本报告系统梳理和分类了当前限价委托簿（LOB）模拟的主流模型方法，包括点过程、基于代理的模型、深度学习及随机微分方程模型。结合关键统计特征（stylized facts）及其在模型拟合中的应用，评估各类模型对市场价格冲击的响应能力。文章指出尽管模型众多，但尚缺乏兼具简洁性、可解释性和对关键统计特征良好拟合的统筹模型，未来研究将聚焦于构建具备交互式交易策略训练能力的LOB模拟器 [page::0][page::1][page::7][page::13][page::17].
本报告针对封闭式合池年金基金，研究了在离散时间再平衡条件下通过投资多资产以最大化成员完成预定提款计划的概率。以S&P综合指数和通胀保护债券为资产组合，构建了动态规划模型及递归计算方法，量化了池内成员数目、初始投资及起始年龄对提款成功概率的影响。结果显示，加入合池显著提高成功概率，且小池（约20人）已能取得绝大部分收益，资金池扩张收益递减明显[page::0][page::3][page::14][page::15].
本报告提出利用矩阵乘积态(MPS)作为生成模型，高效生成金融资产价格时间序列，解决路径依赖期权定价中量子态制备的高成本问题。以Heston模型为案例，数值实验验证了该MPS模型对价格路径和路径依赖期权定价的良好拟合能力，并展望了将该模型嵌入量子电路实现的潜力 [page::0][page::1][page::8][page::11]。
本文提出了带记忆的状态转换Levy模型，用于对双边障碍期权进行定价。该模型拓展了由马尔可夫链调制的Levy模型，类似粗波动模型，适用于机器学习方法。文中改进了数值计算方法，显著减少了计算复杂度，实现了对每个状态核算Wiener-Hopf因子的高效并行处理，保持了与马尔可夫模型相当的计算量 [page::0][page::1][page::2][page::3][page::4]。
本报告构建包含股票排名机制的市场指数模型，揭示了即使在几何布朗运动框架下，该排名机制亦能生成股指期权市场观察到的短期ATM隐含波动率斜率的幂律结构，同时兼容波动率的长记忆特性和ATM斜率的幂律行为，提出了新的“准爆炸”现象，丰富了波动率建模理论并提供实证数值验证 [page::0][page::1][page::2][page::3][page::6][page::10][page::14][page::16][page::20][page::23][page::24][page::30][page::33]
本报告构建了一个包含战略绿色技术采纳的竞争产业静态均衡模型，通过不可逆投资换技术，实现排放目标的碳价格内生形成。案例分析采用布朗运动技术冲击，揭示财政政策（如安装补贴、税收优惠）对提前投资绿色技术的激励作用，且福利最大化调节者可通过优化排放目标缓解参数冲击影响，提供完整理论框架及实证见解 [page::0][page::2][page::5][page::21][page::33]。
本文提出一个动态预测市场模型，证明在存在做出正确或渐进正确预测的代理人的情况下，市场聚合预测将几乎必然收敛至下一期随机向量的条件期望。该结论在离散时间及连续时间投注机制下均成立，且不依赖于代理人的具体策略，仅要求存在生存策略（即财富比例不趋零的策略）的代理人，从而为理解预测市场信息聚合机制提供理论支撑 [page::0][page::1][page::6][page::10]。
本报告提出利用质量-多样性(QD)优化方法，通过CVT-MAP-Elites算法，在组合权重或行为空间中，发现多样且互异的近似最优投资组合，显著提升近似最优组合的覆盖率和稳健性，解决传统均值-方差方法参数敏感性和多样性不足的问题，为金融组合优化提供了新的算法工具和决策支持框架 [page::0][page::3][page::6][page::9][page::12]。
本报告针对Volterra-Heston模型（涵盖粗糙Heston模型）中几何亚洲期权的定价问题，建立了固定和浮动行权价期权定价的半闭式公式。核心在于计算标的对数价格及其几何平均对数的联合条件傅里叶变换，借助仿射Volterra过程理论，将该变换表示为依赖Volterra Riccati方程解的随机指数。数值研究表明粗糙度对期权价格的影响随期限变化而异，拓展了经典Heston模型定价方法，为粗糙波动率模型期权定价提供了重要工具和实用参考。[page::0][page::1][page::4][page::7][page::13][page::14][page::15]
本报告基于1995-2018年中国和日本的投入产出表，构建加权有向经济网络，利用节点强度分布、加权有向同质性系数以及扩展PageRank中心性等网络分析方法，识别关键部门并检测行业社区结构。结果显示，中国以制造业为核心，日本则以服务业为主导，且两国行业群体结构稳定但发展路径有所差异，提供了深刻的经济结构比较视角 [page::1][page::7][page::12][page::16][page::18][page::22][page::23]
本报告基于广义Kelly准则，提出了一种数理模型及工具，用于计算基于概率和内在价值估计的多家公司集中投资组合中的最优资本分配。通过引入无做空、杠杆限制、永久资金损失风险限额等约束，模型有效避免了过度分散，同时具备较强的投资者心理偏差抵御能力，并且公开了相应软件工具以供应用 [page::0][page::1][page::8][page::9][page::11]。
本文针对商业地产贷款（CRE）违约损失率（LGD）预测难题，提出了以CPI为领先指标的创新方法。通过分析CPI与利率及CRE市场销售价格的相关性，依托JPMC内部数据和多种统计模型，证明纳入CPI指标能显著提升CRE LGD模型准确性，尤其有效缓解早期经济下行的损失低估问题。[page::0][page::2][page::9][page::14][page::18]
本报告系统阐述了高阶风险度量与随机占优之间的等价关系，重点推导了谱风险度量的高阶风险显式表示，旨在通过高阶风险度量刻画和验证随机占优关系。论文提出了仅需有限风险水平检测的随机占优验证定理，极大提升数值计算的可行性，并以期望值风险度量为例详细说明优势。该研究丰富了风险度量理论，为多阶段随机优化问题和风险管理提供了重要工具与理论支持 [page::0][page::4][page::5][page::10][page::13][page::15][page::18][page::21].
本报告提出了利用多智能体影响图（MAIDs）模型对去中心化金融（DeFi）治理中的多智能体策略互动进行建模与分析，通过构建简单的治理游戏模拟实际协议，计算Nash均衡，并以MakerDAO为例展示MAID结构，揭示了代理人策略均衡与攻击行为的刻画方法，为深入理解DeFi治理复杂动态提供有力工具[page::0][page::4][page::6][page::7]。
本报告展示了联邦学习（FL）技术在保险行业中的应用，通过在不共享原始数据的情况下，多方协作训练模型，有效提升了理赔损失预测的准确率。研究以神经网络为基础架构，探索了水平联邦学习（HFL）增加数据量和垂直联邦学习（VFL）增加特征多样性的效果。实证结果表明，FL框架不仅缓解了数据隐私保护难题，也明显改进了模型性能，促进了保险公司与InsurTech公司基于不同数据源的高效协同。该技术未来可扩展至欺诈检测等其他保险业务领域，为多方、安全、隐私保护的机器学习合作奠定基础 [page::0][page::4][page::13][page::17][page::19]
本报告提出了基于因果推理的时序图神经网络模型CaT-GNN，用于信用卡欺诈检测。模型通过发现和干预阶段，结合时间注意力机制识别因果节点及环境节点，并利用因果混合增强方法提升模型稳健性和可解释性。在多个公开与私有金融数据集上，CaT-GNN显著优于现有最先进方法，验证了因果理论融入图神经网络在金融欺诈检测中的有效性与实用性 [page::0][page::1][page::4][page::6][page::6][page::6][page::6][page::6][page::6][page::6][page::6].
本报告提出并分析了一种名为“Riccati Tontine”的现代累积型养老金共享安排。该方案通过设计基于二阶微分方程（Riccati方程）的时间依赖回收计划，保证代表投资者在死亡或提前退场时“平均”能够收回本金，满足监管要求。与传统养老金不同，Riccati Tontine中的基金投资于与死亡率呈负相关的风险资产，实现寿命风险的有效对冲。数值实验表明，该方案在有限和无限投资池均近似最优，提高了生存者的期望收益并降低风险波动 [page::0][page::2][page::5][page::9][page::10][page::23]
本报告针对金融时间序列中广泛存在的波动聚集现象，提出一种基于尺度混合分布（SMD）的神经网络不确定性量化方法，简化了传统Normal-Inverse-Gamma（NIG）先验的复杂度和过参数化问题。通过设计各参数独立子网络结构并引入模型平均，提高了预测收益和不确定性估计的精准度。在加密货币和美国股票数据集上的实证显示，该方法能有效捕捉波动变化，优于Deep Ensemble和Deep Evidential两种代表性方法，具有良好的理论基础和应用前景 [page::0][page::5][page::16][page::30]
本报告提出了一种基于Instant Hardness Threshold结合逻辑回归（IHT-LR）技术和加权集成学习的混合模型，有效解决了信用卡欺诈检测中数据极度不平衡的问题。通过结合决策树、随机森林、K近邻和多层感知机等多种算法，并运用Grid Search优化权重，模型在公开数据集上实现了100%准确率，显著优于现有方法，展现了强大的欺诈识别能力和实用价值 [page::0][page::6][page::15][page::20][page::22]。
本文针对保险领域中常见的左截断右删失数据，提出基于乘积极限估计量的谱风险度量非参数估计方法，并证明该估计量的渐近正态性及Edgeworth展开，利用自助法提升分布近似精度。模拟研究显示所提估计量在样本量较小和风险厌恶系数较低时优于现有参数及非参数方法，且适用独立及依赖数据情况。最后应用于挪威火险和法国海洋损失数据，验证方法优越性并分析风险特征 [page::0][page::3][page::6][page::8][page::16][page::20][page::21][page::22][page::23][page::24]
