本报告研究了利用Ornstein-Uhlenbeck (OU)过程建模股票价差的配对交易策略，与基于滚动窗口计算均值和标准差的朴素配对交易策略进行对比。结果显示，OU模型在风险调整收益方面优于朴素策略。研究涵盖了数据筛选、配对选择与验证、模型参数估计及交易信号生成，测试了两种策略在2023-2024年历史数据上的表现。OU模型捕捉了均值回复特性但表现稍逊，未来可通过行业细分、统计测试完善配对选择，并结合更复杂的机器学习及组合优化提升效果 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::9]
本报告针对纽约证券交易所股票设计了一种系统化多因子市场中性投资策略，结合动量指标、基本面因子及分析师推荐，通过严格的因子筛选和组合构建方法，实现了基于风险平价的最优持仓结构。回测结果显示风险平价组合在样本内外均表现出较高夏普率、低贝塔值及较小最大回撤，策略有效保持市场中性，能稳定产生回报并降低系统性风险[page::0][page::6][page::10][page::11][page::12]
本报告研究社会经济网络中的多重关系（multiplexing）现象，并基于印度乡村数据揭示了多层网络关系的相关性及其对信息传播和扩散的影响。实证分析发现，不同关系层（如社交、建议、帮助、借贷）相互关联但存在显著差异，传统基于地理和族群的网络代理效果有限。基于随机对照试验的数据，建议网络对信息扩散的预测能力最强，且多层网络的结合能进一步提升预测准确度。理论模型证明多重关系会减缓简单传染过程的扩散速度，而对复杂传染过程的影响则依赖传染率，可能促进或抑制扩散。此外，研究发现女性网络的多重性更强且多重性与个体连通数呈负相关，暗示了性别和社会结构对信息获取和行为传播的不平等影响 [page::0][page::1][page::2][page::7][page::12][page::16][page::17][page::23][page::27][page::28]
本报告基于2014年美股S&P500479只股票的高频数据，应用随机矩阵模型分析非平稳复杂系统中的多元分布及其相关性。通过将收益率旋转到相关矩阵的特征向量空间，得到具有重尾特性的多元联合分布。非平稳性导致相关性波动加剧，使分布尾部更重，风险评估更加全面。模型拟合结果表明，长期区间的尾部更重，验证了随机矩阵模型对非平稳金融市场的刻画能力 [page::0][page::1][page::5][page::8][page::13][page::21]
本报告提出并扩展了基于随机矩阵的多元分布模型，用以描述复杂系统中存在的非平稳性及其重尾联合分布；通过划分短期平稳时期并用随机矩阵构造相关矩阵的波动，得出四种多元幅度分布的闭式解析表达式，同时提供了这些模型的矩矩和旋转幅度的单变量分布便于实证分析，显著减少拟合参数，提升模型应用的便利性，为后续金融市场等复杂系统的风险评估奠定理论基础 [page::0][page::1][page::8][page::12].
本报告基于覆盖逾两万家电力资产持有公司的资产级数据，量化分析电力企业的技术转型动态，发现资产集中度高、技术组合持久且转型缓慢，只有约3%化石燃料主导企业向可再生能源转型，且无完全转型案例；转型路径多样且依赖企业既有技术集中度，强调了设计支持企业技术转型政策的挑战 [page::0][page::1][page::2][page::3][page::5]
本报告提出了一种简单、高效且保障非负性的平方根过程模拟新方法——iVi方案。该方案通过优先模拟积分平方根过程，使得对Heston模型的数值实验在极少时间步长下依旧表现出高精度，且能在高均值回复、高波动波动率市场与远期到期时准确还原积分过程的逆高斯极限分布，为复杂金融模型的仿真提供了切实可行且理论扎实的工具 [page::0][page::2][page::9][page::10][page::12].
本报告提出了Election Day Stock Market Forecasting (EDSMF)模型，结合大型语言模型驱动的政治信号生成代理和StockMixer架构，针对2024年美国总统选举期间的高频股市波动进行预测。通过融合候选人政策影响及选举背景，模型显著提升了S&P500股票的预测准确性和风险调整收益率。消融实验验证了候选人权重分配对模型性能的影响，体现了政治感知在选举日市场预测中的重要性 [page::0][page::1][page::3][page::4][page::9][page::10][page::11]
本报告研究了结合PolyModel特征选择与机器学习技术对对冲基金组合构建的影响，发现机器学习提升累计收益但增加波动性，PolyModel全方位特征筛选优于单一筛选，而Long-Term Stability（LTS）在控制波动性与保持收益间表现突出。此外，研究挑战了大规模基金相对可靠性的传统认知，为投资者优化组合策略提供数据驱动参考[page::0][page::14][page::16][page::19]
本文以进化博弈和基因学习算法为基础，建立了一个性别身份演化模型，揭示了二元性别和非二元性别均为博弈均衡，但非二元性别因匹配灵活性更高在演化过程中逐渐占据优势地位，进而推动社会认同的多样化和包容性演变[page::0][page::1][page::9][page::10]。
本报告基于熵正则化的强化学习框架，提出连续时间最优投资问题的求解方法，涵盖了包含卖空和借贷约束的投资组合限制。针对对数效用和二次效用下，探讨了无约束与有约束情况下的最优反馈策略，分别是高斯分布和截断高斯分布，且该探索性策略随着探索权重趋于零收敛至经典期望效用解。提出了策略改进定理，并设计了可实现的强化学习算法，验证了探索机制使最优财富分布更具重尾特征，且投资机会域越广探索成本越高。在受限约束（如卖空及借贷限制）情况下，探索成本显著降低[page::0][page::1][page::2][page::12][page::14][page::21][page::29]。
本报告通过实验研究信念分布内的置信度与对多个先验的置信度对信念更新的影响。结果显示，人们对多个先验的置信度导致过度保守更新，过度依赖先验而非信号，而对单一定义的先验信念置信度不敏感，表现出非贝叶斯行为，且存在显著的过度自信行为 [page::0][page::1][page::2][page::3][page::19][page::33].
本报告构建了一个分析在非合作重复博弈中，拥有信息优势的玩家如何在不被对手察觉的前提下，最优地利用信息的模型。通过贝叶斯更新和阈值机制，刻画了行动策略的空间，揭示了基于耐心程度（贴现因子）不同，玩家在成功（利用信息）与失败（假装无知）之间的权衡，找到了一类含有循环失败的最优策略，从而最大化长期收益 [page::0][page::3][page::4][page::5]。
本报告提出了一种结合有向加权网络中度数、强度及互惠性的新型指数随机图模型RECM，实现了稀疏网络的严谨概率建模。通过对意大利电子银行市场(e-MID)季度交易数据的实证分析，发现危机前银行间表现出显著超出强度和度数分布预测的加权互惠性，该趋势在危机期间消失，尤以小型外围银行为主导。进一步结果显示，传统模型忽略互惠性易导致对三节点网络结构的误判，市场呈现出以核心-外围划分为主的层级结构，同时辅以非层级的双边互惠交互关系。该模型及实证结果为理解银行间流动性提供了新的统计工具及洞察 [page::0][page::5][page::30][page::31][page::39][page::49]
本报告针对时间序列基础模型TimesFM在金融价格预测上的表现，提出在包含亿级时间点的金融数据上进行持续预训练的微调方法。微调后的模型在价格预测准确率、宏观F1分数及模拟交易收益方面显著优于原始模型及多种基准，展现出在股票、指数、外汇及加密货币市场的优异表现，尤其在长周期市场中取得了较高夏普比率和正向收益[page::0][page::1][page::4][page::5][page::6][page::7]。
本文通过理论分析自动做市商（AMM）中常见的恒定乘积池（CPMM）资产池价值的复制问题，提出利用欧式期权构建的静态复制策略，有效对冲流动性提供者面临的永久损失风险。报告详细推导了永久损失的数学表达及其对价格变化的敏感性，并设计了基于Long Strangle的期权组合在价格区间内实现盈亏保护的条件，结合具体数值分析和回测图展示该对冲策略能够提升流动性提供者的风险控制能力。该方法虽受限于加密市场期权的流动性，但为资产池风险管理提供了理论依据和实务思路[page::0][page::1][page::2][page::3]。
本文首次将扩散模型应用于限价订单簿（LOB）事件流预测，提出LOBDF模型通过正向扩散将复杂的时间-事件联合分布分解为序列高斯分布，结合时序事件编码、去噪网络和跳步采样策略，有效提升了预测精度和效率。实证结果显示LOBDIF在多个真实市场数据集上优于现有主流方法，且预测过程显著加速，验证了其作为LOB模型新范式的潜力[page::0][page::1][page::4][page::6][page::8][page::11]。
本报告提出一种基于几何深度学习的新方法，利用SPD矩阵的黎曼流形结构及其时序特性，通过构建对角块输入矩阵扩展SPDNet网络，实现对高维资产收益实证协方差矩阵的高精度预测。该方法有力克服了传统欧氏空间方法的限制，并将HAR模型矩阵化，显著提升了预测效果和计算效率 [page::0][page::2][page::9][page::13][page::18][page::19]。
本报告通过应用基于11百万参数的Chronos大语言模型(LLM)对美国最大的单只股票残差收益率时间序列进行预测，构建多空投资组合并进行回测实证，发现LLM能够捕获市场中的微弱非随机性，实现显著的阿尔法生成，表现优于部分传统模型，但因高交易成本导致净收益显著下降。研究还对比了预训练和微调模型的表现，确认微调步骤对提升短期预测效果有帮助，且与经典短期反转策略对比中展现了不同捕获的市场机会，指出了LLM未来在金融领域的潜力及改进空间 [page::0][page::2][page::8][page::9]
本报告研究了保险公司在模型不确定性和4/2随机波动率模型下的鲁棒随机微分博弈，构建了带有共同与个体风险及相对表现影响的均值-方差准则非线性鲁棒均场博弈模型。通过推导扩展的HJBI方程及耦合Riccati方程，获得了有限和无限多保险公司下的鲁棒时间一致纳什均衡策略，揭示竞争中羊群效应及风险、模糊厌恶系数对投资与比例再保险策略的影响 [page::0][page::2][page::4][page::13][page::24][page::26].
