本报告提出了一种基于深度联合学习与微分神经网络(DANN)的新型算法，旨在高效准确地估价早期行权产品——伯穆丹互换期权。通过结合蒙特卡洛采样的高噪声支付标签与多个相关金融产品的联合训练，极大提升了模型的泛化能力和预测精度。数值实验证明，该方法不仅显著缩减了估值误差，还实现了参数敏感度的自动计算，且具备推广到其他复杂衍生品的潜力 [page::0][page::1][page::3][page::9][page::11][page::15]。
本报告系统介绍了推荐系统（RS）在金融交易中的应用，探讨了基于AI构建投资建议的机制，重点分析了人类投资经理如何利用AI复制分析师的“信念度”及其推荐的交易绩效追踪。报告还深入阐述了RS输出推荐与投资组合风险管理、绩效分析工具的整合，并强调了解释型AI在增强用户信任方面的关键作用，同时展望了外包分析平台与未来AI发展趋势 [page::0][page::3][page::4][page::6][page::7]。
本报告系统地推导了连续与离散投资组合损失随机变量的各种风险度量（包括VaR与预期短缺ES）的一阶与二阶偏导数，提出了基于极限理论的重尾损失变量一阶和二阶条件矩的渐近结果，丰富了风险度量敏感性分析和资本分配的理论基础，为风险管理与投资组合优化提供实用数学工具[page::0][page::4][page::8][page::16].
本报告提出将人工市场模拟用于深度对冲中的基础资产模拟，替代传统的数学金融模型。实验结果表明，该方法在多种期权定价任务中性能接近甚至优于传统模型，且更好地复制了市场数据的风格化特征如厚尾和峰度，但在极端风险敏感的情况下表现有限。本文还分析了参数调优对收益的影响及其依赖于风险函数的特性，指出人工市场模拟作为深度对冲的基础资产模拟器具备潜力但仍有提升空间[page::0][page::1][page::4][page::6][page::7].
本报告介绍了Stata命令ge gravity2，该命令可用于计算普适引力模型的贸易流动、价格、产出及福利的反事实均衡。通过引入考虑正向供给弹性的模型，该命令扩展了现有的ge gravity，实现了对贸易政策变化的全面一般均衡影响分析。报告详细推导了模型理论基础、数值迭代算法，并通过实例演示了其在贸易自由化、边境政策及生产率变化中的应用效果，为学术研究与政策制定提供了强大工具 [page::0][page::1][page::4][page::14][page::17]。
本报告基于Uniswap v3构建了一个含异质流动性提供者的均场博弈模型，模拟DEX流动性分布和汇率动态。通过与真实数据校准模型参数，揭示了LP的风险偏好及其流动性选择行为；进一步引入了Maximal Extractable Value (MEV)机器人，建立Stackelberg博弈，模拟JIT流动性攻击，显著提升对池内动态的预测准确度，同时显示LP可通过预判机器人行为优化策略挽回部分利润[page::0][page::6][page::7][page::17][page::21][page::24][page::30].
本报告提出了一种基于多智能体和自适应机制的注意力集成学习框架MASAAT，以多尺度方向性变化特征和时序注意力模块，提升资产间空间和时间相关性的捕捉能力，有效过滤金融市场噪声，平衡投资组合收益与风险。实证在DJIA、S&P500和CSI300三大指标上验证了模型的优越性，显著优于传统和深度学习基线方法，展现出多智能体集成策略在复杂市场环境下的稳健性与适应性 [page::0][page::1][page::2][page::4][page::5][page::6].
本文通过引入神经网络对Black-Karasinski模型中的关键参数进行多项式展开校正，提升了现有路径积分（GTFK）近似方法在长时间跨度和不同校准参数组合下的定价精度。研究发现该方法可有效改善高波动率和高均值回复速率条件下的误差，拓展了模型适用范围并为未来多因子扩展提供基础。[page::0][page::2][page::4][page::5][page::6]
本文研究一个包含信息交易者、代表性非信息交易者和噪声流动性提供者的金融市场模型。在该单周期正态-CARA框架下，证明了存在一类内化价格冲击的市场均衡，指出信息者在此均衡中策略性地揭示较模糊的信号，导致价格对公共信息反应减弱。同时，发现信息者的间接效用严格单调增加于信号精度，表明信息者有动力获取并优化其私有信息。与竞争均衡相比，信息者内化价格冲击在多数参数空间内提升所有交易者效用，但在信息者风险厌恶较强且信号质量较差时反而降低其效用。此外，非信息交易者因价格冲击内化往往获得效用改进，体现策略性交易对市场的复杂影响机制 [page::0][page::1][page::2][page::10][page::11][page::12][page::13][page::17]
本报告基于2010-2022年近200国的商品细分国际贸易网络，运用机器学习模型深入分析网络拓扑特征对GDP增长预测的提升作用。结果显示，美国、中国、德国在主要贸易网络中地位稳固，去全球化趋势影响网络结构发生显著变革。非线性模型（如随机森林、XGBoost）显著优于线性模型，通过SHAP值解释展示网络指标（如矿产贸易网络密度）与经济增长的复杂关系，强调了经济惯性、人口增长和初级产业的重要性，为精准经济预测提供新视角与政策启示 [page::0][page::4][page::11][page::28][page::31][page::36]。
本报告提出并系统研究了因子风险度量（factor risk measures），其通过双变量映射评价风险与多个因子间的关系，拓展了传统风险度量仅依赖损失分布的局限。重点刻画了满足单调性、共单调加性、规范化等性质的扭曲型、分位数型、线性及一致风险度量，并详细构建了一系列新型因子风险度量实例，包括CoVaR、CoES及其扩展。通过数值示例和风险共享应用，展示了因子风险度量在系统性风险管理及资本要求评估中的潜力和差异性 [page::0][page::1][page::7][page::13][page::16]
本报告提出了一个非线性单因子资产定价模型，利用Kolmogorov-Arnold表示定理证明该模型能完美表示任意非线性多因子模型。通过171个跨资产类别的样本，采用基于Sieve的最小二乘估计，实现低维函数逼近，模型在横截面资产定价表现优越，且控制该因子后传统众多已知因子变得不显著。构建的基于模型预测收益的投资组合展示了显著的风险调整收益能力，为资产定价与投资策略研究提供新范式 [page::0][page::1][page::2][page::3][page::4][page::13][page::14][page::15][page::18][page::25][page::26][page::29][page::37][page::38]
本报告系统总结了组合增长模型在经济系统中对企业规模及增长率分布的建模方法与最新进展，重点分析了单位规模异质性及其对企业整体增长波动性的影响，阐述了不同模型（如Wyart-Bouchaud模型、Stanley模型和Sutton模型）对企业规模—波动率关系的解释，并探讨了未来涉及战略互动、企业并购及机器学习预测等研究方向 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8]
本报告基于一家大型制造企业超过3万名白领管理人员的应用数据和员工调查，首次揭示了女性较少申请早期职业晋升的“断梯”现象，主要因晋升职位需承担团队领导责任，而这一职责对女性吸引力显著低于男性。该性别差异不因信心、成功预期或家庭因素所致，而是源于领导职位固有的设计特征。结果显示，约27%的女性在较低职位阶段较少申请晋升，且女性更倾向避免带有较大团队规模及潜在冲突的领导角色，形成领导层性别差距的根本障碍 [page::0][page::1][page::3][page::4][page::6][page::14][page::15][page::20][page::21][page::23][page::25][page::28].
本报告创新性地将Hull-White随机利率模型引入Lévy市场框架下的带有保证最低收益的可变年金估值与最优退保策略分析中。结合树方法与有限差分技术的混合数值解法，有效刻画了利率波动对合约价值及退保行为的影响。通过与Longstaff-Schwartz蒙特卡洛方法的对比，证明了该模型在反映市场真实波动及指导保险合同设计中的优越性，尤其在抑制过早退保方面贡献显著。比较静态分析进一步揭示利率参数对最优退保成本的敏感性，强调准确建模随机利率的必要性 [page::0][page::1][page::2][page::19][page::20][page::21][page::22][page::18]
本报告构建了投资者自愿披露信息的理论模型，指出投资者总是披露初始证据，但对额外证据采取极端信息披露、中间信息隐瞒的策略，导致股价波动性加剧和误导性披露现象。此外，投资者的专业能力和企业信息环境显著影响披露的精细程度和误导披露频率。模型并考察了目标公司对空头投资者披露的战略性反应，验证了主要结论的稳健性，为理解投资者披露行为及市场价格反应提供理论支撑 [page::0][page::1][page::2][page::4][page::10][page::11][page::16][page::27][page::32].
本报告基于ChatGPT-3.5与ChatGPT-4，比较了直接预测(prompting)与未来叙事式预测两种提问策略，利用训练截止时间点（2021年9月）之后的2022年事件作为真实验证，发现未来叙事式提示显著提升了ChatGPT-4对奥斯卡主要奖项及部分经济指标的预测准确性。2024年更新后的模型包含预测事件的训练数据，准确率提升至100%。结果表明，叙事式提示通过利用模型的创意和虚构生成能力，有效绕开了直接预测的限制，揭示了大型语言模型在预测任务中的潜在价值与应用前景 [page::0][page::4][page::28][page::31][page::32]
本报告提出了一种基于时序动态行业网络（TDIN）和深度学习的交易级别M&A预测模型，突破传统方法对数据重采样和时间截断的依赖，有效捕捉了行业内M&A事件的复杂相互依赖关系。模型利用时间点过程和图神经网络，结合内生因素与外部同行影响，实现了细粒度的时间预测和精准目标推荐，实证结果显示相较经典收购可能性模型，模型AUC提升6.6%[page::0][page::13][page::21][page::23][page::24]。
本文提出了一种基于自然语言处理和三层堆叠机器学习分类器的系统，用于从Twitter等微博平台识别带有“金融机会”情绪的推文，着重于高精度检测投资者积极的市场预期。利用包含6,000条注释数据的财经微博语料，系统通过字符与词语n-gram、情绪词典、时态特征等多维特征构建模型，最终在随机森林算法上实现约83%的“机会”类推文检测精度及高容错性，验证了该方案在辅助投资决策中的潜力。[page::0][page::1][page::3][page::5][page::6][page::7][page::8][page::9]
本报告提出了PfoTGNRec模型，通过结合时间图网络与均值-方差有效采样，有效捕获了个人投资者偏好与投资组合的动态变化，解决了推荐准确性与投资组合多样化的权衡问题。实证结果显示该模型在推荐性能与投资组合夏普比率上均优于当前主流动态及静态模型，为个人投资者提供兼顾偏好和收益的交易建议 [page::0][page::1][page::3][page::5][page::6][page::7]。
