本报告基于深度残差网络（ResNet）分析股票价格图像，提出图像诱导重要性（triple-I）权重，结合加权移动平均方法，有效增强传统价格趋势交易信号。实证采用中国A股市场数据，显示TWMA方法显著提升动量、反转趋势等多类策略的夏普比率并降低换手率，且支持时序尺度与非技术信号间的迁移学习，扩展至新闻情绪和大量交易规则中，证明图像提取信息对交易策略具有通用价值和显著提升效果 [page::0][page::4][page::5][page::18][page::23][page::39][page::40]。
本文提出利用两个指数——风险资产的平均盈利能力(AP)和当前盈利能力(CP)——重新表述连续时间预承诺均值方差投资组合选择问题，避免对未来回报率和波动率的传统参数估计。通过辅助财富过程的二阶变差精确估计AP，CP以AP的估计值近似，实现了更准确且稳定的参数估计方法。实证和模拟结果显示，该方法在多种金融市场下均优于经典最大似然估计和买入持有策略，显著提升投资组合表现和稳定性 [page::0][page::2][page::5][page::13][page::14][page::16][page::17].
本文提出了一种扩展的支持超平面逼近方法，用于高效求解分布鲁棒大规模组合优化问题，涵盖广义的可加分离效用函数和多面体不确定性集。实证以标普500成分股为样本，结果表明该方法显著提升计算效率（计算时间由数千秒降至个位数秒），同时保证了稳健的样本外交易表现，成为解决理论与实践难题的可扩展实用工具 [page::0][page::1][page::4][page::8][page::11][page::13][page::18]。
本报告基于超过9.3万条战略决策数据和2416个程序生成的二维矩阵游戏，系统评估了行为博弈论模型与深度神经网络在预测人类战略选择中的表现。结果显示传统模型普遍假设固定的行为参数，难以解释不同游戏复杂度带来的行为差异。将结构参数设计为依赖游戏矩阵的神经网络后，模型完整性提升至97%，表明认知复杂度驱动人类对对手行为的优化响应与推理能力的变化。构建并验证了一个可解释的游戏复杂度指数，与响应时间及认知不确定性显著相关，揭示了复杂性在战略决策中的关键作用，体现了机器学习在预测与解释复杂人类行为中的潜力 [page::0][page::1][page::3][page::4][page::5][page::6][page::7][page::8]
本报告全面统计分析Web3生态中的多种代币，揭示其与传统金融资产在回报分布、波动性聚类等关键经验特征上的高度相似性，并比较了中心化交易所(CEX)与去中心化交易所(DEX)的价格动态与交易机制。研究发现尽管交易机制和长期表现存在差异，DEX和CEX市场的代币价格通过套利行为保持高度一致，为DeFi风险管理、定价模型及投资组合构建提供了重要参考[page::0][page::2][page::5][page::24][page::27].
本报告提出了一种结合双阶段分位数神经网络与三次B样条插值的股票收益率全分布预测方法，基于194个股票特征及市场变量，突破传统模型限制，准确捕捉非高斯重尾及非线性关系，显著提升了均值与方差的预测性能。方法在美国数据训练并成功推广至国际市场，实证表明中间分位数被定价，且利用插值分布计算的均值预测带来更高的超额收益，而高阶矩在资产定价中的作用不显著，为资产定价文献的相关争议提供了新视角 [page::0][page::1][page::3][page::4][page::18][page::20][page::24][page::28]。
本报告研究保险公司在市场价格风险未知情况下的最优投资-再保险问题。采用卡尔曼滤波技术将部分信息下的优化问题转化为可观测过滤问题，并通过哈密顿-雅可比-贝尔曼方程给出价值函数及最优策略的显式表达式。报告进一步分析部分信息与全信息下策略的差异及信息价值，并辅以数值实验支持结论，体现了滤波估计对投资-再保险决策的关键影响 [page::0][page::1][page::6][page::9][page::13][page::14][page::16]
本报告提出了一种创新的风险管理度量标准——集中风险指标（CRI），该指标基于Herfindahl-Hirschman指数，结合资产市值与波动率及组合权重，量化持仓集中度风险。CRI不仅适用于单一资产和资产组合，也能延伸至多链和保险产品组合，提升金融稳定性和风险管理水平。通过对2019年1月至2022年8月的加密资产数据实证，验证CRI对加密资产组合风险调整表现的有效性。报告还总结了风险管理的五大支柱指导原则，并探讨CRI未来改进空间及应用场景，为区块链投资风险管理提供了系统的量化工具和实践框架 [page::3][page::4][page::7][page::16][page::21][page::24].
本文基于扩展的全球游戏模型，研究了稳定币因大额抛售和储备质量不佳而导致的挤兑风险。模型揭示大额抛售加剧持币者的抛售压力，信息透明度对挤兑风险的影响依赖于基本面强弱，并将挤兑风险分解为大额抛售风险和抵押资产风险两部分，为稳定币设计和监管政策提供理论依据 [page::0][page::1][page::8][page::12][page::15].
本报告基于极值理论构建了一个方向性尾部依赖（Directional Tail Dependence, DTD）度量，提出了类似有效市场假说的有效尾部假说（ETH），用于描述市场极端事件下的效率表现。通过平衡正负尾的正则变差模型，量化资产回报在极端损失与收益间的不对称依赖。对中国期货市场的高频实证表明市场尾部效率在整体上成立但存在显著尾部效率违背事件，且基于发现的非效率尾部依赖构建的动态投资组合在样本外实现了正收益，体现了潜在的交易机会。这一框架为极端风险管理及交易策略设计提供了新工具与视角 [page::0][page::4][page::5][page::23][page::25][page::28][page::30]
本报告提出利用指令微调结合4-bit QLoRA量化适配技术，基于包含财务指标增长、业绩电话会议内容及外部市场指数和分析师评级的综合数据集，训练大语言模型以提升财报后股票涨跌预测的准确率。实证显示，特别是llama-3-8b-Instruct-4bit模型在准确率、加权F1和MCC上显著优于GPT-4，验证了多因素融合和模型压缩对金融预测的有效性，并探讨了未来加入“持有”选项及延长预测周期的方向。[page::0][page::1][page::3][page::4]
本报告提出了一种基于多层次随机逼近（MLSA）的自适应细化策略，有效解决价值风险（VaR）计算中的Heaviside函数不连续性问题。通过动态调整每层内部模拟样本数，算法显著降低了计算复杂度，理论证明其复杂度达$\mathrm{O}(\varepsilon^{-2}|\ln\varepsilon|^{\frac{5}{2}})$，接近多层蒙特卡洛的最优复杂度。实证研究（如欧洲期权和利率互换案例）验证了该方法相比传统MLSA在误差和计算时间上实现超过10倍的性能提升，并基本达到理论预期的二次复杂度 [page::2][page::9][page::15][page::19][page::24][page::27]
本报告基于2005-2020年欧盟碳排放交易系统的百万级交易数据，运用资产定价方法深度剖析碳交易市场的效率问题。研究发现40%的企业未参与交易，许多企业仅在交割月高价时买入，导致约50亿欧元的直接损失；另外约10%的企业利用私人信息进行过度投机交易，获利约80亿欧元。此类非理性交易行为严重制约了碳交易市场的减排目标和资源配置效率 [page::0][page::1][page::2][page::10][page::11][page::12][page::14][page::15]。
本报告首次将金融市场崩盘事件建模为一阶相变，提出内生崩盘驱动的动态相变（DPT）模型，系统分析了三类相变的预警信号，并通过2019-2024年标普500数据实证发现，波动率和异常维度在崩盘前显著变化，验证了DPT模型的优越性，较传统LPPL模型具备更强的预测能力和稳健性 [page::0][page::4][page::5][page::6].
本报告提出一种基于深度学习的再保险策略优化框架，目标函数结合终端财富的期望效用和修改后的Gerber–Shiu惩罚函数，实现终端财富最大化与破产概率最小化的权衡。通过将破产概率的非平滑指标函数替换为平滑的代理损失函数，构建了可通过经验风险最小化及随机梯度下降解决的数值模型。数值实验证明该方法在Cramér–Lundberg模型结合均值回复Ornstein–Uhlenbeck过程的风险干扰下，有效拟合了最优保留水平并形成Pareto前沿，显著优于无再保险方案，为实际保险风险管理提供新的机器学习视角与工具[page::0][page::2][page::4][page::6][page::10][page::13].
本报告利用瑞士洛桑大学法学院超过1.4万份口试成绩的自然实验数据，研究考试评分是否受考试顺序和时间安排的影响。结果显示，去除学生、教授、课程及日期固定效应后，考试顺序与评分之间不存在显著负相关，反驳了决策疲劳和“饥饿效应”的广泛适用性假设。此外，未发现文献中报道的负自相关现象，而是呈现微弱正自相关，提示决策偏差可能不像先前研究所示的普遍存在，强调基于具体场景的数据驱动验证政策建议必要性 [page::0][page::1][page::2][page::3][page::4][page::5]
本报告针对无限人口下的社会福利关系(SWRs)进行了系统性研究，提出利用强帕累托性、置换不变性及拟独立性公理构建最大社会福利关系，实现了对“效用主义”SWR的唯一最大化表征，特别在有限值空间下，该最大SWR被证明为包含所有满足相应公理SWRs的超集，突破了既有不完全序理论的限制，为解决无限人口间代际公平理论提供新视角和工具 [page::0][page::2][page::10][page::16][page::20]。
本报告聚焦金融领域中机器学习模型特征的自然群组结构，提出并理论化了群组归因方法（GShap），强调在存在群组结构时传统归因方法（如Shapley值和Integrated Gradients）可能导致不一致解释，进而系统论证包括群组仿射不变性、线性分式变换不变性及群组单调性等金融领域重要公理，并基于实际信贷评分数据验证GShap能更好地保持金融领域知识驱动的合理性，保障解释的一致性和可靠性[page::0][page::6][page::8]。
本文提出了一种基于两组异构自动编码器通过“对话”式训练实现互相正则化的新方法，显著提升金融时间序列的信噪比。该方法通过两个自编码器结合目标变量与不同上下文变量，学习对彼此编码输出的共识，挖掘数据内在规律。结合卷积自编码器和多变量宏观经济数据，实证展示了模型在股市环境变量去噪及特征识别上的优异表现，并基于去噪结果构建多种交易策略，实现了稳定的市场多空信号和优异的投资绩效表现 [page::0][page::1][page::4][page::6][page::7][page::8]
本报告提出将多通道图卷积网络（GCN）与长短期记忆网络（LSTM）相结合的创新框架，用于预测E-mini标普500和CBOE波动率指数（VX）期货的收益率、波动率及交易量。通过构造基于多种金融指标的相关网络，捕捉期货品种之间的高相关性与复杂交互关系，并在预测模型中实现信号传播，从而显著提升预测性能。研究验证了GCN-LSTM优于传统方法和纯LSTM网络，特别是在流动性较高的合约上表现最优。此外，结合经济意义的损失函数如Sharpe比率与Qlikelihood进一步增强模型实用价值[page::0][page::3][page::6][page::12][page::16].
