本报告提出了一种基于大语言模型的自动化框架CAI，用于从公司披露文本中高效提取和验证碳减排承诺关键指标。通过上下文分块、RoBERTa相关性搜索、动态提示生成和领域特定验证，CAI实现了结构化、多指标的高精度提取，显著提升了数据采集效率及准确度。经SBTi等业内权威基准测试，CAI模型在召回率和准确率上均达到95%以上，且对多种Gen AI底层模型表现具有鲁棒性，可广泛应用于非结构化文本的信息挖掘 [page::0][page::1][page::4][page::7].
本报告基于107名Y Combinator男性创业者的血液激素检测数据，发现年龄归一化后的睾酮水平随创业公司融资阶段显著波动，睾酮水平从前期融资（Pre-seed）到种子轮（Seed）增长55.7%，并在B轮达到最高峰，同比增长近100%，随后在后期融资阶段（Late Stage VC）下降42.2%，伴随皮质醇水平上升，支持双激素假说，体现出早期创业成功增强自信和主导感，而后期压力则抑制该优势。此外，脱氢表雄酮硫酸盐（DHEA-S）水平波动不显著，提示其对睾酮变化影响有限。研究揭示创业压力与激素水平的动态关联，为创业者健康管理和成功预测提供生理学视角 [page::0][page::3][page::4][page::5][page::6][page::7]
本文提出了一种基于遗传算法生成的Alpha因子与情绪因子融合的GAS模型，结合LightGBM、XGBoost和随机森林的堆叠集成方法，实现了对比特币每日价格趋势的准确预测。通过复杂的特征工程与自动化因子构建，模型显著优于传统买入持有策略，展示了融合情绪分析和机器学习在高波动性金融资产中的有效性与实用价值 [page::0][page::3][page::26][page::24].
本报告首次严谨推导了局部随机波动率模型下期权对已实现方差的短到期渐近价格，涵盖了价外、价内及平价情形，通过大偏差理论和变分问题刻画价外期权的主要指数衰减，提供了相关方差期权隐含波动率的显式展开，并结合数值模拟验证了渐近结果的有效性，为新近推出的Cboe S&P 500方差期货期权定价提供理论支持 [page::0][page::6][page::7][page::15][page::17][page::19]
本报告提出了一种基于物理约束神经网络的新型算法WamOL，用于实时校准高频交易中稀疏且不均匀的隐含波动率曲面。该算法结合自适应权重和多目标损失平衡策略，有效保证了拟合精度、满足偏微分方程以及无套利约束。实证表明，WamOL在动态演化的期权市场中优于传统模型，在准确性、泛化能力和风险敏感度估计方面表现卓越，为期权定价和风险管理提供了高效的实时解决方案[page::0][page::5][page::6][page::7]。
本文研究了A/B测试中的溢出效应如何导致企业总体绩效下降的“跷跷板”实验现象，提出通过设定正的门槛率来缓解该问题。基于双变量正态和t分布模型，具体分析了溢出效应产生的条件及其与信噪比和维度相关性的关系，并推导了优化的门槛率策略，兼顾了分散式测试的自主性和绩效提升，具有重要的理论和应用价值 [page::0][page::2][page::6][page::8][page::9][page::13].
本报告建立了一个统一的框架，基于真实世界概率下扩展的Heath-Jarrow-Morton (HJM) 方法，系统刻画多重期限结构在金融、保险和能源市场的模型。通过分析相关SPDE，证明模型的存在唯一性、状态空间不变性及仿射实现在内的核心性质，并完备描述局部鞅贴现因子的结构，确保市场无套利和模型可行性，显著拓展现有HJM理论[page::0][page::1][page::8][page::14][page::16][page::24][page::25].
本文结合Grossman-Stiglitz模型，建立一个分析市场信息聚合的框架，发现交易者分享私人信息虽无法收费且不持仓，却能获得信息优势，且价格的信息含量关于发布信息的交易者人数表现为U型，即少数专家反而阻碍了信息聚合，而所有人均发布信息时信息聚合效率最高。此外，报告探讨了交易者向聊天机器人求助的场景，揭示了其对信息共享激励机制的影响 [page::0][page::1][page::6][page::7][page::8]。
本文提出一种针对CoVaR系统性风险度量的高效嵌套估计方法，通过分离风险函数拟合与CoVaR估计两个阶段，采用平滑技术提高样本效率。理论分析表明该方法收敛率可达约$\mathcal{O}_{\mathrm{P}}\big(\Gamma^{-1/2}\big)$，显著优于传统嵌套模拟估计。实证部分在300维风险因子下，比较多种平滑技术后给出实际选取建议，验证了方法高效性和适用性 [page::0][page::3][page::14][page::25]。
本报告通过随机对照试验(RCT)评估微软Security Copilot对IT管理员的生产力提升效果，涵盖身份管理与设备管理三大场景。研究发现，Copilot用户总体准确率提升34.53%，任务完成时间减少29.79%，复杂的自由回答任务提升尤为显著（准确率提升146.07%，耗时减少61.14%）。不同经验水平的用户均受益且用户满意度高，表明生成式AI工具可显著提升IT运维效率，特别是在需综合信息和复杂决策的任务中[page::0][page::4][page::5][page::6][page::7][page::9]。
本报告研究了不确定波动率环境下基于风险的欧洲期权定价的离散时间模型极限行为。通过非线性凸单参数半群理论，证明多期风险中性价格极限唯一由协方差决定且满足时间一致性。与基于$G$期望的极端价格相比，风险定价显著缩小买卖价差。数值案例验证基于风险价格仅依赖协方差且随着风险厌恶参数趋于无穷，风险定价收敛至极端价格，体现风险态度对价格的调节效果 [page::0][page::3][page::4][page::11][page::13][page::15][page::18][page::19][page::20]
本报告通过多种大型语言模型(LLMs)对财务文本情感进行分析，实证量化了模型在包含或不包含公司名时产生的公司特定偏见，建立了经济模型解析该偏见对投资者行为及股价的影响，结合日本市场数据验证偏见对公司特征及股票表现的实际影响，为金融领域LLM应用的偏见管理提供理论与实证依据 [page::0][page::2][page::4][page::5][page::7]
本文利用巴西丰富的行政数据，采用大规模裁员作为外生冲击，研究失业对个体政治参与（政党入党及地方竞选）的影响。结果显示，失业显著提升政治参与率，且新晋政治参与者在教育、收入和政治经验等能力指标上表现更优，表明经济冲击可能提升政治选拔质量。此外，失业对带薪职务的财政激励和预期收入损失较大的群体影响更为显著。失业保险资格的断点回归分析进一步支持了机会成本降低与时间资源提升是推动政治进入的关键机制。这表明经济负面冲击不仅影响选民需求，也通过影响政治供给改善政治代表素质，政治选拔具有逆周期性特征 [page::0][page::2][page::3][page::7][page::15][page::22][page::27][page::31][page::34][page::35]
本报告提出一种基于新闻文本语义嵌入的连续风险因子模型，通过构建资产敏感度分布及能量距离（Energy Distance）衡量资产间风险因子差异，建立资产收益率相关性的理论约束与实证验证，显著提升了对资产回报协方差结构的理解，尤其在无价数据或薄交易资产场景中具有广泛应用潜力 [page::0][page::1][page::6][page::10].
本报告提出了一种名为Rebalancing-versus-Rebalancing（RVR）的高精度模型，用以衡量动态自动做市商（AMM）池相较于中心化交易所（CEX）基准的资产管理执行效率。通过对超过1000种策略参数组合的模拟，结合不同的交易费用和gas成本，结果表明动态权重AMM（如Temporal Function Market Makers）在绝大多数手续费条件下，能够实现优于传统CEX再平衡的资产管理表现，且引入零售交易者后优势更加显著。该研究为资产管理者提供了基于AMM的创新执行工具的量化验证和新视角 [page::0][page::5][page::6][page::7][page::8][page::9]
本报告基于因果机器学习方法，利用瑞士行政数据评估主动劳动力市场政策（ALMPs）对失业者未来就业和收入的影响。结果显示，临时工资补贴项目对就业和收益有中期正面效果，而基础课程对这两项指标则产生负面影响，培训课程和就业项目影响不显著。政策效应对低教育水平及非欧盟移民群体更为明显。通过政策树分析，建议增加临时工资补贴项目的覆盖率以提升整体就业表现 [page::0][page::2][page::15][page::28]
本报告提出基于路径签名（path signatures）对数字资产进行聚类，构建更具多样化特性的加密货币投资组合。路径签名能高效捕捉价格序列的形态特征，通过k-means聚类将数字资产分组，再从每组选取代表资产，形成简洁的投资组合。在Fixed Origin of Time（FOT）和Rolling Window（RW）两种时间窗口下对等权、最小方差和最大多样化三种策略进行回测，结果显示聚类筛选后的组合在收益率、风险调整后表现及交易成本方面均优于未经筛选的基准组合，尤其RW方法下表现更优，尽管伴随波动率和最大回撤略有上升。该方法有助于投资者把握数字资产市场的复杂动态，实现风险收益的优化配置[page::0][page::4][page::7][page::18][page::19]。
本报告提出了一种基于量化回归和光滑密度估计的通用资产收益率分布估计方法qLSTM，利用资产中性特征实现跨资产类别的稳健预测，并结合高斯分布形成混合模型qHybrid，显著提升了对尾部风险的捕获能力。通过多种真实和合成数据集的实验，模型在量化损失、Wasserstein距离及CRPS等多个指标表现优异，尤其在极端尾部风险估计上表现出色，展示了其在风险管理和投资组合优化中的广泛适用性与优势 [page::0][page::1][page::2][page::18][page::23][page::24]。
本报告提出了一种结合GC-LSTM的动态图神经网络（DGNN）架构，用于在时间动态金融网络中有条件地多步预测净变动保证金。模型基于模拟的隔夜指数互换（OIS）网络数据，结合金融实体特征和条件的参考利率路径，能够准确预测最长21天的净变动保证金，为监管者提供了动态网络层面系统性风险的前瞻性压力测试工具 [page::0][page::2][page::7][page::11][page::24]。
本报告提出基于图信号处理（GSP）技术扩展HAR模型的全球股票市场实现波动率（RV）预测新框架。通过磁性拉普拉斯算子进行图傅里叶变换，实现对波动率溢出效应的时空及频谱域建模。采用可学习卷积滤波器捕捉中长期历史波动模式，实验基于24个全球股指的3500个交易日数据，结果显示新模型在短中长期RV预测上均优于HAR及图神经网络HAR等基准模型，且动态图设计（d-GSPHAR）进一步提升预测精度，证明了GSP技术在金融波动率建模中的有效性和扩展潜力 [page::0][page::7][page::14][page::19][page::21]。
