传统量化研究依赖行情和基本面数据，而另类数据（如招聘公告、卫星图像、社交媒体等）提供了未被充分定价的信息。这类数据需要自行采集和处理，具有高时效性和细粒度。文章探讨了如何有效利用这些数据，包括数据的定义、分类、工程化处理及其与传统数据的区别，强调了另类数据在投资决策中的价值和潜在风险，以及如何将其整合进特征库以支持量化研究。

本研究探讨了在线性别歧视和厌女症的量化现状，提出了一种半自动化的方法以优化文献选择过程。通过对2012至2022年相关文献的综述，揭示了社会科学与计算机科学在性别仇恨言论量化中的机遇与挑战，并指出了学科间的主题分歧，为未来研究提供了启示。

本文探讨了量化研究中的相关矩阵性质，介绍了如何构建层次树和网络。研究了金融相关性矩阵的噪声估计方法，并提出了基于社交媒体和金融数据的市场相关性预测模型，分析了因果关系及其在金融市场中的应用，展示了深度学习和自然语言处理在金融文本分析中的应用。