本报告基于中国2016年公共长期护理（LTC）保险的试点政策，实证分析了公共LTC保险对健康老年工人劳动力供给的影响，揭示公共保险可减轻未保险风险，尤其对缺乏非正式保险（如与成年子女同住）的家庭效果显著，而非正式保险覆盖较强家庭影响不大。此外，公共保险促进了预期的正规护理使用，但未替代非正式护理。研究体现了在非正式保险主导的背景下公共LTC保险的有限但日益重要的风险分担作用，为发展中国家政策设计提供了实证依据和启示 [page::0][page::2][page::3][page::16][page::27]。
本报告以韩国为案例，实证分析了二级专利体系中的实用新型（UM）对中等收入陷阱中经济体技术能力积累的长期促进作用。研究发现，韩国的前沿技术（美国专利）当其基于国内实用新型时，影响力更大，说明UM支持的模仿型和适应性学习为全球竞争力的形成奠定基础。此外，随着经济发展，UM的作用逐渐减弱；且基于UM的前沿技术更促进本国专业化而非外国后续创新。报告强调UM在发展中国家工业政策中的关键作用及其在技术转移中的潜在价值，为逃脱中等收入陷阱提出新视角 [page::0][page::3][page::4][page::5][page::20][page::25][page::26]
本文提出了一种基于树形网络的路径k代传播模型，结合节点安全异质性和起源位置影响，精确计算局部及总体网络风险损失的数学期望与方差。模型利用贝叶斯网络d-分离简化多路径风险传播的联合概率分布，提供闭式解，有助于网络安全保险的精确定价。数值实验验证安全水平和起源位置对风险传播概率和聚合损失的显著影响，为风险管理和保险定价提供有力工具 [page::0][page::3][page::5][page::9][page::15][page::16][page::18][page::19][page::20]
本报告基于2015-2022年中国A股上市公司数据，系统分析了ESG评级分歧(Dis)对企业全要素生产率(TFP)的负面影响及其机制，揭示绿色创新加剧评级分歧对TFP的抑制效应，并通过机器学习XGBoost模型及SHAP解释展示了Dis在TFP预测中的重要作用和非线性关系，为企业和监管层应对ESG评级分歧、提升企业高质量发展提供策略性建议。[page::0][page::4][page::7][page::8]
本报告基于纳什谈判模型与中国2000-2023年上市公司数据，实证分析进口关税变化对企业国内垂直一体化的影响。研究发现，下游关税下降显著促进垂直一体化，上游关税下降进一步增强该效应，且这种影响在高资产专用性行业更为明显。此外，关税下降对高科技企业的技术驱动型垂直并购也有显著促进作用，揭示了技术获取在进口竞争推动企业组织优化中的关键作用[page::0][page::1][page::16][page::17][page::18]。
本文提出了融合递归神经网络（RNN）与长期记忆异质自回归（HAR）模型的新型RNN-HAR模型，实现了对风险价值（VaR）的直接预测。该模型利用基于损失函数的广义贝叶斯推理和序列蒙特卡洛（SMC）方法进行估计和预测，避免了对收益分布的假设。通过对2000至2022年31个市场指数的实证检验，结果显示该模型在单步VaR预测方面显著优于传统HAR及其扩展模型，展现出更强的非线性动态捕捉能力和预测准确性[page::0][page::2][page::6][page::19][page::10][page::13][page::19]
本报告提出了一个基于多维Ornstein-Uhlenbeck过程描述经济生产力及碳价动态的多部门连续时间模型，量化碳价对信贷组合违约概率及违约损失率（LGD）的影响。通过建模贷款抵押品为金融资产和实物资产（房地产），准确表征抵押品价值随碳价和能源效率变动的随机性，进而评估气候转型风险对信贷损失的扭曲效应。数值模拟显示碳价上升导致违约概率和LGD均上升，而抵押品能有效降低损失，但其能效和碳强度对风险缓解效果存在显著影响。该框架为监管政策制定和信贷风险管理提供量化支持 [page::0][page::3][page::17][page::19][page::34][page::37][page::38]
本报告提出创新的IUS框架，融合了新闻文本的情感极性评分和汇率变动分类文本特征与结构化金融指标，通过因果驱动特征生成器提取特征，再以Optuna优化的Bi-LSTM模型进行EUR/USD汇率预测。实验证明该方法显著优于传统模型，MAE降低10.69%，RMSE降低9.56%，且结合结构化与非结构化数据的融合提升了预测准确性，特征选择优化亦提高了模型表现，为汇率预测提供了多源信息集成的新思路 [page::0][page::1][page::6][page::17][page::21].
本报告研究有限时间和状态下基于模型不确定性的资产定价，创新定义了模型不确定情况下的套利，建立了单期与多期证券模型中无套利条件与风险中性概率测度之间的等价关系。针对禁止卖空的市场，提出弱与强风险中性非线性期望条件，确定无套利的必要和充分条件，推导了对冲策略及其超额对冲价格，为不完全市场下风险定价提供理论支持 [page::0][page::2][page::15][page::16]
本报告利用中国1999年高等教育扩招政策，采用省际差异和人群队列差分法，实证分析了教育机会提升对农村地区教育水平、劳动力结构、人口迁移及生活质量的影响。研究发现，高教扩招提升了农村人口的教育参与度，但导致农村出现“人才流失”现象：农村村落人口减少，教育水平较高的劳动力流失，农业活动收缩，生活设施与人均收入降低；而有成员迁出的家庭则收入显著增加，主要通过汇款渠道补偿，揭示教育机会通过缓解城乡迁移壁垒影响农村福祉的复杂效应[page::0][page::3][page::5][page::24][page::29][page::31][page::35][page::41][page::42]。
本报告基于Ken French经济行业收益数据，利用受限条件Granger因果指数(RCGCI)估计多行业间的因果网络，并采用Helmholtz-Hodge-Kodaira分解(HHKD)揭示金融市场中的因果等级结构。实证发现金融危机期间（如2020年疫情爆发）网络连接度显著提升，且贵金属和医药产品行业处于因果驱动的高位层级，表明HHKD能有效剖析市场危机中的主导驱动力，辅助危机理解及政策干预 [page::0][page::4][page::5][page::7][page::9]。
本报告针对房地产动态定价问题，构建了包含有限存货、固定销售期限及中间销售与收入约束的优化模型。引入了时变需求函数、资金时间价值及房地产价值随开发阶段增长的因素，设计并证明了最优定价策略的求解算法。实证模拟显示，考虑这些因素的反馈定价策略显著优于传统模型，为房地产定价提供理论及实务支持[page::0][page::1][page::4][page::7][page::12][page::13]
本报告提出EX-DRL方法，通过结合广义帕累托分布（GPD）对损失分布极端分位数进行建模，提升分布强化学习中极端风险度量（VaR、CVaR）的估计精度。实验证明，EX-DRL在期权Gamma对冲中显著优于传统QR-DRL，取得了更精准的极端分位数估计和更优的盈亏分布表现，利于复杂金融风险管理 [page::0][page::1][page::5][page::9]。
本报告基于系统文献回顾及四国20位专家访谈，分析知识产权（IPRs）在发展中国家气候技术转让与创新中的复杂角色。发现专利对技术扩散影响有限，而商标和实用新型对激励本地气候创新有积极作用。报告构建了针对减缓与适应不同需求的IPR治理框架，强调市场机制优先支持减缓技术转让，制度性机制则更适合适应技术的创新能力建设。研究建议政策聚焦需求拉动和能力培育，减少对弱化IPRs的诉求 [page::0][page::4][page::20][page::21][page::22]
本报告提出结合分位回归与分段线性嵌入的新方法P-QVAR，构建加密货币市场的因果网络，重点捕捉尾部事件的非线性因果关系。通过对260种加密货币1年小时级收益率的实证分析，发现市场尾部的因果链接占主导，且比传统线性VAR模型识别出更多复杂的因果影响，揭示了主要的自因果结构及比特币作为关键影响因子的独特作用，为金融市场非均值响应因果分析提供了创新框架[page::0][page::1][page::8][page::12][page::13]。
本报告构建了一种双层优化模型，分析带有收入差异的家庭在不同补贴政策作用下对屋顶太阳能与社区太阳能的采用时机和产品选择。研究发现，社区太阳能满足低收入家庭需求，有助于降低整体补贴成本，加速太阳能普及；采用水平目标、时间目标与补贴预算三者须协同设置，且收入不平等影响采用进程，但社区太阳能的引入可缓解此影响 [page::0][page::1][page::8][page::12].
本报告针对金融深度强化学习中的卷积神经网络（CNN）模型，提出输入归一化和梯度递减结构两项关键改进。通过在FinRL-Meta环境中结合PPO算法验证，新架构显著提高了模型的预测准确性和鲁棒性，实现了比多层感知机和原始CNN更高的累积收益，显示出对复杂金融数据模式更强的捕获能力，为金融量化交易决策提供了有效新范式 [page::0][page::3][page::5][page::7]。
本文基于双代理深度强化学习(Double Deep Q-Learning)研究了在Almgren-Chriss市场冲击框架中，两自治代理在大宗资产最优执行博弈中的策略演化。结果显示，智能体学习策略显著偏离理论纳什均衡，转而趋近于Pareto最优解，表现出隐性默契合谋现象。不同波动率环境下，该行为均存在且具有较强鲁棒性，即便训练与测试波动率不匹配亦然。该发现揭示了强化学习代理间在市场交互中的自然合谋风险，对市场稳定及监管具有重要启示。[page::0][page::1][page::11][page::12][page::15][page::19]
本报告基于股票收益率的相关性网络分析，探讨网络各类中心性指标及整体结构演化与市场收益的关系。研究发现，网络的局部与全局属性均与未来个股及整体市场收益显著相关。在结合网络特征后，个股收益预测的R2得分在长期实现50%提升，短期提升3%，表明网络特征有效捕捉金融市场复杂交互信息，提升预测能力。[page::0][page::1][page::6][page::18]
本报告提出基于有限数据输入的多智能体深度学习模型（Model A），针对美国标普500指数期货市场日内交易决策，能够精选做多、做空或空仓操作，实现风险暴露仅为被动投资41.95%的情况下，年化收益率14.92%，显著优于被动投资及传统机器学习模型。研究结果表明，动态深度神经网络利用有限标准交易数据和强化学习，在短期股票指数预测领域展现出较高准确率、较低波动和更优风险调整收益，具有实际应用潜力 [page::0][page::3][page::5][page::6][page::8].
