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]
本文研究新泽西州K-12学校宽带采购从分散采购转向四个区域性需求捆绑后的效益。采用双重差分法测算，捆绑降低了互联网价格约37%，价格下降约10美元/Mbps同时带宽提升了近十倍，实证表明价格下降主要归因于捆绑解决了供应商因固定基础设施成本导致的暴露风险问题。参与学校年度节省开支至少相当于其联邦补贴，整体福利显著提升，显示需求捆绑是优化公共采购设计的重要实践路径 [page::0][page::1][page::2][page::5][page::15][page::23][page::27]。
本文基于32国全球向量自回归随机波动模型，深入分析美国货币政策紧缩对新兴市场的直接与间接溢出效应。研究发现美国加息显著抑制新兴市场产出增长且伴随更长久的影响，全球贸易整合使冲击更为剧烈但反弹更快。美元波动与不确定性上升进一步放大影响，且不同新兴市场反应存在显著异质性。研究支撑全球金融周期的存在，并凸显政策不确定性加剧对经济波动的显著影响，为多国政策协同和货币政策沟通提供了重要参考[page::0][page::3][page::16][page::21][page::23]
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]。
本报告提出了一种基于多头自注意力机制的时间序列变换器模型，结合注意力聚合的联邦学习（FedAtt）框架，用于股票市场时序数据的预测。方法通过时间嵌入捕捉时序数据的周期性与非周期性特征，利用联邦学习解决数据不足和隐私保护问题。实证结果显示，该方法在多家企业的历史股票数据上优于传统的本地训练（SOLO）和联邦平均（FedAvg）方法，显著提高了预测准确率和泛化能力，验证了联邦变换器在时序预测任务中的有效性[page::0][page::1][page::3][page::4][page::5]。
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]。
