本报告系统介绍了Barra风险模型的定义、分类、作用及其在A股市场的实证表现，深入分析了Barra模型风格因子和行业因子的显著性及风险属性，结合中信建投现有选股体系对比分析了风险剥离效果。研究证实Barra模型对沪深300等大盘股解释度较高，行业因子在风险解释中占主导地位；同时指出部分风格因子如规模因子正由Alpha因子转向风险因子，且市值等权处理对风格因子的风险剥离效果与Barra相当。最后，通过构建中证500指数增强组合，实证显示中信建投现有选股体系的指数增强表现优于Barra风险模型处理组合，提示应根据不同样本池和因子灵活应用风险剥离方法，为指数增强及多因子投资策略提供实证参考 [page::1][page::4][page::8][page::16][page::19][page::20]
本报告通过对中信一级29个行业近五年股价月度波动的系统分析，发现行业波动集中在特定月份，周期性行业多于六月波动突出，多个行业遵循净利润季度分布规律，且节假日及政策因素亦显著影响股价波动，构建了行业月度波动的多维驱动框架，为量化基本面投资提供了理论支持与实证依据[page::0][page::1][page::2][page::3][page::4]。
本报告基于行业财务基本面指标与行业指数涨幅排名的相关性分析，系统验证了净利润成长性指标与当季行业指数涨幅正相关，ROE环比涨幅具有领先预测能力，毛利率环比涨幅对同期指数涨幅有显著关联，而净资产增速与指数涨幅关联不显著，强调行业指数涨幅主要由盈利能力及成长能力驱动 [page::0][page::1][page::2][page::3][page::4]。
本报告系统总结了高送转股票投资策略，通过提前埋伏和董事会预案公告后买入两阶段方法，充分捕捉小市值风格红利及高送转事件alpha，实证表明该策略2015年获得显著超额收益，报告并推荐最新高送转股票组合，指导投资者把握未来2-3个月投资机会 [page::0][page::1]。
本报告系统阐述了中信建投量化行业基本面体系，重点分析业绩表现与股价表现的同步性，提出基于净利润TTM环比增速的行业配置策略，并以10个中信一级行业为例进行了历史回测，回测期内实现了7.5%的超额年化收益。报告强调了结合行业研究员逻辑和量化手段构建行业量化基本面体系的重要性，为行业轮动和量化配置提供理论基础与实证支持[page::0][page::1][page::5][page::6].
本报告提出GraphShield，一种创新的动态图学习模型，通过整合时空信息和风险聚类特性，有效识别隐藏风险并防止风险传播。该方法在四个真实及开源金融数据集上取得领先性能，并提供直观的风险传播可视化分析工具，助力维护金融稳定。[page::0][page::1][page::2][page::5][page::6]
本报告利用拓扑数据分析（TDA）方法检测了COVID-19疫情期间美国股票与大宗商品市场的崩盘，发现Wasserstein距离显著上升，显示崩盘期间市场拓扑结构的剧烈变化。同时，通过Granger因果关系检验揭示了股市与商品市场在崩盘期间存在双向因果关系，且股市对商品市场具备主导性。此外，报告还考察了美国各股票行业板块间的相互依赖性及其动态变化，为投资者理解疫情冲击下市场联动机制提供了新视角 [page::0][page::6][page::8][page::13][page::15]
本报告提出基于欧元区多层网络模型构建欧元区银行系统，利用多种细粒度数据来源构建多层网络的不同金融关系层次。通过分析各层的拓扑结构和中心性指标，揭示银行间多样化资金流和风险传递路径，验证不同层网络拓扑差异与实证特征。实证结果表明，多层网络层具有“无标度”和“小世界”性质，但不同层表现不一，强调建模需考虑层的异质性以精准描述系统性风险和市场动态[page::0][page::5][page::6][page::7][page::11][page::12]。
本文提出了一种将长短期记忆网络（LSTM）与图神经网络（GNN）融合的混合模型，结合时间序列与股票间关系数据，显著提升了股价预测的准确性。经扩展窗口验证训练，该模型在历史数据上的均方误差（MSE）为0.00144，较单独LSTM模型降低了10.6%。相较线性回归、卷积神经网络（CNN）和全连接网络，混合模型表现出更强的鲁棒性和泛化能力。该研究证明结合时序动态和股票关联性是提升金融市场预测效果的有效途径，为实时交易和风险管理提供了有力工具 [page::0][page::1][page::4][page::6][page::7][page::8][page::9][page::10].
本文提出了结合因果生成对抗网络（Causal GANs）与软演员评论家（Soft Actor-Critic, SAC）强化学习的混合方法，生成涵盖AAA、BAA、美国10年债券和垃圾债的高保真合成债券收益率数据，并整合12个关键宏观经济变量。基于这些数据，利用微调的大型语言模型Qwen2.5-7B进行买卖信号、风险评估和波动率预测。多维度评估结果表明，方法在平均绝对误差（MAE低至0.103）和收益率（最高60%盈利率）等方面均优于基线，且强化学习模块显著提升合成数据质量与预测性能[page::0][page::1][page::4][page::6][page::7]。
本文提出了一种基于12种限价单簿事件的事件驱动LOB模拟模型，利用Neural Hawkes过程提升对事件间非线性依赖的捕捉能力，构建了动态midprice过程。通过深度强化学习框架实现了更真实的高频做市策略回测，模拟结果在价格波动性、订单成交分布等方面与真实市场数据高度一致，验证了方法的有效性 [page::0][page::2][page::3][page::8][page::11][page::14][page::18][page::21]。
本文针对去中心化金融（DeFi）中的借贷协议，提出了一种基于点过程的利用率动态模型，并通过随机控制方法求解最优利率策略。针对线性利率强度函数，推导出基于Riccati型ODE的闭式近似解；针对非线性情况，采用蒙特卡洛估计结合深度学习实现最优利率函数的逼近。基于AAVE v3 USDT池的详细链上数据，进行了模型标定并对比风险调整后的利润分布，结果显示自适应模型与神经网络基准表现接近，优于传统线性和双线性模型，提升了风险管理与市场效率 [page::0][page::2][page::8][page::15][page::17][page::19]
本报告提出了一种基于分位数的半参数历史模拟方法（QFHS），用于多步预测VaR与ES，突破了传统历史模拟在多步预测与不同分位数估计上的局限。通过规模化收益率残差的重采样，QFHS实现了尾部风险的准确预测，兼容CAViaR及多种波动率模型扩展。模拟与实证结果显示，在高峰度和偏态条件下，选择估计分位数α在0.05-0.15间的QFHS方法表现优于传统滤波历史模拟(FHS)，对个股尾部风险预测尤为显著，验证了方法的实用性和灵活性 [page::0][page::2][page::7][page::8][page::28].
本文提出一种可捕捉“higher for longer”现象的短期利率一因子马尔可夫扩散模型，利率取值区间有限且上端点有吸收行为。结合风险中性定价方法，推导了零息债券及利率衍生品定价的解析表示，涉及转移密度与非线性ODE的解。通过对特定参数模型的谱分析给出显式的特征函数展开式，并基于样本路径和谱方法分析了债券价格与收益率曲线的行为，模型在不同边界条件下展现出不同的谱结构，体现了利率在高位长期维持的现象 [page::0][page::1][page::4][page::6][page::8][page::10][page::11].
本文研究单一资产多周期投资组合优化问题，考虑历史信号随时间衰减的alpha衰减效应及固定交易成本对最优交易策略的影响。构造马尔可夫决策过程框架，提出无须执行最大化操作的值迭代算法变体，证明其收敛性，并基于小交易成本情形推导最优策略的一阶逼近，数值模拟验证了多周期策略优于简单基于即时奖励的贪心策略，突出历史信号预测能力以及交易成本对策略调整的作用 [page::0][page::2][page::6][page::8][page::10][page::13][page::14]
本报告提出一种内嵌于区块链基础架构的自动套利捕获机制，通过利用空闲网络资源执行排序交易，减少跨市场价格偏差，提升市场微结构效率，降低执行延迟，并将套利收益分配给网络参与者以支持生态发展。该方法在不承担额外库存风险的前提下，优化区块生产过程中的资源利用率，实现内生套利机会捕获和利润再分配，增强链上市场流动性和交易质量 [page::0][page::1][page::3][page::4]。
本报告提出了“CryptoPulse”模型，通过融合宏观市场波动、技术指标、个别加密货币价格动态及市场情绪，实现次日加密货币收盘价的高精度预测。模型采用双重预测机制及基于市场情绪的融合优化，在大规模实盘数据集上的实验结果显示，CryptoPulse在MAE、MSE和相关系数等多个指标上显著优于十种主流对比模型，展现出强劲的预测能力和稳健性[page::0][page::1][page::4][page::5][page::8]
本报告针对企业财务欺诈检测中的信息过载和隐藏欺诈问题，提出一种结合知识图嵌入与鲁棒双阶段学习的图卷积网络模型（KeGCN_R）。通过构建中国A股18年财务知识图谱，深入分析了支持节点过多导致的图信息噪声和标签噪声带来的挑战，并设计了以元路径为基础的公司子图及基于贝叶斯标签转移矩阵的隐匿欺诈鲁棒训练策略。实验证明，所提方法在处理复杂关系和标签噪声方面均显著优于现有方法，提升了欺诈识别的准确性和鲁棒性 [page::0][page::1][page::4][page::5][page::7][page::11].
本报告提出并验证了Agentic Retrieval-Augmented Generation（Agentic RAG）方法，用于组织研究中的主题建模。通过结合检索、生成与智能代理迭代优化，Agentic RAG提升了效率、透明度、有效性和可靠性。在对COVID-19疫苗犹豫推文数据集的实证中，Agentic RAG表现优于传统LDA和基于LLM提示的主题建模，显著提升了主题与数据集的语义相关性和结果稳定性[page::1][page::12][page::17][page::19][page::20]。
本报告通过整合分析亚马逊评论、沃尔玛销售、Instacart订单及谷歌趋势等多源大数据，挖掘消费者行为、季节性采购趋势和产品偏好，揭示零售市场关键时序特征与关联规律，为库存管理和营销策略优化提供数据驱动支持，提升客户满意度与零售效益 [page::0][page::6][page::11]。
