本报告研究有限时间和状态下基于模型不确定性的资产定价，创新定义了模型不确定情况下的套利，建立了单期与多期证券模型中无套利条件与风险中性概率测度之间的等价关系。针对禁止卖空的市场，提出弱与强风险中性非线性期望条件，确定无套利的必要和充分条件，推导了对冲策略及其超额对冲价格，为不完全市场下风险定价提供理论支持 [page::0][page::2][page::15][page::16]
本报告利用中国1999年高等教育扩招政策，采用省际差异和人群队列差分法，实证分析了教育机会提升对农村地区教育水平、劳动力结构、人口迁移及生活质量的影响。研究发现，高教扩招提升了农村人口的教育参与度，但导致农村出现“人才流失”现象：农村村落人口减少，教育水平较高的劳动力流失，农业活动收缩，生活设施与人均收入降低；而有成员迁出的家庭则收入显著增加，主要通过汇款渠道补偿，揭示教育机会通过缓解城乡迁移壁垒影响农村福祉的复杂效应[page::0][page::3][page::5][page::24][page::29][page::31][page::35][page::41][page::42]。
本报告基于Ken French经济行业收益数据，利用受限条件Granger因果指数(RCGCI)估计多行业间的因果网络，并采用Helmholtz-Hodge-Kodaira分解(HHKD)揭示金融市场中的因果等级结构。实证发现金融危机期间（如2020年疫情爆发）网络连接度显著提升，且贵金属和医药产品行业处于因果驱动的高位层级，表明HHKD能有效剖析市场危机中的主导驱动力，辅助危机理解及政策干预 [page::0][page::4][page::5][page::7][page::9]。
本报告针对房地产动态定价问题，构建了包含有限存货、固定销售期限及中间销售与收入约束的优化模型。引入了时变需求函数、资金时间价值及房地产价值随开发阶段增长的因素，设计并证明了最优定价策略的求解算法。实证模拟显示，考虑这些因素的反馈定价策略显著优于传统模型，为房地产定价提供理论及实务支持[page::0][page::1][page::4][page::7][page::12][page::13]
本报告提出EX-DRL方法，通过结合广义帕累托分布（GPD）对损失分布极端分位数进行建模，提升分布强化学习中极端风险度量（VaR、CVaR）的估计精度。实验证明，EX-DRL在期权Gamma对冲中显著优于传统QR-DRL，取得了更精准的极端分位数估计和更优的盈亏分布表现，利于复杂金融风险管理 [page::0][page::1][page::5][page::9]。
本报告基于系统文献回顾及四国20位专家访谈，分析知识产权（IPRs）在发展中国家气候技术转让与创新中的复杂角色。发现专利对技术扩散影响有限，而商标和实用新型对激励本地气候创新有积极作用。报告构建了针对减缓与适应不同需求的IPR治理框架，强调市场机制优先支持减缓技术转让，制度性机制则更适合适应技术的创新能力建设。研究建议政策聚焦需求拉动和能力培育，减少对弱化IPRs的诉求 [page::0][page::4][page::20][page::21][page::22]
本报告提出结合分位回归与分段线性嵌入的新方法P-QVAR，构建加密货币市场的因果网络，重点捕捉尾部事件的非线性因果关系。通过对260种加密货币1年小时级收益率的实证分析，发现市场尾部的因果链接占主导，且比传统线性VAR模型识别出更多复杂的因果影响，揭示了主要的自因果结构及比特币作为关键影响因子的独特作用，为金融市场非均值响应因果分析提供了创新框架[page::0][page::1][page::8][page::12][page::13]。
本报告构建了一种双层优化模型，分析带有收入差异的家庭在不同补贴政策作用下对屋顶太阳能与社区太阳能的采用时机和产品选择。研究发现，社区太阳能满足低收入家庭需求，有助于降低整体补贴成本，加速太阳能普及；采用水平目标、时间目标与补贴预算三者须协同设置，且收入不平等影响采用进程，但社区太阳能的引入可缓解此影响 [page::0][page::1][page::8][page::12].
本报告针对金融深度强化学习中的卷积神经网络（CNN）模型，提出输入归一化和梯度递减结构两项关键改进。通过在FinRL-Meta环境中结合PPO算法验证，新架构显著提高了模型的预测准确性和鲁棒性，实现了比多层感知机和原始CNN更高的累积收益，显示出对复杂金融数据模式更强的捕获能力，为金融量化交易决策提供了有效新范式 [page::0][page::3][page::5][page::7]。
本文基于双代理深度强化学习(Double Deep Q-Learning)研究了在Almgren-Chriss市场冲击框架中，两自治代理在大宗资产最优执行博弈中的策略演化。结果显示，智能体学习策略显著偏离理论纳什均衡，转而趋近于Pareto最优解，表现出隐性默契合谋现象。不同波动率环境下，该行为均存在且具有较强鲁棒性，即便训练与测试波动率不匹配亦然。该发现揭示了强化学习代理间在市场交互中的自然合谋风险，对市场稳定及监管具有重要启示。[page::0][page::1][page::11][page::12][page::15][page::19]
本报告基于股票收益率的相关性网络分析，探讨网络各类中心性指标及整体结构演化与市场收益的关系。研究发现，网络的局部与全局属性均与未来个股及整体市场收益显著相关。在结合网络特征后，个股收益预测的R2得分在长期实现50%提升，短期提升3%，表明网络特征有效捕捉金融市场复杂交互信息，提升预测能力。[page::0][page::1][page::6][page::18]
本报告提出基于有限数据输入的多智能体深度学习模型（Model A），针对美国标普500指数期货市场日内交易决策，能够精选做多、做空或空仓操作，实现风险暴露仅为被动投资41.95%的情况下，年化收益率14.92%，显著优于被动投资及传统机器学习模型。研究结果表明，动态深度神经网络利用有限标准交易数据和强化学习，在短期股票指数预测领域展现出较高准确率、较低波动和更优风险调整收益，具有实际应用潜力 [page::0][page::3][page::5][page::6][page::8].
本报告提出融合$\delta$-Slack-Based Model（$\delta$-SBM）与Ordinal Priority Approach（OPA）的混合模型，针对数据不确定性与政策偏好的影响，创新性地评估区域碳排放效率。应用于2021年中国30省工业碳排放效率（ICEE）分析，揭示经济、环境与技术三类政策优先情景下效率差异，通过K-means聚类识别技术驱动、发展平衡和转型潜力三类省份。结果显示技术优先政策普遍提升效率水平，并为各省提供个性化低碳发展路径与政策建议，有助促进中国工业稳步实现“双碳”目标。[page::0][page::1][page::3][page::12][page::15][page::19][page::23]
本文研究了在偏好异质性条件下，推荐系统如何通过“点赞”等粗糙信号影响消费者需求和福利。模型区分了推荐的客观与主观内容，揭示了基于贝叶斯推断的接收者行为，以及平台在价值最大化与需求最大化之间的设计权衡。结果表明，在对称群体中，极端阈值实现推荐的客观性，而在非对称群体中，存在内点阈值以有效传递主观信息。此外，附加推荐层级和多信号并未系统提升系统价值。该研究深化了对数字经济中推荐系统设计及其经济效应的理解，为平台和消费者间的利益冲突提供了理论依据 [page::0][page::1][page::2][page::4][page::5][page::7][page::10][page::12][page::14][page::17][page::20][page::23][page::24].
本报告围绕短期Caplet市场定价问题，基于一因子Cheyette模型，评估多种局部波动率与随机波动率形式的标定效果。通过通用模拟定价框架及参数化微分机器学习方法，发现带有关联Lognormal随机波动率（QDLNSV）与分段线性局部波动率的模型能更好拟合1年期不同行权价的Caplet微笑，实现精准高效的市场数据重现 [page::0][page::4][page::8][page::16][page::22]
本报告通过质化访谈、调查及计量经济学方法，深入分析了开放标注数据集（尤其是CIFAR-10）在深度学习技术和科学发展中的关键作用。研究发现，CIFAR-10作为一个虽小但适中复杂度且标注精良的数据集，搭建了从小规模数据到大型复杂数据的桥梁，有效促进了卷积神经网络模型的测试、迭代和教学，并在专利及学术引用中展现了显著的影响力，为深度学习兴起奠定基础 [page::0][page::2][page::19][page::21][page::24][page::29].
本文提出了Large Investment Model (LIM)框架，融合端到端学习与通用建模理念，构建一个能够从跨交易所、多资产、多频率多模态数据中自学习全局信号模式的上游基础模型，并将其迁移至下游策略模型以优化特定任务表现。LIM架构设计兼顾计算与数据基础设施，支持自动化策略生成，并通过期货与股票市场间的跨品种预测实验验证了其优越性，指出其在降低量化研究成本、提升策略效率方面的潜力及未来扩展方向 [page::0][page::2][page::6][page::7][page::12][page::15].
本报告基于高频交易数据，构建包含多种流动性指标的机器学习分类模型，预测股票一分钟内价格涨跌方向。研究发现，使用全部流动性指标组合能显著提升预测准确率，随机森林模型表现最佳，流动比率、资金流比率及换手率为关键特征，反映流动性对市场动态的深刻影响，为流动性风险管理与金融网络分析提供了实证支持 [page::0][page::3][page::4]。
本报告提出了一种基于因果启发的金融时间序列预测框架，通过结合最先进的因果发现算法与非因果特征选择方法，解决了金融市场分布变化带来的预测稳定性和准确性问题。实证结果显示，因果驱动模型在危机时期显著优于传统预测方法，尤其是在全球金融危机和COVID-19等动荡市场环境中，表现出更低的预测误差和更稳定的特征选择，验证了因果特征选择在提升投资组合经济价值上的有效性 [page::0][page::1][page::10][page::11][page::13][page::14][page::15]。
本文研究基于Lambda-Value-at-Risk(ΛVaR)的最优保险设计问题。结果证实，在期望值保费原则下，截断自留额型（stop-loss）的赔付形式仍是ΛVaR模型下的最优解，并给出截留额的闭式表达式。采用Λ' VaR作为保费原则时，最优方案为完全保险或无保险。若Λ' VaR仅用于确定风险加载系数，则双重stop-loss形式最优。论文还系统考察了模型不确定性情形，针对概率测度的不确定性集合，分别基于似然比和损失的前两矩，推导出对应最优策略及截留额闭式解。研究拓展了VaR方法，进一步提供了ΛVaR在保险定价及风险转移中的实用理论框架。[page::0][page::1][page::4][page::5][page::18]
