本报告研究了在交易方向受限的多玩家及均场博弈框架下的最优投资组合清算问题，证明此类交易约束下的博弈等价于确定市场入场和退出时机的时序博弈。通过构造高阶非线性积分方程，证明了均衡交易率的唯一存在性，并给出求解均衡的两维非线性方程组与参数一致性条件，确保了在买卖双方初始仓位偏离零的情况下，均衡的存在性与唯一性。此外，数值模拟表明交易方向约束可降低市场总交易成本，且均场博弈能有效近似有限玩家博弈，具备较强的应用价值 [page::0][page::3][page::15][page::21][page::24][page::25].
本报告研究了包含矩阵值Volterra传播子驱动跨冲击和暂时性价格冲击的连续时间最优组合选择问题，利用算子解析方法求得显式解，提出了防止价格操控的充分条件，并通过数值实验展示跨冲击对最优策略及上市信号衰减的影响，为高频交易中的资产跨冲击建模和执行策略优化提供理论和实践指导 [page::0][page::3][page::13][page::14][page::15][page::16][page::31].
本报告研究了Gas费用更低、出块速度更快的Layer 2链对Uniswap v3协议的市场结构影响。通过对比以太坊主网与Arbitrum、Optimism、Polygon等L2链，发现大多数交易在L2上有更优的Gas调整执行价格，流动性交换效率提高约50%，套利产生的手续费回报也提升20%。此外指出L2的2秒出块时间可能对做市收益并非最优。研究表明更快更廉价的链条显著改善了自动做市商的使用体验与资本效率，有望推动AMM在加密之外的广泛采用 [page::0][page::1][page::7][page::8][page::11][page::13][page::15]。
本报告系统性探讨了利用深度学习技术对NASDAQ不同类股票的高频限价单簿（LOB）中间价变动进行预测。通过提出开源代码库LOBFrame和应用顶尖模型DeepLOB，展示了股票的市场微观结构特征对预测性能的显著影响；尤其，大价位跳动股票的预测准确率显著高于小跳价股票。此外，报告提出了一种创新的无假设、基于交易执行概率的新评估框架，更好地衡量预测实用性，揭示传统机器学习指标在LOB环境下的局限，为学术和实务界提供了可操作的深度学习应用指南及挑战展望 [page::0][page::1][page::6][page::11][page::16][page::26][page::27]
本报告基于德国2025年电力市场的BZR数据集，分析了分区定价（zonal pricing）与节点定价（nodal pricing）规则在日内市场的短期影响，重点比较了不同价格配置下的市场清算、价格差异、发电及再调度成本以及补偿支付。结果显示，尽管节点定价提高了发电成本，但总成本最低，显著减少再调度，且不同分区方案价格差异及价格波动均较小，表明区域划分变化对短期市场价格影响有限。节点定价规则中的Join定价在侧支付和拥堵信号质量间取得良好平衡，适合未来市场规则设计。[page::0][page::1][page::5][page::20][page::23][page::28][page::31][page::34]
本文研究两个决策者联合概率选择规则的分离性，完全刻画了可分选择的有限不等式系统，揭示了非唯一分布导致的“纠缠选择”现象，并提出基于贝尔不等式和Afriat类不等式的全面测试方法，为区分独立决策与相互影响机制提供了数学工具 [page::0][page::7][page::15]
本报告提出了一种基于逆向优化的电力市场基础模型，融合统计学习方法，创新性地估计发电技术的边际成本并预测捕获电价。该模型在对西班牙、德国和法国市场的多期数据进行回测时表现优异，特别善于应对市场结构变化，如疫情与能源价格剧烈波动，为企业采购长期可再生能源电力购电协议（PPA）提供精准价值评估和谈判支持 [page::0][page::3][page::17][page::18][page::27]。
本报告回顾了2014年至2023年间英国大学退休金计划（USS）评估，重点揭示其养老金缴纳成本对英国国债收益率（gilt yield）的高依赖性（95%-99%相关）。研究指出，USS特有的“自我维持”定义中的资金比率条件在模型中占主导，推高了自我维持负债，导致过度审慎和成本波动剧烈；并分析了USS的“实际”和“目标依赖性”指标及其对技术准备金负债（TP）设定的影响，辅以多项图表数据支持该机制解释贡献率对gilt yield的高度敏感性，进而引发监管关注并导致多次劳资纠纷。[page::0][page::2][page::11][page::29]
本报告提出了一种改进的微正则梯度下降采样方法（MF–MGDM），针对传统MGDM在高维能量基模型采样中出现的熵塌陷问题，通过同时对多样本进行平均场优化，有效降低熵损失并提升采样多样性。理论上证明了MF–MGDM的熵下界优于MGDM，并在包括AR模型和金融时间序列等合成及实证数据上，验证该方法在保持似然拟合度同时，实现了逆KL散度的显著改善及稳定收敛性能 [page::0][page::1][page::3][page::4][page::5][page::6][page::7].
本报告通过模拟广州BRT快线的一段拥挤多站点走廊，首次揭示了在站点排队的公交车形成的恶性循环，即随着车辆沿走廊前进，车间距波动逐渐加剧，导致公交车及乘客延误累积。研究提出并验证了一种简单改进的公交发车控制策略——在控制点以略低于或等于计划车间距释放公交车，显著缓解了恶性循环并降低整体延误。此外，基于公交线路分组的持车策略对多线路、跨组乘客选择情形更为有效。数值结果显示，该改进策略在减少车头间距波动和总延误方面不逊于甚至优于已有复杂策略，为公交优先控制提供了可行、易实施的方案 [page::0][page::5][page::15][page::19][page::21].
本文提出了一种基于图匹配的创新型股票对交易配对选择方法，通过构建加权图最大权重匹配，避免配对间股票重叠，显著降低组合方差并提升风险调整收益。实证基于2017-2023年标准普尔500指数数据，匹配方法在夏普比率（1.23对比基准0.48）和交易成本控制方面均表现优异，验证了理论分析中财务和统计模型的有效性，开创了将图论应用于量化配对交易的新路径 [page::0][page::1][page::9][page::10][page::18][page::23].
本报告系统性回顾了机器学习（ML）在资产定价领域的应用，重点分析了传统因子模型的局限性及ML如何通过捕捉非线性关系、多源数据融合（包括文本和图像）和动态学习，提升风险溢价估计和组合优化能力，同时探讨了模型可解释性、过拟合风险与监管合规等挑战，为量化金融未来发展提供了前瞻性视角 [page::0][page::1][page::5][page::6]。
本报告提出了一种结合基础图结构和多视角motif子图结构的金融违约预测模型MotifGNN，通过设计motif图门控机制解决motif图连接性弱的问题，并使用基于motif分布偏离的课程学习机制聚焦于罕见motif样本，实现了对违约概率的更精准预测。公开数据集及两组真实产业数据的实验表明该方法优于现有最先进技术 [page::0][page::1][page::2][page::4][page::5][page::6][page::7][page::8]
本报告提出一种基于断点回归思路的新方法，利用新加坡生命面板（SLP）的高频（月度）健康与就业数据，检测退休后自评健康报告偏误（即“justify bias”）。研究发现，在退休后的较长时间窗口内，自评健康出现下降，但这一效应随着窗口缩小显著减弱，狭义窗口内无统计显著变化，表明无显著报告偏误。同时，该方法验证了现有间接检验的合理性，并强调高频数据在提升统计效能中的重要作用 [page::0][page::2][page::18][page::21][page::23][page::28]。
本报告提出基于连续时间马尔可夫链（CTMC）近似的通用框架，实现了对时间非齐次短期利率扩散过程下的债务证券定价。涵盖零息债券、债券期权、可赎回/回售债券及可转换债券（CB）的定价。通过二维CTMC方法，精确拟合当前市场利率期限结构，并有效纳入信用风险因素。数值实验验证了方法在多参数模型下的高效性和准确性，且理论上具备收敛性保障[page::0][page::2][page::6][page::9][page::18][page::24][page::26]。
本文提出了一种基于熵约束的几何布朗运动（EC-GBM）模型，通过引入熵的变化来修正传统GBM的对数正态分布假设限制，有效提升了对非对数正态分布及更复杂真实系统的预测能力。方法通过蒙特卡洛模拟筛选降低熵的轨迹，显著改善了如偏态骰子掷点和金融市场价格等实际数据的拟合效果，并展示了在趋势模拟和黄金美元汇率预测中的优越表现与应用潜力[page::0][page::1][page::2][page::3][page::4]。
本文系统地构建并研究了基于几何均值替代算术均值定义的几何凸性（GG-convexity）风险度量。引入了类似Fenchel共轭的GG-凸共轭操作，并证明其可作为一般对偶变换的公理化基础，具有重要的对偶性质。基于此，发展了GG-凸风险度量的一般对偶表示，涵盖Orlicz风险度量等重要家族。此外，本文建立了基于对数凸序的随机序关系，并证明了Law-invariant GG-凸风险度量关于该序的一致性，有助于拓宽金融风险度量理论视角[page::0][page::1][page::8][page::11][page::14].
本报告通过构建多代理Q-learning算法模拟，研究算法定价中价格歧视与默契合谋的交互机制。发现信息不对称下的信息优势算法采用诱饵-克制-剥削策略诱导对手合谋，信息对称下信号之间竞争导致部分信号实现高于竞争水平价格。算法在高价值信号上更倾向合谋，信息精度和信号相关性显著影响合谋程度，过度数据使用反而削弱行业利润且提升社会福利 [page::0][page::1][page::2][page::3].
本报告提出了一种基于弱创新自编码器的生成式概率预测方法（WIAE-GPF），能够对实时电力市场信号（如地点边际价格、跨区价差和供需不平衡）进行非参数、可解释的条件概率分布预测。该方法在理论上保证生成样本与真实分布一致，兼具Kalman滤波的直观解释性。大量基于美国电力市场公开数据的实证测试表明，WIAE-GPF优于传统统计及最先进的深度学习模型，包括基于Transformer和大型语言模型的技术，表现出更好的点估计和概率预测能力[page::0][page::5][page::13][page::24][page::39]。
本章探讨了非完全可转移效用（Imperfectly Transferable Utility, ITU）匹配模型，扩展了传统的完全可转移效用（TU）框架，以描述存在税收、公共物品分配及非线性转移成本的配对市场。通过距离-前沿函数刻画匹配双方的效用可行集合，并引入平衡匹配函数和市场清算条件，构建了具有异质性和未观测偏好（Logit异质性）条件下的全局均衡。针对部分赋值与完全赋值模型，给出了平衡均衡的存在性、唯一性及算法求解，并提出了最大似然估计方法。最后，讨论了该类模型的规范性质、分配特征、比较静态以及与传统TU和NTU模型的关系 [page::0][page::2][page::7][page::11][page::14][page::17][page::19][page::21][page::23][page::26][page::29][page::30][page::31].
