参考资料库 references

统一编号，正文用 [Rxx] 引用。状态：🟦 经典可信（凭知识可直接引用）｜✅ 已 WebSearch 核验｜⬜ 待核验（2023+ 前沿，落笔前必须核验名称/年份/机构/主张）。

引用不限论文：含书籍、框架文档、开源仓库、课程、权威博客。

A. 经典理论与因子（🟦 经典可信）

• [R01] 🟦 Markowitz, H. (1952). Portfolio Selection. Journal of Finance.
• [R02] 🟦 Sharpe, W. (1964). Capital Asset Prices (CAPM). Journal of Finance.
• [R03] 🟦 Ross, S. (1976). Arbitrage Pricing Theory (APT).
• [R04] 🟦 Fama, E. & French, K. (1993). Common risk factors in stock and bond returns (三因子).
• [R05] 🟦 Fama, E. & French, K. (2015). A five-factor asset pricing model.
• [R06] 🟦 Carhart, M. (1997). On Persistence in Mutual Fund Performance (四因子/动量).
• [R07] 🟦 Jegadeesh, N. & Titman, S. (1993). Returns to Buying Winners and Selling Losers (动量).
• [R08] 🟦 Black, F. & Litterman, R. (1992). Global Portfolio Optimization.
• [R09] 🟦 Ledoit, O. & Wolf, M. (2004). Honey, I Shrunk the Sample Covariance Matrix (协方差收缩).

B. 时间序列与波动率（🟦）

• [R10] 🟦 Engle, R. (1982). ARCH.
• [R11] 🟦 Bollerslev, T. (1986). GARCH.
• [R12] 🟦 Tsay, R. Analysis of Financial Time Series (教材).
• [R56] 🟦 Almgren, R. & Chriss, N. (2000). Optimal Execution of Portfolio Transactions（最优执行闭式解，配 11.1b/08.3）。

C. 机器学习/金融 ML（🟦/✅）

• [R13] 🟦 López de Prado, M. (2018). Advances in Financial Machine Learning (三重门/元标签/CPCV/PBO/DSR).
• [R14] 🟦 López de Prado, M. (2020). Machine Learning for Asset Managers.
• [R15] 🟦 Gu, S., Kelly, B. & Xiu, D. (2020). Empirical Asset Pricing via Machine Learning. RFS.
• [R16] 🟦 Grinold, R. & Kahn, R. Active Portfolio Management (IR/信息准则/Alpha).
• [R17] 🟦 Jansen, S. Machine Learning for Algorithmic Trading (2nd ed., 实战教材).
• [R18] 🟦 Chan, E. Quantitative Trading / Algorithmic Trading (实战).
• [R54] 🟦 Harvey, C., Liu, Y. & Zhu, H. (2016). …and the Cross-Section of Expected Returns. RFS（多重检验，因子"动物园"显著性通胀，配 04.2/11.3）。
• [R55] 🟦 Bailey, D. & López de Prado, M. (2014). The Deflated Sharpe Ratio；Bailey, Borwein, López de Prado & Zhu (2014/2017). The Probability of Backtest Overfitting (PBO)（11.3 过拟合治理原始来源）。

D. 公式化 Alpha 与因子库（🟦/✅）

• [R19] 🟦 Kakushadze, Z. (2016). 101 Formulaic Alphas (WorldQuant Alpha101).
• [R20] ⬜ 国泰君安 GTJA191 因子（来源/版本待核验）。
• [R57] ⬜ 石川等《因子投资：方法与实践》(2020) + 华泰/广发证券金工"多因子系列"研报（A股因子实证，落笔前核验具体篇目）。

E. 框架与开源仓库（✅ 以官方仓库为准）

• [R21] ✅ Microsoft Qlib — github.com/microsoft/qlib （AI 量化平台，Alpha158/360）。
• [R22] ✅ FinRL / AI4Finance — github.com/AI4Finance-Foundation/FinRL （金融强化学习）。
• [R23] ✅ alphalens(-reloaded) — 因子绩效分析。
• [R24] ✅ vectorbt / backtrader / zipline / Backtesting.py — 回测框架。
• [R25] ✅ akshare / tushare / baostock — A股数据接口。
• [R26] ✅ stable-baselines3 / Gymnasium — RL 库。

F. 深度学习时序（🟦/⬜）

• [R27] ⬜ Informer / Autoformer / PatchTST / iTransformer（长序列预测，逐篇核验年份作者）。
• [R28] ⬜ 金融图神经网络代表工作（如关系建模 RSR/HATS 等，待核验）。
• [R29] 🟦 TabNet（Arik & Pfister, 2019/2021，表格深度学习）。

G. 大模型 / 金融 LLM（⬜ 全部待核验：名称/年份/机构/主张）

• [R30] ⬜ BloombergGPT (2023, Bloomberg) — 金融领域 LLM。
• [R31] ⬜ FinGPT (AI4Finance) — 开源金融 LLM 框架。
• [R32] ⬜ PIXIU / FinMA — 金融 LLM 指令微调与基准。
• [R33] ⬜ FinBERT — 金融情绪预训练模型（核验版本/作者）。
• [R34] ⬜ 中文金融 LLM（如 XuanYuan 轩辕 等）— 待核验。

H. 时序基础模型（⬜ 待核验）

• [R35] ⬜ TimeGPT (Nixtla)。
• [R36] ⬜ Lag-Llama。
• [R37] ⬜ TimesFM (Google)。
• [R38] ⬜ Chronos (Amazon)。
• [R39] ⬜ Moirai (Salesforce)。

I. LLM Agent 量化（⬜ 待核验）

• [R40] ⬜ TradingAgents — 多 Agent 交易（辩论范式）。
• [R41] ⬜ FinMem — 带记忆的金融交易 Agent。
• [R42] ⬜ FinAgent — 多模态金融 Agent。
• [R43] ⬜ 自动化因子/策略挖掘 Agent（AlphaGPT 等）。
• [R44] ⬜ 编排框架：LangGraph / AutoGen / CrewAI（文档为准）。

K. Kaggle 竞赛与公开 notebook（✅ 竞赛已核验，notebook 逐条补链接）

一等代码/工程范式来源。改编入指南时注明来源并用 A股/通用数据重写（PLAN §2、§4.1）。 - [R45] ✅ Jane Street Market Prediction (2020–2021) — 高频/中频信号、特征匿名化、效用最大化目标、严格防泄漏 CV。kaggle.com/competitions/jane-street-market-prediction - [R46] ✅ Jane Street Real-Time Market Data Forecasting (2024) — 时序 responders 预测、在线评测。kaggle.com/competitions/jane-street-real-time-market-data-forecasting - [R47] ✅ Optiver Realized Volatility Prediction (2021) — 高频订单簿/成交特征、已实现波动率建模。kaggle.com/competitions/optiver-realized-volatility-prediction - [R48] ✅ Optiver - Trading at the Close (2023) — 收盘集合竞价预测、撮合与标签设计。kaggle.com/competitions/optiver-trading-at-the-close - [R49] ✅ Two Sigma: Using News to Predict Stock Movements (2018) — 新闻情绪 → 收益，另类数据范式。kaggle.com/competitions/two-sigma-financial-news - [R50] ✅ Two Sigma Financial Modeling Challenge (2016–2017) — 匿名因子截面建模。 - [R51] 🟦 G-Research Crypto Forecasting (2021–2022)、Ubiquant Market Prediction (2022)、JPX Tokyo Stock Exchange Prediction (2022) — 截面收益预测范式（落笔前可再核验细节）。

J. 网络资料 / 课程 / 社区（✅ 逐条补链接）

• [R52] ✅ d2l.ai —《动手学深度学习》（本指南风格对齐对象）。
• [R53] ⬜ 量化社区/博客（聚宽、米筐、QuantStart、Quantopian 遗产文档等）逐条补。

L. 对标框架（本工程 reference/，需完整覆盖，见 COVERAGE_frameworks.md）

• [R58] ✅ abu(阿布量化 abupy) — 择时买卖因子体系、Kelly/ATR 仓位管理、滑点模型、UMP 机器学习交易拦截(主裁/边裁)、GA 参数寻优、多市场。reference/abu/
• [R59] ✅ QuantsPlaybook(hugo2046) — 券商金工研报复现集：基本面/因子构建/择时/组合优化 + hugos_toolkit/SignalMaker。reference/QuantsPlaybook/
• [R60] ✅ stock — A股+港股+可转债+基金多源数据/分析/回测/ML 工具集，含龙虎榜/打新/可转债/质押/大单监控。reference/stock/
• [R61] ✅ vnpy(vn.py) — 事件驱动实盘交易平台：EventEngine/Gateway/OMS、CTA/组合/价差/算法/期权策略、CTP 接入、vnpy.alpha。reference/vnpy/

M. 框架涉及的具名方法（⬜ 写到对应章时按"动态检索"核验原始出处再引用）

来自四框架盘点，落笔前 WebSearch 核验作者/年份/出处，勿凭印象。 - [R62] ⬜ RSRS 阻力支撑相对强度择时（光大证券金工研报，核验报告名/年份）。 - [R63] ⬜ Piotroski F-Score（Piotroski 2000, 财务质量打分）。 - [R64] ⬜ HRP 层次风险平价（López de Prado 2016）。 - [R65] ⬜ IPCA 工具化主成分（Kelly, Pruitt & Su 2019/2020）。 - [R66] ⬜ Kelly 准则（Kelly 1956）。 - [R67] ⬜ 凸显理论 STR / salience（Bordalo, Gennaioli & Shleifer）、APM/聪明钱/处置效应CGO/筹码CYQ 等行为/微观因子（多为中文研报，逐一核验来源）。 - [R68] ⬜ HHT(EMD)（Huang et al. 1998）、VMD（Dragomiretskiy & Zosso 2014）。

---

维护规则：写每章时，新增引用追加到对应分类并给编号；2023+ 项必须先核验再从 ⬜ 升级到 ✅，核验失败则删除或明确标注存疑。