本报告提出了ABIDES-Economist，一款集成多种异质经济主体（家庭、企业、央行和政府）且支持强化学习的多智能体经济仿真平台。通过复现两个经济场景，验证了平台能够模拟家庭技能异质性对劳动选择的影响及企业对生产正向冲击的定价与工资策略调整。平台结合真实美国经济数据参数设计，且可扩展多种政策模拟，为经济学与人工智能交叉研究提供了新的模拟工具和分析视角 [page::0][page::1][page::5][page::6].
本报告基于博弈论框架，构建了芬兰超速行为与警察执法间的重复博弈模型，探讨了子博弈完美均衡（SPE）策略配置如何通过“胡萝卜加大棒”机制降低超速动机。研究指出单周期惩罚路径不可稳定，短周期重复博弈中存在纳什均衡但非SPE方案，且警察的执法成本与超速损害比影响均衡驱动概率，强调实际执法需考量处罚周期及资源配置，提出引入惩罚资金补助可能性以提高警察执行惩罚的积极性，为交通安全政策设计提供理论支持和方向指引[page::12][page::20].
本报告提出了STEER基准，系统且可调控地评估大语言模型（LLM）在经济理性决策方面的表现，通过设计细化的64个理性元素及层次结构，生成24500多道多项选择题，覆盖金融、医疗等多领域与13个难度等级。通过对14款不同规模LLM的大规模实验，结果表明模型性能显著受参数量影响，大模型（如GPT-4 Turbo）在低难度题上表现优异，但高级推理题表现趋近随机，且适当提示技术和自我解释能提升模型表现。此外，模型在避免认知偏差和多领域鲁棒性方面表现不一，展现当前技术的潜力与局限 [page::0][page::1][page::5][page::11][page::18][page::19][page::20][page::21]
本报告基于近8900万笔真实交易数据，系统性对比传统特征与结合个性化PageRank（PPR）网络特征在在线交易欺诈检测中的表现。研究表明，PPR特征显著提升模型预测性能，AUC提高2%，且其特征重要性指数高达0.7，表现出独特的风险识别能力。特征稳定性分析确认训练与测试数据分布一致，保证模型泛化能力。结果验证了网络特征对精细捕捉欺诈行为复杂社交关系的关键作用，建议未来研究拓展更多网络曝光特征以提升反欺诈能力。[page::0][page::2][page::4][page::5][page::6]
本报告提出基于Karhunen–Loève展开的Ornstein–Uhlenbeck驱动随机波动率模型的全新精确模拟方案。通过将OU过程的隐含波动率路径表示为正弦级数，并解析推导波动率及方差的时间积分为独立正态变量之和，实现了比现有方法快数百倍的计算效率。结合条件蒙特卡洛和鞅保留控制变量技术，进一步降低模拟方差，提高期权定价精度，为路径依赖金融衍生品定价提供了高效工具。[page::0][page::1][page::4][page::5][page::7]
本报告介绍了社会碳成本元分析数据库的2025年最新版，新增123条记录及性别和随机性字段，数据库收录了446篇论文和14152条碳成本估计，数据显示碳成本均值显著高于众数，且估计值在近年来呈上升趋势，女性作者参与的研究碳成本估计高于男性。本数据库集合多种卫星数据库，实现多维度交叉分析，助力气候经济政策制定和偏差检测 [page::0][page::1][page::3][page::6][page::7][page::8][page::9]
本报告提出利用大型语言模型（LLMs）生成合成人类演示，通过模仿学习（IL）构建次理性行为代理模型，克服传统强化学习在奖励函数设计及时间不一致性建模上的局限。通过四个经典经济与心理实验（终极游戏、棉花糖实验、加倍赌博、学术拖延）验证了该框架在捕捉人类有限理性、短视偏好及风险规避等行为特征的能力，实验结果与已有实证研究高度一致，展示了LLMs合成演示在次理性行为建模中的潜力与优势[page::0][page::3][page::4][page::5][page::6][page::7][page::8]
本报告系统性评估了自编码器（Autoencoder）在Statistical Arbitrage（统计套利）中的应用，提出将自编码器嵌入端到端的策略学习架构，直接输出投资组合权重。实证结果显示，相较于传统PCA和Fama French资产定价模型，该端到端方法显著提升了风险调整后的收益率，简化了策略流程并有效降低了建模风险，展示了深度学习架构在StatArb交易策略构建上的潜力和优势[page::0][page::1][page::5][page::6][page::7].
本报告提出了一种基于凸-凹程序（convex-concave procedure）的非凸优化方法，用于发现同时包含多资产的统计套利组合。方法通过最大化组合价格波动率且价格限制在移动区间内，在固定带和移动带情况下均可应用。实证结果表明，移动带统计套利组合较固定带组合具有更佳的盈利能力和更长的样本外持续性表现 [page::0][page::2][page::8][page::17][page::22]。
本报告基于Erdo˝s–Rényi随机网络模型，构建了一个包含100家银行的金融网络，研究了网络中部分银行遭受冲击而违约后，冲击如何通过银行间的资产负债联系传播。主要发现为：银行间连接概率值与银行系统整体偿付能力（清偿率）呈正相关，连接越紧密时，系统抵御冲击的能力越强，违约风险降低。此外，概率值取样间距及随机实验次数对终结果影响不大，表明模型稳定性良好[page::0][page::4][page::8][page::9][page::10]。
本报告系统刻画了由独立一维Lévy鞅驱动的非负短期利率仿射期限结构模型，证明所有此类模型均可归约为由独立稳定过程驱动的标准形式，涵盖经典CIR和α-CIR模型。重点研究了短期利率的重尾性质及极限分布，并基于欧洲央行AAA评级债券市场利率数据对模型进行了数值校准，结果显示带稳定噪声的模型相较CIR模型具有更优拟合效果和更好的尾部风险管理能力 [page::0][page::2][page::3][page::10][page::16][page::22][page::28][page::30]
本报告针对租赁参与受限的金融市场及投资者具备幂效用偏好的情形，提出并证明了一个带有奇异和路径依赖特性的Riccati型ODE的存在性和唯一性。基于该ODE的解，报告构建了一个不完全Radner均衡，涵盖投资者在有限股票市场参与下的策略及市场动态。文中还详细探讨了ODE的边界奇异性、解的性质及对应的状态过程SDE，最终实现了均衡资产价格和投资者最优策略的闭式刻画 [page::0][page::4][page::30][page::40][page::50][page::60].
本报告提出RiskMiner，一种结合风险偏好蒙特卡洛树搜索的量化因子自动挖掘框架，通过设计奖励密集型马尔可夫决策过程（MDP）和风险偏好策略优化，实现对最佳案例表现的专注优化。该方法利用结构化解空间信息，显著提升因子多样性和协同性，且在CSI300与CSI500等实证数据上优于多种最新基准模型。回测验证其在真实交易环境中具备更佳盈利能力，且消融实验进一步确证了各组件的有效性 [page::0][page::1][page::6][page::7]
本文系统梳理了多种用于识别和定量分析可变可再生能源（VRE）短缺事件（如Dunkelflauten，即可再生能源枯竭期）的方法，聚焦基于VRE供给和正剩余负荷（PRL）两种视角，提出了新的变量时长不足均值阈值法（VMBT）以提高事件识别准确性，并探讨了跨技术和跨区域的可比性要求与阈值设定原则。研究同时扩展了对PRL事件的识别方法，提出了考虑储能效率的调整版Sequent Peak Algorithm，提供更真实的系统灵活性需求评估。本报告为统一术语、规范方法应用及未来研究提供了有效指导 [page::0][page::1][page::7][page::10][page::16][page::19].
本报告提出了针对多资产($N$-token)几何平均自动做市商(AMM)池套利的闭式解析解，与传统数值凸优化方法相比，该方法在模拟测试中能够更早捕捉并实现更优套利机会，且计算机能实现基于GPU的并行加速，显著提升计算效率与可扩展性。此外，闭式解方便对时变权重的AMM池进行梯度求导，支持高级机器学习优化应用及链上套利机器人的实现，为AMM建模和套利策略提供了一种高效新途径。[page::0][page::3][page::5]
本报告针对爱尔兰电力平衡市场电价预测，提出了一个基于公开数据集和多种模型的可复现框架。研究发现，日内市场表现优异的深度学习模型在平衡市场表现不佳，简单统计模型LEAR凭借LASSO正则化方法表现最佳，且训练数据量增大显著提升模型准确度。结果表明，平衡市场的高度波动性和剧烈价格峰值对预测模型构成挑战，为后续研究提供了基准和改进方向 [page::0][page::2][page::15][page::23]。
本报告介绍了FNSPID，一个涵盖1999至2023年、包含4775家标普500成分股近1.57千万条财务新闻与近3千万条股票价格的庞大时序金融数据集。FNSPID结合了丰富的定量数据和新闻情感评分，显著提升了基于深度学习模型的股价预测准确率，尤其是在Transformer架构中体现出较优性能。该数据集支持多语言、多源新闻，具备时间戳对齐的优势，为金融情感分析及量化策略研究提供了重要资源 [page::0][page::1][page::4][page::5][page::6][page::7]。
本报告基于SPY 500指数数据，系统比较了ARIMA、RNN、LSTM、CNN等统计与深度学习模型在股票价格预测中的表现。结果显示，LSTM模型在预测精度（MAE值最小）和趋势捕捉上优于其他模型，特别是在30天窗口期内效果最佳。同时，全卷积神经网络（Full CNN）优于预处理CNN（Preprocess CNN），为时间序列预测提供了有效的模型选择参考，助力投资者优化交易决策 [page::0][page::1][page::2][page::4]
本报告针对股票预测中数据稀缺、低信噪比和数据同质性问题，提出基于扩散模型与Transformer结构的DiffsFormer进行因子增强。通过源域大规模训练及编辑目标域样本，实现知识迁移和数据多样化提升，显著改善了CSI300和CSI800数据集上的预测年化收益率，提升分别达7.2%和27.8%。此外，利用无监督条件引导和损失引导机制，有效控制回归模型波动性并提高稳定性，为量化投资数据增强提供新思路。[page::0][page::1][page::6][page::8][page::10][page::11][page::12]
本报告首次建立了经典GARCH族模型与神经网络（NN）模型的等价关系，基于此提出GARCH-NN方法，将GARCH的波动率统计特性（风格化事实）无缝注入NN框架，显著提升了波动率预测的精度和解释性。通过将GARCH模型的NN对应结构嵌入LSTM，提出GARCH-LSTM模型，实验证明其在多个资产时间序列上的表现优于单独的统计模型或深度学习模型[page::0][page::1][page::2][page::6]。
