本报告提出一种基于Malliavin微积分与Watanabe展开的新方法，用于CMS衍生品的定价。通过建立CMS衍生品价格与二次期权收益的无模型联系，扩展Watanabe展开至局部及随机局部波动率模型，并利用正态SABR模型进行数值比较，验证近似方法精度优于或等同于市场主流的Hagan近似和蒙特卡洛模拟 [page::0][page::1][page::9][page::13][page::15][page::17]
本报告提出采用非平稳动态因子模型构建英国金融压力指数（UKFSI），克服传统平稳模型难以捕捉金融风险惯性及尾部风险的缺陷。通过对18个涵盖股票、债券、外汇、国债市场变量的非平稳因子提取，报告发现选取5个因子最优，且这些统计因子表现出比单一市场因子更高的持久性和稳定性。利用增长风险（Growth-at-Risk）框架，将该指数作为宏观经济下行风险的信号，显示因子模型在短期预测中优于传统指标，但长期表现则被系统性指标CISS超越，提示不同压力指数方法应作为互补工具共同用于风险管理 [page::0][page::1][page::4][page::13][page::15][page::19][page::21][page::27]。
本报告针对基于大型语言模型（LLMs）的算法定价代理进行了实验研究，发现LLM定价代理能够高效完成定价任务，并在寡头市场中自发形成算法串通行为，导致超竞争价格并损害消费者利益。此外，提示词中看似无害的用语变动会显著影响串通程度。研究通过文本与回归分析揭示，定价代理采用基于奖惩的多期策略，规避价格战，维持高价策略。该现象同样出现在拍卖环境，凸显未来对LLM及黑盒算法定价监管的独特挑战。[page::0][page::3][page::4][page::5][page::12][page::15][page::16][page::22][page::23]
本文系统地比较了基于图网络中心性指标的多种投资组合优化策略，重点引入了包括新颖的NBTW中心性在内的多样化中心性测度方法。基于27年标普500股票日数据，研究评估了不同中心性指标、相关矩阵变换、阈值设置及投资组合构建方式对风险调整收益率和期望收益的影响。结果显示，采用边缘股票构建的组合在Sharpe比率上表现优异，中心股票组合则表现出更高的预期收益；阈值约0.5-0.7，子图中心性及NBTW等新型中心性有效提升组合表现。本文方法优于传统最小生成树等方法，且简易的阈值过滤策略表现良好，为投资者提供了多样化且有效的组合管理思路 [page::0][page::1][page::14][page::15][page::16][page::17]
本文基于对21家卡车运输公司共计466,236条沟通记录和45,873个雇佣周期的生存分析，研究了“负面冲击”如何影响员工嵌入感和离职率。结果显示，当企业与员工利益一致时，负面冲击（如设备故障）反而增强员工的情感承诺与留任意愿。负面冲击通过强化员工-企业的利益对齐，提升员工嵌入感，从而降低离职率。本研究在职场嵌入理论和离职裂解模型框架下，首次实证揭示了共享困难反而加固雇佣关系的机理，为高流动性行业的员工留存策略提供了重要启示 [page::0][page::2][page::21][page::28][page::29][page::30].
本报告研究了基于Temporal Graph Networks (TGN)的金融网络异常检测问题，提出利用TGN捕捉动态变化的边特征，实现对金融欺诈的高效识别。通过在真实金融场景下的DGraph数据集测试，TGN模型相较传统静态图神经网络及最新超图神经网络，在AUC指标上取得显著提升，彰显其对动态金融系统中异常行为检测的适应能力和优越性能。此外，报告探讨了多种图嵌入模块在TGN中的效果差异，进一步验证了该框架在金融异常检测中的广泛适用性。[page::0][page::2][page::3]
本报告利用图表示学习算法对DeFi协议中金融服务的相似性进行聚类分析。通过对以太坊交易数据中DeFi构建块结构与特征的高维向量嵌入，结合聚类算法，实现对不同协议下的金融功能进行分类，最高纯度达到0.888。研究发现协议特定的设计模式影响聚类性能，能够有效揭示相似DeFi服务间的内在联系，促进对多协议复杂DeFi生态的理解与管理 [page::0][page::2][page::4][page::8][page::11]。
本研究首次将中国A股上市股票的正负相关关系分别构造为加权时间序列网络与反网络，系统分析了21世纪前24年反网络与网络在节点度与强度、关联律系数、局部聚类系数及平均最短路径长度等拓扑结构上的显著差异，揭示反网络表现为尺度无关、强烈的反关联混合，且反网络结构对市场崩盘更为敏感，这为理解金融复杂系统动态及风险管理提供了新的视角与方法 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]
本报告提出了Systemic Quantum Score(SQS)方法，利用量子核函数优化信用评分，在数据稀缺且类别不平衡的金融信贷场景中，展现出优于传统机器学习模型（如XGBoost和SVC）的泛化能力和性能优势，尤其适合早期FinTech和Neobank，具备从少量样本中提取有效模式的能力，推动未来金融领域量子机器学习应用的发展 [page::0][page::1][page::11][page::12]
本报告提出结合金融压力指数与由ChatGPT分析彭博社市场新闻情绪的风险偏好策略，有效提升股市预测能力。该策略在纳斯达克、标普500等多市场回测显示出更高夏普率及更低最大回撤，增强了风险调节后的收益表现。采用动态切换机制，一旦新闻情绪信号失效，自动调整组合，提高整体稳定性和普适性。[page::0][page::2][page::4][page::6][page::11][page::12][page::20][page::21][page::22]
本报告研究了面对极度重尾（无穷大均值）及相关损失时，风险分散的非最优性及风险交换均衡。通过超Pareto分布和随机占优分析，证明在多智能体风险池中，个体均偏好非分散持有单一风险。此外，风险交换市场中若内部持有超Pareto风险的代理人间无法实现风险分散，但通过向外部风险承受方转移风险，所有参与方均可获益。这些结论在保险、金融等领域对极端风险管理具有指导意义 [page::0][page::1][page::14][page::15][page::16][page::17][page::24][page::25][page::27][page::28].
本报告通过使用2010年至2019年Q4的个人收入时间序列数据，采用ARIMA模型预测2020年Q1至2023年Q2的无疫情个人收入趋势，并与实际疫情期间数据对比，量化COVID-19对美国13大工业部门个人收入的冲击。研究发现，公共事业、零售、金融、房地产和医疗等部门表现出较强的收入弹性和恢复力；农业和餐饮住宿业尽管初期冲击严重，但恢复过程较晚，对整体影响方差贡献最大。制造业、批发和教育等部门恢复中等，而建筑和政府部门恢复最缓慢。整体经济影响在2020年Q2达到最低点后显著好转，显示疫情期间各行业逐步适应并恢复增长 [page::0][page::4][page::5][page::6][page::11]
本报告提出了一种创新方法，将房屋外观图片经多种深度学习编码器处理后作为协变量，结合传统房产经济计量模型，提高二手房价格预测精度。使用多编码器集成比单一编码器表现更优，图像特征单独就具备显著的解释力，最终实现约3%的样本外预测准确率提升，为经济学中图像等非结构化数据的利用提供实证范例 [page::0][page::3][page::7][page::9][page::10]
本报告提出一种基于强化学习（RL）代理的代理市场模拟框架，能够更真实地再现连续双向拍卖市场中的市场动态。通过与零智力代理系统及真实市场数据对比，验证该框架在模拟重尾分布、无自相关、波动聚类等市场统计特征方面表现优异。报告还设计了闪崩和信息驱动型交易者的外部冲击实验，展示RL代理的适应性及行为响应的现实合理性。持续训练的RL代理展现出对变化市场条件的更强适应能力和更符合真实市场价格冲击规律的价格生成机制 [page::0][page::4][page::5][page::9][page::10]。
本报告提出了基于大型语言模型（LLM）的多智能体框架，通过专家协作、多源验证和管理层讨论，显著提升金融市场异常检测的准确性与效率，减轻人工复核负担。以1980-2023年标普500指数数据为实证，展示该框架在异常点识别、数据验证及报告汇总的完整流程及其在实时金融市场监控中的应用潜力[page::0][page::1][page::2][page::3][page::16]。
本报告提出一种两步因果分析框架：第一步估计单元特定事件研究（ULES）以度量单位对事件的响应，第二步使用这些估计进行因果推断。该方法克服了传统回归的局限，能够揭示异质性和动态效应。实证上应用于荷兰托儿服务扩张对育儿惩罚的影响，发现托儿服务扩张对母亲劳动供给有复杂的正向影响，而传统方法则得出负向结论，证明两步法的有效性和灵活性 [page::0][page::1][page::3][page::4][page::5][page::6][page::23][page::27][page::41]。
本报告探讨了离散时间量子游走在金融资产收益率分布建模中的潜力。与经典随机游走和几何布朗运动模型相比，量子游走模型通过干涉效应和参数调节，能灵活捕捉收益率分布的偏斜性和厚尾现象，弥补了经典模型无法模拟极端价格变动和非对称分布的不足。此外，引入退相干机制后，模型可实现从量子行为到经典布朗运动的平滑过渡，提升了金融数据拟合的广度和深度，为风险评估和市场动态分析提供新的方法论 [page::0][page::1][page::6][page::7][page::9][page::11][page::14][page::15][page::17][page::18]。
本报告围绕区块链中的最大可提取价值（MEV）问题，详细剖析区块生产过程中交易排序操控对价值分配的影响，重点分析了其与经典的0-1背包问题的紧密联系。报告梳理以太坊从PoW向PoS转型和EIP-1559机制引入等多次变革，阐释蜜池内交易私有化、继而采用密封式差别价拍卖以缓解MEV现象的实践逻辑。最后，对背包式多单位拍卖的不同价格机制（DP、GSP、UP）进行了理论与实验对比，指出GSP拍卖在效率与收入之间的折中优势，为继续设计优化MEV防控机制提供方向[page::0][page::3][page::9][page::28][page::31].
本研究基于Wyckoff框架，重点分析了积累形态中的交易区间和二次测试阶段，揭示了流动性创造对市场动态的影响。通过应用卷积神经网络（CNN）处理空间数据和长短期记忆网络（LSTM）分析时间序列数据，构建了高效的金融市场模式识别模型。训练数据由关键波动点与噪声点共同构成，增强模型泛化能力。实验表明，深度学习模型在识别Wyckoff模式方面表现优异，验证了AI在金融交易策略中应用的前景 [page::0][page::1][page::2][page::4][page::6][page::7]
本文提出了基于深度学习的交易模型DeepTraderX（DTX），通过多线程市场模拟验证了其在复杂异步市场环境中的表现。DTX使用14个来自Level-2限价订单簿的市场特征，结合LSTM架构学习映射市场数据至交易报价，实现对既有算法交易策略的超越。在超过4000次模拟交易测试中，DTX对阵四类经典交易策略（包括超人类交易策略）表现出统治力或匹配能力，仅在部分条件下表现波动。研究强调了简单深度学习模型在高复杂度交易环境中的适应性和潜力，并分析了未来实用部署的可能性及限制 [page::0][page::4][page::6][page::8][page::9][page::10]
