本报告深入解析深度神经网络（DNN）在资产定价中优化投资组合的作用，证明宽且深的DNN训练至最大化风险调整收益率的随机贴现因子（SDF）等价于大因子模型（LFM）。研究揭示DNN架构显著影响SDF表现，证明深度复杂性美德：当数据充足时，DNN的深度越大，样本外表现越优，且性能在约100层隐藏层时趋于饱和。实证部分通过闭式解与核方法，结合美国大样本股票特征数据，验证了深度神经网络在构建投资判断中的优势，尤其在较长的数据窗口下深度模型显著优于浅层模型，展现出捕捉非线性alpha的能力[page::0][page::3][page::25][page::28][page::29].
本报告提出了多关系动态图神经网络（MDGNN）框架，系统揭示股票投资中的多维关系和时序演变，利用多关系图构建多元实体及其交互，结合Transformer捕捉演化动态，实现对股票涨跌的精准预测。实验表明，MDGNN在沪深指数数据集上显著优于主流时序及图模型，提升预测效果及投资回报率，验证了多关系动态图在复杂金融系统建模中的优势 [page::0][page::1][page::4][page::5][page::6]。
本研报针对拳击裁判存在的偏见问题，提出了一种基于多数局胜负（majority rounds rule）的判决方法，通过先聚合各裁判对每一局的评分，再综合局数结果，降低偏袒性裁判对比赛结果的影响，显著减少“抢劫”现象，提升比赛的公平性和群众信任度。模型分析和大量模拟显示该方法比传统的多数裁判制更能抵抗偏见干扰，推广潜力强。[page::0][page::1][page::4][page::5][page::6][page::7]
本报告提出了一种基于因果网络蔓延效应的全新价值风险度量方法——Causal NECO VaR。该方法通过结构方程模型和高维因果网络推断，能准确识别资产间的因果传染路径，实现对风险的稳健预测。模拟和外汇实证结果显示，Causal NECO VaR在市场波动剧烈或非正态分布条件下表现优异，效果显著优于传统VaR方法，具有更好的风险覆盖率及稳定性，适用于复杂金融系统的风险管理 [page::0][page::2][page::9][page::17][page::19]。
本报告提出了一种基于量子计算的彩虹期权定价新方法，利用迭代量子幅度估计实现端到端量子电路，在返还空间延迟至价格空间的转换过程中，通过两种指数幅度加载技术实现高效编码。借助IBM QASM模拟器进行实验验证，展示该量子算法在多资产衍生品定价领域的潜力 [page::0][page::1][page::7]
本报告运用Guhr方法通过市场行业维度对金融市场的Pearson相关矩阵进行粗粒化处理，构造低维Guhr矩阵，实现对S&P 500与Nikkei 225市场状态演变的精准刻画。研究发现Guhr矩阵在大幅减少参数数量的同时，显著保持了市场状态的动态特征和转移矩阵的近三对角结构，且与传统Pearson矩阵及功率映射(PM)方法结果高度相似，验证了粗粒化方法在降低复杂度及降噪中的有效性，为风险评估与市场状态分析提供了新的量化工具 [page::0][page::3][page::4][page::5][page::8]
本文提出了一种基于统计跳跃模型（JM）的时序切换投资策略，通过识别市场的不利行情状态及时转向无风险资产，从而显著降低波动率和最大回撤，提升风险调整后收益。研究对美国、德国和日本主要股指进行了1990-2023年的实证测评，结果表明JM策略较传统隐马尔可夫模型(HMM)和买入持有策略具有更高的稳定性和持久性，且对交易延迟具有更强鲁棒性，年化收益提升1%-4%不等，表明JM在实际投资风险管理中的有效性[page::0][page::2][page::14][page::17]。
本文研究了经纪商作为流动性提供者与知情交易者及噪声交易者在部分信息、不对称信息环境下的博弈模型。经纪商通过观察客户交易流量，对隐含的私人信号进行滤波，拥有信息优势，从而获得与交易成本相当的经济价值。基于线性二次型框架和卡尔曼滤波，报告推导了知情交易者和经纪商的最优自适应策略及其唯一性，并通过数值模拟验证了价格信息导致估计信号质量差，而经纪商利用客户交易流的滤波显著提升交易表现。还讨论了不同学习信号源下的策略性能差异及二阶策略效应，为理解经纪商市场内化与外化机制提供理论支持 [page::0][page::1][page::5][page::15][page::23]
本报告利用梯度提升机（主要为XGBoost）在汽车贷款信用评分中，挑战并优于传统信用评分模型，显著提升违约捕获率。通过SHAP值揭示模型的可解释性，满足美国和欧洲监管要求，实现合规且高效的信用评分应用 [page::8][page::27][page::28]
本报告提出了TradingAgents，一个基于多智能体大语言模型（LLM）的股票交易框架，模拟真实交易团队运作，涵盖基础面、情绪面、新闻面和技术面分析，同时具备多角度辩论与风险管理机制。通过严格回测，在多只股票上显著超过传统动量和均值回归策略，表现出较高的累计收益率、夏普比率和可控最大回撤，证明多智能体协作与结构化通信在金融交易中的应用潜力 [page::0][page::2][page::5][page::6][page::7][page::11].
本文基于非对称断点方法，构建了加密货币市场尾部风险关联网络，动态分析疫情前后风险传播机制。研究发现疫情加剧了加密货币的系统性风险及风险溢出效应，稳定币如Tether表现出明显的风险分散功能。通过市场价值加权分解，揭示不同币种对整体风险的贡献及疫情期间风险结构演变，为监管机制提供参考 [page::0][page::1][page::3][page::4][page::7][page::8]
本报告系统研究了Choquet量化风险测度（Choquet quantiles）及其在模糊性（不确定性）下的风险分担问题，拓展了传统概率分布下的VaR概念。基于唯一的序次公理对Choquet量化方法进行刻画，证明了其inf-卷积仍属于Choquet量化类，从而得到明确的最优风险分配。引入了Choquet期望短缺（Choquet ES）作为ES的泛化，并研究其性质与风险分担问题。理论部分辅以数值算法和基于S&P 500指数金融数据的应用示例，展示风险共享在模糊环境下的风险缓释效果，为金融监管和风险管理提供新工具和方法论支持 [page::0][page::1][page::2][page::4][page::11][page::16][page::18][page::24][page::27]
本报告基于均值-方差模型，提出一种结合椭球型参数不确定集和固定交易成本的鲁棒稀疏组合优化模型，有效缓解估计误差及过度分散风险。设计了半光滑牛顿法与差分-凸近似相结合的高效算法，具备局部线性收敛性，能在大规模资产中快速获得高质量子最优解。理论证实风险厌恶参数与鲁棒程度一一对应，交易成本与参数不确定性交互影响投资组合持仓数，揭示“分散悖论”：估计误差增大不必然导致资产多样化，反而可能降低持仓数。本模型数值验证算法优于传统$\ell_1$正则，理论与实证结果为投资者平衡收益、风险、交易成本提供新颖决策依据。[page::0][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::10][page::11][page::12][page::20][page::23][page::24]
本报告提出了一种基于强化学习的自适应学习政策引擎（ALPE），实现对高频交易中100只美股S&P 500成分股数据的逐事件、即时中价预测。ALPE采用动态调整的epsilon衰减机制，在批量训练与在线学习间实现平衡，显著优于传统统计、机器学习及深度学习模型。结合多种特征工程及特征重要性方法，ALPE在多数据集上表现出稳健的预测准确性，尤其在低延迟的高频环境中展现出卓越适应能力。本研究为实时高频交易预测提供了有效的策略框架及性能评估指标RRMSE，促进了强化学习在金融时序预测领域的应用 [page::0][page::5][page::14][page::16][page::19]
本文研究了含有市场状态切换的最优清算随机控制问题，首次提出和解决了含奇异终端条件的多维带跳跃系统BSDE的存在性与唯一性。模型将流动性与波动率的多状态变化纳入框架，利用罚函数法结合多维比较定理，实现收敛极限的严格刻画。与现有文献主要关注极小解不同，本文突破性地证明了解的唯一性，显著提升理论深度并精确刻画了基于系统BSDE的最优交易策略。[page::0][page::1][page::5][page::12][page::15]
本报告基于日本私营在线临时工匹配平台Timee的专有数据，首次系统分析了点工市场的匹配效率和弹性。研究显示，2019年至2023年间，点工平台市场迅速扩张，注册用户和职位空缺均显著增长。通过非参数方法估计，点工平台的匹配效率显著提升，弹性对用户数量波动范围为0.7至1.5，对职位空缺弹性多次超过1.0，均高于公共就业平台Hello Work。地区间匹配效率差异较小，反映出在线匹配平台较均质的区域覆盖特征，为理解和预测新兴灵活就业市场提供重要参考 [page::0][page::1][page::6][page::9][page::10][page::11][page::12]
本文从数学角度系统构建了连续时间框架下的集中流动性做市商（CLMM）模型，采用测度值过程形式刻画流动性分布及其动态，揭示交易费对价格过程的约束，导出了三种套利模型（近视、有限期及无限期带折扣/遍历控制）的最优套利策略闭式解，为DeFi市场效率及CLMM设计提供理论支持[page::0][page::1][page::4][page::18][page::27]。
本文研究一般不完全市场中的动态均值-方差（MV）资产配置问题，突破传统MV仅关注终端财富的限制，引入带有一般非指数贴现因子的运行期MV目标，实现任意时间依赖偏好的兼容。基于博弈论框架，将均衡控制策略分解为由二类方程表示的近视策略及对冲需求，创新采用非局部BSDE理论，证明解的良定性，制定数值方案，并针对CKLS模型验证技术假设，推动动态MV模型向广泛随机波动率场景的扩展 [page::0][page::2][page::3][page::13][page::16][page::17][page::23].
本报告提出了一种新型的机器学习损失函数GMADL，通过引入参数化的指数平滑函数，有效解决了传统MSE和MADL在高频算法交易策略中存在的过拟合和高交易成本问题。GMADL具备可微性和适应性，能够同时兼顾预测方向和实际收益幅度，提高策略在不同市场环境中的稳健性与盈利能力。报告结合BTC和原油等实证分析，验证了GMADL优于传统损失函数的性能表现，为高频交易模型优化提供了理论与实践支持 [page::0][page::1][page::2][page::3][page::4][page::5][page::6]。
本报告基于亚洲领先短视频平台的大规模随机对照实验，实证分析了AI生成的元数据（视频标题）对UGC平台内容消费的因果影响。结果显示，AI生成标题降低了元数据稀疏性，提升了用户-视频匹配精度，显著增加有效观看次数和观看时长，且对低技能创作者和娱乐类内容收益更显著。研究还发现AI标题整体质量低于人类标题，但人机协作（人工显著修改AI标题）能进一步提升观看效果，强调AI与人类创作者协同的重要价值 [page::0][page::3][page::4][page::8][page::14][page::21][page::27][page::28]
