本报告提出了一种适用于任意局部随机波动模型的蒙特卡洛误差消减新方法，能够显著降低期权定价及希腊字母估计的随机误差，适用范围涵盖欧式及路径依赖、多资产期权。数值实验证明该方法在多种复杂期权类型（如障碍、亚洲、篮子和多资产虹彩期权）下，相较传统蒙特卡洛，误差减少数量级达到数十倍，且适用于希腊值的计算，有效提升计算效率和精度 [page::0][page::8][page::11][page::13]。
本报告研究了大型语言模型（LLM）代理在不同竞争性社会情境中自发形成合作行为的能力，设计了三个跨学科案例（凯恩斯美丽竞赛、贝特朗竞争、紧急疏散）以模拟无指令引导下的合作演化。实验表明，LLM代理能基于上下文及多轮交互，自主调整策略，逐步实现合作，且仿真结果与真实人类行为高度一致，揭示了消除内外部偏见在社会仿真中的重要性，推动了社会科学与人工智能社区对LLM推理能力的新评估标准 [page::0][page::4][page::8]
本报告利用双重深度Q学习(DDQL)方法研究在流动性随时间动态变化且不可直接观测情况下的最优交易执行策略。以Almgren-Chriss框架为基础，模型涵盖临时和永久价格冲击参数的多种确定性及随机动态。实验结果表明，当解析解存在时，算法能有效逼近最优策略；在无法获得精确解的复杂环境下，算法表现优于传统基准策略，体现出强鲁棒性和自适应能力，适用流动性非平稳市场环境[page::0][page::1][page::7][page::14][page::17].
本报告研究投资者在有限交易期内基于部分信息环境下的资产配置问题，提出“信息无差异价格”概念并给出精确表达式，表明该价格受投资者风险厌恶程度和交易信号与噪声比率影响。同时，研究了订阅交易信号信息的最优时机，发现最优订阅时点为确定性时刻。通过单期及连续时间模型验证，报告揭示信息价值随信号强度和投资期限增加而提升，为信息服务定价和策略提供理论支撑，并通过数值实验展示订阅率与价值函数的动态特征 [page::0][page::2][page::3][page::5][page::6][page::9]。
本报告建立基于风险理论的家庭资本过程模型，聚焦贫困陷阱形成的触发时点、贫困前资产盈余及陷入贫困时的资产缺口等关键变量。利用Gerber-Shiu期望折现惩罚函数，提出适用于资本损失服从Beta(α,1)分布的解析解，得到陷阱时间的拉普拉斯变换及陷入贫困资产缺口的分布，该分布属于一般化贝塔（GB）分布族，进而与贫困测度福斯特-格里尔-索比克指数（FGT）建立联系。最后，通过对布基纳法索2014年多部门家庭微观数据的实证拟合验证了模型的适用性，揭示了利用风险理论分析贫困动态的潜力，为贫困测度及政策设计提供理论与实证支持 [page::0][page::1][page::2][page::13][page::15][page::16][page::23]
本报告构建了以太坊2.0共识层的奖励数据采集与分析框架，详尽披露验证者奖励的分布及演变情况，揭示了权益证明机制下奖励分配的相对公平性和稳定的去中心化水平。利用香农熵、基尼系数、纳卡莫托系数和HHI等多指标，分析了出块人、见证人及同步委员会的奖励动态，实现了数据公开并提出多维度可扩展研究方向 [page::0][page::3][page::6][page::7][page::8]
本报告提出了一种基于深度表示学习的时间序列聚类算法，以解决传统信用评分不足以支持金融包容性信贷产品的问题。通过对金融消费者交易数据的聚类，模型能够识别具有相似金融行为的用户群体，实现个性化金融产品定制。经系统性性能比较，基于CNN架构的自编码器结合经典重构损失和DTC聚类损失的FTHC算法，在聚类质量指标（轮廓系数和Davies-Bouldin指数）上优于现有方法，有效提升模型稳定性和聚类表现，为金融机构提供面向边缘群体的创新信用产品设计思路[page::0][page::6]
本报告提出了基于多智能体强化学习（MARL）的加密货币市场建模方法，利用Binance 2018-2022年153种加密资产的日收盘价数据进行校准。模型通过自主学习智能体，结合市场价格与资产的基本面估值，动态模拟买卖行为、订单簿撮合机制。结果显示模型能有效复现加密市场的非高斯收益分布、波动率聚集及价格自相关衰减等重要微观结构特征，验证了在多变且高度波动环境下，MARL对捕捉复杂市场行为的适用性和解释力[page::0][page::1][page::19][page::20]。
本报告系统回顾了著名经济学家H. Markowitz及其开创的现代投资组合理论，重点从数学上完整阐述了均值-方差分析的核心命题，包括最小方差组合、最大夏普比率组合、有效前沿及基金分离定理。通过理论命题的严谨证明及具体数值示例，展示了投资组合权重的最优求解方式及有效前沿的几何形态，深入解析了现代投资组合理论在资本资产定价模型、套利定价理论及后现代投资理论中的影响与扩展 [page::0][page::2][page::3][page::9][page::10]。
本报告基于Desmettre等人提出的均场LIBOR市场模型，提出了一个嵌入经典框架的新方法，实现了不依赖嵌套模拟的高效校准与仿真。模型能够有效控制长期利率的方差，避免利率爆炸现象，同时兼容近乎无风险的隔夜利率（如SOFR、ESTR）期权定价。通过欧元1年期EURIBOR市场数据的校准和模拟验证，展示了该模型的可行性和稳健性，特别是在长达60年的利率期限结构中实现了稳定的波动率阻尼与相关性调节。[page::0][page::1][page::11][page::15][page::17]
本报告提出了一种结合多重实现波动率测度的半参数联合VaR与ES风险预测框架。模型通过扩展实现指数GARCH与ES-CAViaR，利用自适应贝叶斯MCMC算法估计，实现了多重实现测度信息的融合。基于2000年至2022年覆盖六大股票市场实证，结果表明该框架在1%与2.5%置信水平下的VaR和ES预测准确度显著优于多种参数化与半参数化模型，且多测度信息对提升尾部风险预测效果至关重要[page::0][page::15][page::22][page::33]。
本报告提出了ABIDES-Economist，一款集成多种异质经济主体（家庭、企业、央行和政府）且支持强化学习的多智能体经济仿真平台。通过复现两个经济场景，验证了平台能够模拟家庭技能异质性对劳动选择的影响及企业对生产正向冲击的定价与工资策略调整。平台结合真实美国经济数据参数设计，且可扩展多种政策模拟，为经济学与人工智能交叉研究提供了新的模拟工具和分析视角 [page::0][page::1][page::5][page::6].
本报告基于博弈论框架，构建了芬兰超速行为与警察执法间的重复博弈模型，探讨了子博弈完美均衡（SPE）策略配置如何通过“胡萝卜加大棒”机制降低超速动机。研究指出单周期惩罚路径不可稳定，短周期重复博弈中存在纳什均衡但非SPE方案，且警察的执法成本与超速损害比影响均衡驱动概率，强调实际执法需考量处罚周期及资源配置，提出引入惩罚资金补助可能性以提高警察执行惩罚的积极性，为交通安全政策设计提供理论支持和方向指引[page::12][page::20].
本报告提出了STEER基准，系统且可调控地评估大语言模型（LLM）在经济理性决策方面的表现，通过设计细化的64个理性元素及层次结构，生成24500多道多项选择题，覆盖金融、医疗等多领域与13个难度等级。通过对14款不同规模LLM的大规模实验，结果表明模型性能显著受参数量影响，大模型（如GPT-4 Turbo）在低难度题上表现优异，但高级推理题表现趋近随机，且适当提示技术和自我解释能提升模型表现。此外，模型在避免认知偏差和多领域鲁棒性方面表现不一，展现当前技术的潜力与局限 [page::0][page::1][page::5][page::11][page::18][page::19][page::20][page::21]
本报告基于近8900万笔真实交易数据，系统性对比传统特征与结合个性化PageRank（PPR）网络特征在在线交易欺诈检测中的表现。研究表明，PPR特征显著提升模型预测性能，AUC提高2%，且其特征重要性指数高达0.7，表现出独特的风险识别能力。特征稳定性分析确认训练与测试数据分布一致，保证模型泛化能力。结果验证了网络特征对精细捕捉欺诈行为复杂社交关系的关键作用，建议未来研究拓展更多网络曝光特征以提升反欺诈能力。[page::0][page::2][page::4][page::5][page::6]
本报告提出基于Karhunen–Loève展开的Ornstein–Uhlenbeck驱动随机波动率模型的全新精确模拟方案。通过将OU过程的隐含波动率路径表示为正弦级数，并解析推导波动率及方差的时间积分为独立正态变量之和，实现了比现有方法快数百倍的计算效率。结合条件蒙特卡洛和鞅保留控制变量技术，进一步降低模拟方差，提高期权定价精度，为路径依赖金融衍生品定价提供了高效工具。[page::0][page::1][page::4][page::5][page::7]
本报告介绍了社会碳成本元分析数据库的2025年最新版，新增123条记录及性别和随机性字段，数据库收录了446篇论文和14152条碳成本估计，数据显示碳成本均值显著高于众数，且估计值在近年来呈上升趋势，女性作者参与的研究碳成本估计高于男性。本数据库集合多种卫星数据库，实现多维度交叉分析，助力气候经济政策制定和偏差检测 [page::0][page::1][page::3][page::6][page::7][page::8][page::9]
本报告提出利用大型语言模型（LLMs）生成合成人类演示，通过模仿学习（IL）构建次理性行为代理模型，克服传统强化学习在奖励函数设计及时间不一致性建模上的局限。通过四个经典经济与心理实验（终极游戏、棉花糖实验、加倍赌博、学术拖延）验证了该框架在捕捉人类有限理性、短视偏好及风险规避等行为特征的能力，实验结果与已有实证研究高度一致，展示了LLMs合成演示在次理性行为建模中的潜力与优势[page::0][page::3][page::4][page::5][page::6][page::7][page::8]
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]。
