XiaoMi-AI文件搜索系统
World File Search System套利
多因素模型和套利定价理论（APT）
A 100 25.00 29.58 1.00 -0.15 -0.29 0.68 B 100 20.00 33.91 -0.15 1.00 -0.87 -0.38 C 100 32.50 48.15 -0.29 -0.87 1.00 0.22 D 100 22.25 8.58 0.68 -0.38 0.22 1.00
大型电池存储，短期市场成果和套利∗
在发电部门的投资组合组合中，可再生能源的份额扩大了大规模电池存储设施的开发和整合。我们记录了加利福尼亚市场中的充电和排放方式，并显示电池活动与负载和实时价格的相关性。我们进一步提出了一种仪器可变策略，以估计价格对电池排放的短期影响。经验发现与套利最大化器的最佳解决方案一致，表明电池所有者对价格激励措施做出了响应。此外，我们提供的证据表明，2018年和2019年的电池部署使加利福尼亚州的平均批发平衡价格降低了约0.8％，从而影响了电池投资的私人收益。
通过机会价值函数预测进行储能价格套利
摘要 — 本文提出了一种结合监督学习和动态规划的新型储能价格套利算法。所提出的方法使用神经网络直接预测不同储能充电状态水平下的机会成本，然后将预测的机会成本输入基于模型的套利控制算法以做出最佳决策。我们使用价格数据和动态规划算法生成历史最优机会价值函数，然后将其作为基本事实并以历史价格作为预测因子来训练机会价值函数预测模型。在使用不同储能模型和纽约州价格数据的案例研究中，我们的方法与完美预见相比实现了 65% 至 90% 的利润，这大大优于现有的基于模型和基于学习的方法。在保证高盈利能力的同时，该算法也是轻量级的，可以以最小的计算成本进行训练和实施。我们的结果还表明，学习到的预测模型具有出色的可转移性。使用一个地区的价格数据训练的预测模型在其他地区测试时也能提供良好的套利结果。索引词 — 能源存储；深度学习；电力系统经济学。I. 引言
确定能源套利所需的能源存储系统规模……
摘要 —本文提出了一个非线性规划 (NLP) 模型，以优化储能系统 (ESS) 的规模，并获得电动汽车 (EV) 超快速充电站 (XFCS) 能源套利的最佳能源管理，同时最小化 XFCS 运营和 ESS 投资的总成本。与大多数关于电动汽车充电站 ESS 规模的报道不同，本文提出了一种实用的方法来模拟 ESS 寿命衰减并准确计算 ESS 循环次数。此外，这项工作将峰值需求费用纳入充电站运营成本中，而这在文献中经常被忽视。所提出的模型是使用 AIMMS 来制定和求解的。最后，进行了彻底的敏感性分析，以深入了解不同输入参数如何影响能源套利角度的 ESS 规模和节省。
强化学习在能源存储套利中的应用
电力系统脱碳需要将可再生能源引入能源供应结构。然而，供应结构中的间歇性能源使平衡能源供需更具挑战性。当可再生能源产生的能源超过需求时，储能系统可以储存能源，当发电量不足时提供能源，从而平衡供需。然而，在操作电池时不考虑退化会大大缩短电池的使用寿命并增加与退化相关的成本。现有的优化技术在确定最佳电池操作策略时会考虑退化，这既需要大量计算又耗时。强化学习等机器学习技术可以开发出以毫秒为单位计算行动策略并考虑复杂系统动态的模型。在本文中，我们考虑了电池操作的能源套利问题。我们探索使用强化学习来确定考虑退化的套利策略。我们将强化学习学到的策略与由高级混合整数线性规划 (MILP) 模型确定的 NYISO 2013 日前电价数据的最佳策略进行了比较。我们表明，考虑到强化学习，学习到的策略与 MILP 确定的退化策略的行为相当。然后，我们介绍了一个案例研究，该案例研究使用强化学习来确定 PJM 2019 实时电价数据的套利策略，我们发现在能源套利的情况下，使用强化学习进行实时电池操作是有前景的。
可转换套利：当今市场环境的独特固定收入替代品
该策略既追求可转换套利和特殊情况投资机会。可转换套利策略通常涉及可转换安全性和基础股权安全性之间的价格上涨。这些投资的价格可能会挥发，因为市场变动很难预测。事件驱动的投资要求基金对（i）发生事件的可能性进行预测，以及（ii）该事件对公司金融工具的价值产生的影响。如果事件未能发生或没有预见的效果，则可能会导致损失。投资组合投资于首次公开产品（“ IPO”）。IPO对投资组合性能的影响有时可能很重要。您应该意识到IPO的可用性取决于市场条件，而IPO可能并不总是是可用的投资思想来源。
通过点对点能源交易实现可再生能源微电网的套利策略
摘要 — 本文提出了一种针对可再生能源微电网 (MG) 的套利策略，以克服光伏和风能等可再生能源 (RES) 在日前市场 (DAM) 和实时市场 (RTM) 之间建立的交易能源市场 (TEM) 中的点对点 (P2P) 能源交易这一新兴商业领域中的不稳定行为。为了识别由 P2P 和实时交易之间的价格差异产生的套利机会，提出了一种具有区间系数的双层风险约束随机规划 (BRSPIC)。在决策的第一阶段，采用各种方案来处理 DAM 价格的不确定性。在第二阶段，P2P 能源交易竞争由基于非合作领导者-追随者博弈的双层规划建模。在较低层次上最大化同行的社会福利的同时，MG 在较高层次上最大化其利润。为了更加贴近实时，第三阶段考虑了区间系数，以应对 RES 和负载以及 RTM 价格的不确定性。条件风险价值 (CVaR) 被强制应用于模型，以控制利润波动的风险。通过使用 Karush-Kuhn-Tucker (KKT)，BRSPIC 被转换为单级优化。然后，将其线性化并通过混合整数线性规划 (MILP) 求解器进行求解。通过在测试系统上评估所提出的模型，很明显，通过套利策略，MG 的利润增加了 3.1% 以上。通过考虑 CVaR，完全规避风险的决策会使 MG 的利润减少 27%，尽管这是一个非常保守的决策。
Amundi Tiedemann 套利策略基金 - I 类 CHF
类型：Amundi Alternative Funds PLC（一家上市公司）的子基金股份。期限：子基金的期限不受限制。管理公司可根据法律要求通过清算或与其他基金合并来终止基金。目标：子基金是活跃的 UCITS，不参考基准进行管理。管理人 Amundi Asset Management 已任命 TIG Advisors, LLC 为子投资经理来实施策略组合。子基金的目标是接触由子投资经理设计的专有全权投资策略，该策略主要包括投资于受公司事件影响或可能受公司事件影响的发行人的证券（例如要约收购、合并、清算、资本重组或破产）。子基金主要通过使用债务和股权证券以及金融衍生品合约等证券来实现其目标。
伟大的碳套利，WP/22/107，2022 年 5 月
* 本文表达的观点不一定反映国际货币基金组织、其管理层或执行董事的观点。作者要感谢 Viral Acharya、Ananthakrishnan Prasad、Helge Berger、Darrell Duffie、Charles Goodhart、Robin Greenwood、Lawrence Goulder、Emmanuele Massetti、Robert Pindyck、Rick van der Ploeg、James Roaf、Suphachol Suphachalasai、Rupert Way 和 Johannes Wiegand 提出的有益建议。非常感谢欧洲研究理事会 (ERC) 根据 ERC 高级资助计划（资助协议编号 885552 投资者和气候变化）为本研究提供的资助。我们感谢 Asset Resolution 提供其数据访问权限。我们感谢阿姆斯特丹自由大学、阿姆斯特丹大学、荷兰中央银行、国际货币基金组织、牛津大学马丁学院新经济思维研究所、富达投资、气候政策倡议、世界资源研究所和货币监理署研讨会的参与者提供的反馈。我们还感谢可持续资本会议、康奈尔大学 ESG 投资会议、斯坦福大学经济系气候金融创新与政策挑战会议、欧洲中央银行财政政策与气候变化研讨会以及斯坦福大学商学院和斯坦福大学杜尔可持续发展学院环境可持续性政治经济学会议的参与者提供的评论。我们要感谢 Moritz Baer、牛津可持续金融小组环境压力测试和情景计划 (ESTS) 和 2° 投资倡议提供的宝贵研究支持。我们还要感谢陈刘敏、肖彦哲，尤其是 Rudy Tanin 提供的出色研究协助。可以在 https://greatcarbonarbitrage.com 找到计算工具和额外分析。
使用量子退火器寻找最佳套利机会
我们提出了两种公式来寻找最佳套利机会，将其作为二次无约束二元优化问题，可以使用量子退火器解决。这些公式基于在图中寻找最有利可图的循环，其中节点是资产，边权重是转换率。基于边的公式更简单，而基于节点的公式允许识别特定的最佳套利策略，同时可能需要更少的变量。此外，还提出了一种替代形式，允许根据交易者的风险规避程度找到最佳平衡利润和风险的套利机会。我们讨论了在实践中使用的注意事项。特别是，我们建议将其应用于非流动性资产并给出一个说明性示例。关键词：套利、量子退火、优化