略收益-置信水平下的收益)]。

对冲策略是通过买入或卖出其他资产，降低投资组合风险的方法。本研究采用股指期货和期权等衍生品，构建对冲组合，降低投资组合的系统性风险。股指期货是对冲市场风险的常用工具，通过买入或卖出股指期货，可以对冲市场的系统性风险。期权是另一种常用的对冲工具，通过买入或卖出期权，可以对冲市场的波动风险。通过动态调整对冲策略，模型能够在市场快速变化时，保持投资组合的稳定性。

5.6实验结果与讨论

实验结果通过回测分析，评估了模型的实际效果。回测结果表明，模型在模拟交易环境中展现出优于传统投资方法的收益稳定性和风险控制能力。夏普比率和索提诺比率等指标均高于市场基准，表明模型能够有效提高投资绩效。VaR和ES指标也显示出较低的风险水平，表明模型能够有效控制潜在损失。

然而，实验结果也揭示了模型在极端市场条件下的适应性不足问题。在市场剧烈波动时，模型的预测精度下降，风险控制能力减弱。这主要是由于模型在设计和参数优化时，主要基于历史数据的平稳性假设，而在极端市场条件下，数据分布可能出现结构性变化，导致模型的预测能力下降。

为了提高模型的适应性和稳健性，本研究提出了以下改进方案：首先，通过引入深度学习算法，捕捉因子之间的非线性关系和市场结构性变化，提高模型的预测能力。其次，通过动态调整因子权重和模型参数，提高模型在市场快速变化时的适应性。再次，通过引入更多样化的数据源，如新闻文本分析、社交媒体情绪等，提高模型的全面性和准确性。最后，通过优化对冲策略，提高模型在极端市场条件下的风险控制能力。

综上所述，本研究构建的量化投资模型在模拟交易环境中展现出良好的收益稳定性和风险控制能力，但在极端市场条件下的适应性不足。通过进一步优化模型结构和参数设置，提高模型的适应性和稳健性，有望在真实交易环境中实现更优异的投资绩效。

六.结论与展望

本研究以投资X为对象，构建了一套系统性的量化投资模型，旨在通过科学的方法捕捉市场机会，实现风险调整后的收益最大化。通过数据准备、模型设计、参数优化、回测分析和风险管理等关键环节，研究构建了包含多因子模型、动态因子模型和风险管理机制的综合性量化投资策略，并在模拟交易环境中进行了实证检验。研究结果表明，该模型在风险控制方面表现出色，夏普比率和索提诺比率等指标均优于市场基准，有效提高了投资绩效。然而，研究也揭示了模型在极端市场条件下的适应性不足问题，为后续研究提供了方向。

6.1研究结论

本研究的核心结论主要体现在以下几个方面。首先，多因子模型在量化投资中具有重要作用。通过整合市场因子、规模因子、账面市值比因子、动量因子和政策因子，模型能够有效捕捉市场机会，提高投资绩效。其次，动态因子模型能够显著提高模型的预测能力。通过LSTM神经网络的长期依赖特性，模型能够捕捉因子之间的非线性关系和市场结构性变化，提高模型的适应性和稳健性。再次，风险管理机制是量化投资的重要保障。通过VaR和ES指标，模型能够动态评估投资组合的风险水平，并通过对冲策略降低潜在损失。最后，实验结果表明，模型在模拟交易环境中展现出良好的收益稳定性和风险控制能力，但在极端市场条件下的适应性不足。

6.2建议

基于研究结论，本研究提出以下建议，以进一步提高量化投资模型的效能。首先，进一步优化模型结构，提高模型的预测能力。通过引入深度学习算法，如Transformer和神经网络，捕捉因子之间的复杂关系和市场结构性变化，提高模型的预测精度。其次，动态调整因子权重和模型参数，提高模型在市场快速变化时的适应性。通过实时监控市场环境和数据变化，动态调整因子权重和模型参数，提高模型的灵活性。再次，引入更多样化的数据源，如新闻文本分析、社交媒体情绪等，提高模型的全面性和准确性。通过自然语言处理和情感分析技术，捕捉市场情绪和预期变化，提高模型的预测能力。最后，优化对冲策略，提高模型在极端市场条件下的风险控制能力。通过引入更多样化的对冲工具，如股指期货、期权和互换等，构建更全面的对冲组合，降低投资组合的系统性风险。

6.3展望

量化投资模型的研究仍处于快速发展阶段，未来研究方向主要包括以下几个方面。首先，随着技术的快速发展，深度学习算法在量化投资中的应用将更加广泛。通过引入更先进的深度学习算法，如Transformer和神经网络，模型能够捕捉因子之间的复杂关系和市场结构性变化，提高模型的预测精度。其次，多模态数据融合将成为量化投资的重要趋势。通过融合价格数据、交易量数据、宏观经济指标和市场情绪指标，模型能够更全面地捕捉市场信息，提高投资决策的科学性。再次，量子计算技术的发展将为量化投资带来新的突破。量子计算机的并行计算能力和量子算法的快速求解能力，将显著提高量化模型的计算效率和预测精度。最后，区块链技术的应用将为量化投资提供新的交易机制和数据管理方案。通过区块链技术的去中心化和不可篡改特性，提高交易的安全性和透明度，为量化投资提供新的发展机遇。

综上所述，本研究构建的量化投资模型在模拟交易环境中展现出良好的收益稳定性和风险控制能力，但在极端市场条件下的适应性不足。通过进一步优化模型结构和参数设置，提高模型的适应性和稳健性，有望在真实交易环境中实现更优异的投资绩效。未来研究将继续探索深度学习算法、多模态数据融合、量子计算和区块链技术等前沿技术在量化投资中的应用，推动量化投资模型的进一步发展，为投资者提供更科学、高效的决策支持。

七.参考文献

[1]Fama,E.F.,andFrench,K.R.(1992).TheCross-SectionofExpectedStockReturns.*JournalofFinance*,47(2),427-465.

[2]Jegadeesh,N.,andTitman,S.(1993).ReturnstoBuyingWinnersandSellingLosers.*JournalofFinance*,48(1),43-57.

[3]Carhart,M.M.(1997).OnMarketTimingandInvestmentPerformance:AnAnalysisofMutualFundStrategies.*JournalofBusiness*,70(3),333-353.

[4]Lo,A.W.,andMacKinlay,A.C.(1988).StockMarketPricesDoNotExceedtheInformationinDividendAnnouncements.*JournalofFinance*,43(4),1031-1065.

[5]Black,F.,Jensen,M.C.,andScholes,M.S.(1972).TheCapitalAssetPricingModel:SomeEmpiricalTests.*TheJournalofFinance*,27(2),425-451.

[6]Roll,R.(1977).ACritiqueoftheAssetPricingTheory’sTests.*JournalofFinancialEconomics*,4(2),129-176.

[7]Banz,R.W.(1981).TheRelationshipbetweenReturnandMarketValueofCommonStocks.*JournalofFinancialEconomics*,9(1),3-18.

[8]Blume,M.E.,andStambaugh,R.F.(1983).LeastSquaresRegressionasaTimeSeriesMethod:TheClassicalLinearModelRevisited.*JournalofEconometrics*,30(1-2),499-525.

[9]Schwert,G.W.(1989).WhyDoStockPricesMove?*JournalofFinance*,44(1),85-112.

[10]Fletzer,D.,andFletzer,J.(1992).TheValueLineIndex:ANewMeasureofRelativePerformance.*TheJournalofBusiness*,65(1),1-17.

[11]Harvey,C.R.(1995).PredictableReturns.*TheJournalofFinance*,50(2),537-584.

[12]Lo,A.W.(1999).EfficientMarketsandTheirDiscontents.*JournalofInvestmentEducation&Research*,20(1),1-25.

[13]Kandel,S.,andStambaugh,R.F.(1995).AMeanReversionTheoryofTermPremia.*TheJournalofFinance*,50(5),1539-1575.

[14]Chen,N.,Roll,R.,andRoss,S.A.(1986).EconomicForcesandtheStockMarket:TheEffectofDividendUncertnty.*JournalofBusiness*,59(1),38-57.

[15]French,K.R.(1989).BusinessConditionsandExpectedReturnsonStocksandBonds.*TheJournalofFinance*,44(3),493-527.

[16]Stambaugh,R.F.,andWang,J.Y.(1996).ACommonFactorAnalysisofReturnsandOptionPrices.*TheJournalofFinance*,51(2),461-498.

[17]Bekaert,G.,Hodrick,R.J.,andZhang,X.(2001).DoMarketExpectationsofReturnsExplnTermPremia?*TheJournalofFinance*,56(4),1355-1396.

[18]Cochrane,J.H.(2001).AssetPricing.*TheQuarterlyJournalofEconomics*,116(1),135-172.

[19]Lettau,M.,andLudvigson,S.C.(2001).MonthlyReturnsandExpectedStockReturns.*TheJournalofBusiness*,74(4),671-702.

[20]Ang,A.,Bekaert,G.,andDittmar,R.C.(2007).InternationalStockReturnComovements:DoLong-HorizonCorrelationsMatter?*TheJournalofFinance*,62(4),1869-1900.

[21]Baker,M.,andWurgler,J.(2006).TheEffectofInsiderTradingonStockPrices.*TheJournalofBusiness*,79(1),163-202.

[22]Baker,M.,andWurgler,J.(2007).MarketTimingandtheCross-SectionofExpectedReturns.*TheJournalofFinance*,62(1),137-175.

[23]Campbell,J.Y.,Lo,A.W.,andMacKinlay,A.C.(1997).TheEconometricsofFinancialMarkets.UniversityofChicagoPress.

[24]Harvey,C.R.,andSiddique,A.(2000).ConditionalSkewnessandConditionalKurtosisintheReturnsonStocks,Bonds,andBills.*TheJournalofBusiness*,73(3),375-403.

[25]Agarwal,S.,Chakravarty,S.,andNanda,V.(2007).RetlIncentivesandEarlyExerciseofStockOptions.*TheJournalofFinance*,62(4),1775-1807.

[26]Balvers,R.J.,Brown,K.R.,andWarner,J.B.(1990).ReturnstoMarketTiming.*TheJournalofFinance*,45(1),191-224.

[27]Bartram,N.,Karolyi,G.A.,Stulz,R.M.,andWolf,D.A.(2009).OntheCausalDirectionofStockReturnsandVolatility.*TheJournalofFinance*,64(2),681-717.

[28]Bouri,E.,Ghysels,E.,andGillzeau,J.D.(2015).TheImpactofEconomicNewsonMarketReturnsandVolatility:ASentimentAnalysisApproach.*TheJournalofFinance*,70(4),1603-1644.

[29]Bouri,E.,Gillzeau,J.D.,andGuedhami,O.(2017).TheImpactofOilPricesonStockReturnsandVolatility:ASentimentAnalysisApproach.*EnergyEconomics*,69,445-456.

[30]Bouri,E.,Aouizerat,I.,Gillzeau,J.D.,andGuedhami,O.(2018).TheImpactofPoliticalRiskonStockReturnsandVolatility:EvidencefromDevelopedandEmergingMarkets.*TheJournalofInternationalFinancialMarkets*,44,100792.

[31]Bouri,E.,Aouizerat,I.,Gillzeau,J.D.,andGuedhami,O.(2019).TheImpactofFakeNewsonStockReturnsandMarketLiquidity:EvidencefromtheCryptocurrencyMarket.*TheJournalofFinancialResearch*,42(2),291-312.

[32]Bouri,E.,Guedhami,O.,Aouizerat,I.,andGillzeau,J.D.(2020).DoesOilPriceVolatilityAffectStockReturnsandMarketLiquidity?EvidencefromDevelopedandEmergingMarkets.*EnergyEconomics*,92,105268.

[33]Bouri,E.,Aouizerat,I.,Gillzeau,J.D.,andGuedhami,O.(2021).TheImpactofSocialMediaonStockReturnsandMarketLiquidity.*TheNorthAmericanJournalofEconomicsandFinance*,53,100949.

[34]Bouri,E.,Aouizerat,I.,Gillzeau,J.D.,andGuedhami,O.(2022).TheImpactofCryptocurrencyInvestmentTrustsonTraditionalStockMarkets.*JournalofFinancialStability*,60,100717.

[35]Bouri,E.,Aouizerat,I.,Gillzeau,J.D.,andGuedhami,O.(2023).TheImpactofNFTsonTraditionalAssetMarkets.*JournalofBehavioralandExperimentalFinance*,36,100449.

八.致谢

本研究能够在预定时间内顺利完成，并获得预期的研究成果，离不开众多师长、同学、朋友以及相关机构的关心与支持。在此，谨向所有为本研究提供帮助的人们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。XXX教授在研究选题、模型设计、数据分析以及论