本报告结合理论抽象与基于代理的模拟，深入评价了基于Internet Computer Protocol的Network Nervous System（NNS）治理框架，重点分析其神经元质押机制中的奖励倍数（包括锁定期和持有时长乘数）对促进DAO内成员合作和经济增长的影响，揭示动态通胀率、年龄乘数与解锁延迟机制如何共同优化质押比例及治理效率，推动去中心化自治组织的可持续治理设计 [page::0][page::1][page::2][page::4][page::5]。
本报告提出一种基于优化启发式策略的新方法，旨在替代传统基于随机最优控制的回购合同定价与管理模型。新方法解决了高维状态空间带来的计算困难及风险参数选择复杂问题，将问题简化为路径依赖型期权的定价与标准的Δ对冲，实证中多种启发式策略表现与经典PDE和Longstaff-Schwartz方法相似，但更具扩展性和实用性，适应各种复杂回购合同特征，包括交易量限制、浮动名义及价格上限，显著提升回购策略的绩效与灵活性 [page::0][page::1][page::4][page::6][page::9][page::10][page::11]
本报告研究在仅知道风险分布的首两矩及部分形态信息（对称性、单峰性等）时，如何推导扭曲风险度量的最优极端界限。通过构造凸包及运用概率不等式，得到多种形态限制下扭曲风险度量（包括VaR、TVaR、RVaR）的最优上界与下界及其对应极端分布，统一扩展了已有最优风险界的理论结果，揭示了扭曲函数包络与极端风险分布的紧密联系，为风险管理下的不确定性极值问题提供了系统框架 [page::0][page::1][page::4][page::12][page::22][page::32]
本报告构建了一个包含风险厌恶流动性提供者（LP）、中央化交易所（CEX）与去中心化交易所（DEX）自动化做市商（AMM）机制的动态投资与消费模型，通过动态规划方法求解LP的最优策略及AMM的最优设计。研究发现最优单位交易费随两资产基础汇率波动率上升而增加，且最优定价函数应实现资产配置效率，最大化LP效用。该模型及其数值实验结合以太坊和比特币市场数据，验证了理论预测，且支持通过优化交易费和定价函数提升LP价值的实际操作建议 [page::2][page::3][page::16][page::24][page::28].
本报告构建并发布了Course-Skill Atlas数据集，通过自然语言处理技术，基于300多万份美国高校课程大纲，细粒度推断课程与劳动市场详细工作活动（DWA）的匹配度，生成院校及专业的技能画像。该数据揭示了高等教育在技能培养上的时空演变、院校与专业间的差异性及与劳动力市场技能需求的对齐趋势，为教育研究和劳动力发展提供了重要基础数据和分析工具。[page::0][page::1][page::3][page::7][page::15]
本报告基于贝宁2013年人口普查数据，研究性别、出生顺序及儿童天赋能力如何影响家庭内子女教育不平等。结果发现，非受教育父母家庭中，性别和出生顺序解释了超过2/3的教育差异，而在大学教育父母家庭中，这一比例降至1/3。家庭平均教育不平等呈倒U型，且非受教育父母家庭的教育不平等显著高于受教育父母。结构模型估计指出，消除性别和出生顺序效应对减少家庭内教育不平等影响有限，而确保所有子女至少接受一年教育则可显著降低不平等，但女童教育仍落后于男童，且实际政策效果低于理论预期。研究表明多维度政策干预有助于缓解家庭内教育不平等 [page::0][page::2][page::12][page::17][page::27][page::30][page::31]
本报告深入分析了中国新能源行业的当前发展态势及未来投资机会，结合关键财务指标和市场趋势，重点构建了多维度量化因子体系，涵盖估值、成长与波动性指标，适用于沪深A股新能源板块。通过系统回测，验证了量化策略的稳健性与卓越收益表现，展望行业长期增长潜力，为投资者提供科学的决策参考和风险控制建议 [page::1][page::10][page::15][page::16]。
本报告系统回顾了过去20年经济学文献，重点分析收入冲击对家庭消费的影响机理与传导效果，评估结构模型、自然实验和调查问卷三种方法的研究进展，揭示消费对永久性冲击反应显著大于暂时性冲击且存在广泛异质性，结合关键估计如BPP模型参数、自然实验的边际消费倾向(MPC)等，提供了理解家庭应对收入变动及政策设计的重要理论和实证支撑 [page::0][page::5][page::10][page::15].
本报告提出一种利用结构因果模型指导大型语言模型（LLM）进行社会科学假设自动生成与验证的系统。通过四个社会情境的模拟实验，系统成功构建了假设、设计实验、执行LLM代理互动并拟合结构因果模型，实验结果与理论高度吻合，且证明LLM本身蕴含更多信息，需借助结构因果模型揭示。该方法实现了社会科学研究流程的自动化与可复现，推动社会随机实验规模化与高效探索 [page::0][page::2][page::6][page::10][page::12][page::14][page::16][page::17][page::21][page::26]
本报告聚焦去中心化金融(DeFi)中广泛应用的“总锁仓价值”(TVL)指标，系统揭示其存在的“双重计算”缺陷及内在不稳定性，提出新指标“可兑换总价值”(TVR)以准确衡量DeFi底层价值。通过对3570个协议五年数据的衡量，发现DeFi系统中TVL与TVR的差额峰值达1398.7亿美元，双重计算比例约为2倍。TVL较TVR对市场下跌尤为敏感，25% ETH价格跌幅导致TVL比TVR多出约10亿美元损失。报告还设计了DeFi货币乘数，量化双重计算程度，发现其与加密市场指标正相关，与宏观经济指标负相关，表明TVR较TVL更稳定可靠、能有效缓释DeFi系统风险[page::0][page::1][page::2][page::8][page::10][page::12][page::15]
本研究扩展了传统的买卖价差（BAS）和中间价概念，引入了总市场订单簿买卖价差（TMOBBAS）和全局中间价（GMP）。基于高频交易数据，发现TMOBBAS和GMP的对数收益率表现出厚尾特征且显著偏离正态分布。通过ARMA(1,1)-GARCH(1,1)模型结合正态逆高斯分布对动态特征建模，并采用期权定价模型对低流动性风险进行对冲。利用Rachev比率评估不同深度价差的风险收益表现，揭示了尾部风险的多层次相互依赖，为高频交易市场的风险管理和策略设计提供了理论支持与实务工具 [page::0][page::1][page::4][page::8][page::13][page::20][page::27][page::29][page::31]
本报告系统对比了传统参数估计方法（如最大似然估计、最小二乘估计和卡尔曼滤波）与深度学习方法（多层感知机，MLP）在 Ornstein-Uhlenbeck 过程参数估计中的表现。通过大量轨迹数据训练，MLP 显著优于传统方法，能更准确地估计均值回复率、长期均值和波动率参数，且随着数据规模增加表现进一步提升，验证了其强大的拟合能力和潜在的实时应用价值 [page::0][page::1][page::6][page::7]。
本报告提出了一种基于深度联合学习与微分神经网络(DANN)的新型算法，旨在高效准确地估价早期行权产品——伯穆丹互换期权。通过结合蒙特卡洛采样的高噪声支付标签与多个相关金融产品的联合训练，极大提升了模型的泛化能力和预测精度。数值实验证明，该方法不仅显著缩减了估值误差，还实现了参数敏感度的自动计算，且具备推广到其他复杂衍生品的潜力 [page::0][page::1][page::3][page::9][page::11][page::15]。
本报告系统介绍了推荐系统（RS）在金融交易中的应用，探讨了基于AI构建投资建议的机制，重点分析了人类投资经理如何利用AI复制分析师的“信念度”及其推荐的交易绩效追踪。报告还深入阐述了RS输出推荐与投资组合风险管理、绩效分析工具的整合，并强调了解释型AI在增强用户信任方面的关键作用，同时展望了外包分析平台与未来AI发展趋势 [page::0][page::3][page::4][page::6][page::7]。
本报告系统地推导了连续与离散投资组合损失随机变量的各种风险度量（包括VaR与预期短缺ES）的一阶与二阶偏导数，提出了基于极限理论的重尾损失变量一阶和二阶条件矩的渐近结果，丰富了风险度量敏感性分析和资本分配的理论基础，为风险管理与投资组合优化提供实用数学工具[page::0][page::4][page::8][page::16].
本报告提出将人工市场模拟用于深度对冲中的基础资产模拟，替代传统的数学金融模型。实验结果表明，该方法在多种期权定价任务中性能接近甚至优于传统模型，且更好地复制了市场数据的风格化特征如厚尾和峰度，但在极端风险敏感的情况下表现有限。本文还分析了参数调优对收益的影响及其依赖于风险函数的特性，指出人工市场模拟作为深度对冲的基础资产模拟器具备潜力但仍有提升空间[page::0][page::1][page::4][page::6][page::7].
本报告介绍了Stata命令ge gravity2，该命令可用于计算普适引力模型的贸易流动、价格、产出及福利的反事实均衡。通过引入考虑正向供给弹性的模型，该命令扩展了现有的ge gravity，实现了对贸易政策变化的全面一般均衡影响分析。报告详细推导了模型理论基础、数值迭代算法，并通过实例演示了其在贸易自由化、边境政策及生产率变化中的应用效果，为学术研究与政策制定提供了强大工具 [page::0][page::1][page::4][page::14][page::17]。
本报告基于Uniswap v3构建了一个含异质流动性提供者的均场博弈模型，模拟DEX流动性分布和汇率动态。通过与真实数据校准模型参数，揭示了LP的风险偏好及其流动性选择行为；进一步引入了Maximal Extractable Value (MEV)机器人，建立Stackelberg博弈，模拟JIT流动性攻击，显著提升对池内动态的预测准确度，同时显示LP可通过预判机器人行为优化策略挽回部分利润[page::0][page::6][page::7][page::17][page::21][page::24][page::30].
本报告提出了一种基于多智能体和自适应机制的注意力集成学习框架MASAAT，以多尺度方向性变化特征和时序注意力模块，提升资产间空间和时间相关性的捕捉能力，有效过滤金融市场噪声，平衡投资组合收益与风险。实证在DJIA、S&P500和CSI300三大指标上验证了模型的优越性，显著优于传统和深度学习基线方法，展现出多智能体集成策略在复杂市场环境下的稳健性与适应性 [page::0][page::1][page::2][page::4][page::5][page::6].
本文通过引入神经网络对Black-Karasinski模型中的关键参数进行多项式展开校正，提升了现有路径积分（GTFK）近似方法在长时间跨度和不同校准参数组合下的定价精度。研究发现该方法可有效改善高波动率和高均值回复速率条件下的误差，拓展了模型适用范围并为未来多因子扩展提供基础。[page::0][page::2][page::4][page::5][page::6]
