本报告首次系统构建了基于Hawkes过程的微观结构模型来研究被动限价单的市场冲击，创新性地引入市场冲击系数作为可变函数，依赖于限价单簿中可用量，推导了被动订单的市场冲击标度极限及其近似解析公式，验证了市场冲击随参与率呈平方根规律，并给出量化执行策略的冲击评估方法，为被动交易市场成本分析提供重要理论基础[page::1][page::3][page::4][page::14][page::16][page::17][page::19]
本报告提出IntraLayer架构，打造数字金融平台的“平台”，实现跨链及跨系统的数据、价值与流动性全面互联。关键技术包括去中心化智能合约平台、跨链通信协议、动态函数做市（DFMM）、流动性网络及跨链库存管理系统（CIMS）。该架构提升交易路径效率、降低连接成本，同时支持算法受托执行和财政可持续性，推动DeFi与CeFi融合，助力全球金融互操作和资源优化配置 [page::0][page::1][page::16][page::19][page::31][page::39]。
本报告系统比较了多种深度生成模型（DGM）与传统参数模型在多变量金融时间序列生成任务中的表现。通过使用设计复杂的合成数据集，验证了RCGAN和GMMN等隐式生成模型在捕捉分布特征及相关性方面的优势，并在实证股指期权隐含波动率交易任务中展示了基于生成样本的HAR模型显著优于传统HAR模型的性能，揭示深度生成模型对风险管理与投资组合优化的潜在贡献 [page::0][page::1][page::4][page::5][page::6]
本报告提出了一种多因子功能回归模型，扩展了Schwartz-Smith双因子模型，将美国国债收益率曲线作为功能预测变量纳入WTI原油期货价格建模中。通过核主成分分析降维与卡尔曼滤波参数估计，实现了期货与收益率曲线之间的动态联动建模。实证分析表明，功能回归模型相较传统模型，在期货价格特别是短期合约方面具有更高的拟合和预测准确性。压力测试进一步揭示了国债收益率的不同冲击类型对期货价格的异质性影响，强调了市场联动性的复杂性与重要性 [page::0][page::14][page::15][page::16][page::19][page::20]。
本报告基于对3500万Pandora用户长达21个月的随机音频广告负载实验，首次准确测定消费者对广告负载的敏感性及其长期影响。研究发现，长期广告负载的需求弹性是短期的三倍，广告数量对听众活跃度和听歌时长均有显著负面影响。用户更倾向于较频繁但较短的广告中断，且广告负载提升促进了付费无广告订阅增长。多种基于观察数据的估计方法均存在系统性偏误，强调了实验设计的价值与必要性。报告为数字广告和双边平台战略提供了重要的实证支持和指引[page::0][page::3][page::13][page::17][page::33][page::35].
本报告系统研究了在长期动态最优投资策略中纳入广泛股票指数杠杆ETF(LETF)的潜力，旨在最大化相对于标准投资基准的信息比(IR)的超额收益。利用LETF具有类期权的正向收益特性，研究表明LETF能够提供低成本杠杆及下行保护。采用闭式解及基于神经网络的数值方法，在考虑交易频率、杠杆限制及借贷成本等约束下，发现包含LETF的策略在超越基准、终端财富的随机优势方面优于仅使用对应标准ETF(VETF)的策略。该结论解释了LETF在机构和散户投资者中的热度，并建议学术界重新审视LETF在复杂投资组合中的角色 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::21][page::22][page::23][page::24][page::25][page::26][page::27][page::28]
本报告提出一套基于基本面数据分析的端到端决策支持系统，涵盖数据采集、清洗、建模和资产配置，结合公司财务指标与宏观经济特征，利用人工神经网络模型实现中长期股票收益预测，并针对通胀高企的新兴市场（以德黑兰证券交易所为例）验证模型优越性，最终设计动态资产配置策略，有效提升投资组合收益及风险控制能力 [page::1][page::4][page::7][page::11][page::15][page::18][page::20][page::21]
本文探讨生成式人工智能作为劳动增效技术如何对法律演进产生不均衡影响。生成式AI通过提升合同完整性（减少诉讼需求）和降低诉讼成本（增加诉讼需求）带来两种相互抵消的效应。在有合同频繁的领域（如财产法和合同法），这两种效应竞争，诉讼数量变动不确定；而在无合同的侵权法领域，诉讼需求可能明显上升，促进法律效率演进 [page::0][page::1][page::13]。
本报告提出通过机器学习间接预测傅里叶定价方法中的调节参数（如截断区间和项数），实现对Heston模型欧洲期权定价的高效且具有误差控制的快速计算。该方法无需针对不同误差容忍度重复训练，显著提升计算速度，数值实验显示随机森林和神经网络均能准确估计参数并得到近乎100%的定价准确率，机器学习相比传统数值方法提速近百倍 [page::0][page::1][page::4][page::7][page::8][page::9]
本报告提出基于Y Combinator风险投资支持的AI初创企业数据和O*NET职业描述的AI Startup Exposure (AISE)指数，实证分析AI在美国劳动力市场的实际渗透程度。研究发现，传统指数高估了高技能岗位被AI取代风险，而AISE显示以例行组织任务和信息处理为主的岗位，如数据科学家和办公室职员暴露度较高，而法官和外科医生等高风险伦理性岗位则暴露度较低。地理上，AI暴露集中在旧金山、西雅图等知识密集型大都会区，行业上服务业暴露显著高于农业和建筑业。报告还首次构建了机器人初创企业暴露指数(RSE)，揭示AI与机器人融合驱动的自动化潜力。该方法具备实时更新和政策指导价值，拓展了对AI影响的理解视角[page::0][page::3][page::6][page::9][page::11][page::13][page::37]。
本文通过统计分析与模型模拟，探讨了M6投资挑战赛中运气与战略因素对团队表现的影响。研究表明，观察到的极端夏普比率大概率源于偶然性，未能证实持续异常收益的存在。文章构建了针对最高排名优化的动态规划模型，发现通过基于当前排名的对抗性配置调整（例如增加空头比例），团队能显著提升夺冠概率，即使未能获得异常收益。实证分析参赛组合权重验证了这一战略行为，展现了投资竞赛的非传统最优策略特征及其与期望收益最大化的区别。[page::0][page::5][page::6][page::7][page::10]
本报告基于Robinhood零售加密货币交易数据，运用无模型、无分布假设的有效自由度函数$N^{*}(N)$，验证了日收益率高度相关（约54%），且加密货币收益的相关结构更符合各资产同质相关（各向同性模型）而非线性因子模型。通过大量随机组合实验和统计检验，强烈否定标准线性因子模型，对Robinhood及CoinMarketCap历史数据的分析表明，这一同质相关特征至少稳定存在五年，提示市场风险集中且分散效果有限，为加密资产组合管理提供新视角与理论支持 [page::0][page::4][page::5][page::6][page::8][page::9][page::10][page::11]
本报告通过新闻关注度视角研究Gilchrist和Zakrajšek（2012）提出的过量债券风险溢价（EBP）驱动因素。结果表明，对180个新闻话题的月度关注度能够解释高达80%以上的EBP变动，该基于新闻注意力的EBP可以有效预测宏观经济走势，尤其是关注金融中介和危机话题时EBP上升，预示经济下行，而政治和科技话题关注度上升则对应EBP下降。该研究还发现，基于新闻关注构建的EBP版本在近百年间保持其预测宏观经济波动的能力，对传统情绪指标的预测作用具有替代效应，突显了新闻关注度在理解信用风险溢价与经济周期中的关键作用。[page::0][page::1][page::2][page::3][page::9][page::13][page::20]
本报告基于GDP、人均收入、移动支付普及率与互联网渗透率构建电商准备度评分体系，评估非洲各国电商发展潜力。通过尼日利亚、肯尼亚与南非城市与乡村案例对比，展示城市地区凭借完善基础设施和数字素养带来电商蓬勃发展，乡村则受限于网络覆盖和数字技能不足，发展相对滞后。研究强调通过针对性投资缩小城乡数字鸿沟，发挥移动支付等本地解决方案促进乡村电商融合的战略价值 [page::0][page::3][page::5][page::6][page::7]。
本报告提出了一种结合结构性变迁与区域差异的经济地理模型，通过引入非齐次Cobb-Douglas偏好，实现了对农业比重下降与制造业空间集聚共同演化的解析。模型表明，随着劳动生产率提升，制造业作为奢侈品的支出比重上升，引发劳动力从农业向制造业转移，同时制造业空间集聚促进整体生产率提升，结构性变迁与区域差异相互强化，共同驱动经济增长过程[page::0][page::2][page::18][page::19][page::21]。
本文针对由多算法交易策略组成的投资组合的换手率估计问题，建立了基于策略收益协方差矩阵的数学模型，证明了模型适用的必要条件，提出了新的换手率估计公式，并通过美国股票市场数据进行数值实验验证。研究表明，当各策略的换手率与收益波动率比值差异较小时，提出的新估计方法效果更优，提升组合优化时的换手率预测准确性，助力更合理的交易成本控制和投资决策 [page::0][page::3][page::5][page::9][page::10][page::12][page::13]
本报告提出一个多项目动态投资创新模型，展示了在异质研究项目和信息外部性的条件下，创新搜索一旦开始，理性代理将持续搜索直至成功，且有严格正概率导致搜索永无止境，反映了学习与搜索强度动态调整的合理性和政策启示 [page::0][page::1][page::3][page::4][page::5]
本报告利用2007年SXSW节日引发的Twitter在美国县级的准外生扩散，采用工具变量法，控制多种地理、人口及社会经济因素，实证分析了Twitter的采用率与自杀率之间的因果关系。结果显示，Twitter的地理扩散与自杀率没有显著关联，提示社交媒体在整体层面对自杀率影响有限[page::0][page::2][page::7][page::12]。
本报告提出了一个创新框架，通过定量识别和评估客户痛点的价值，推动工业智能服务创新。基于B2B场景，以频率和影响为核心参数，模型量化了解决功能性和结构性痛点所带来的客户与服务提供商的经济价值，有效指导价值定价和服务设计优化。案例研究验证了模型的实用性，支持加快智能服务创新流程并实现价值最大化 [page::0][page::1][page::4][page::6][page::7][page::8][page::9]。
本报告提出了MILLION，一个结合多目标学习与风险可控的深度学习投资组合管理框架。其通过资产回报率预测与排序两个辅助目标提升模型对未来市场的泛化能力，并通过投资组合插值与改进方法实现对用户指定风险水平的精细控制。实证研究表明，MILLION在三大真实市场数据集上显著优于传统预测优化及RL方法，表现出更优的收益风险平衡与训练效率 [page::0][page::1][page::3][page::5][page::6][page::7]
