本文研究受约束动态投资组合中，如何利用同一离散模拟网格上的原始—对偶价值区间，进一步认证最优政策的位置与真正绑定的约束面。报告通过Fenchel残差、互补松弛账本和Doob补偿，将价值残差转化为非负且可审计的路径量；结合Bellman原语曲率得到占用加权的政策距离区域，并通过约束放松获得最优乘子下界与活跃面证书。理论与一、二资产及最高50资产的锁定审计表明，补偿显著降低残差估计方差且未出现错误面声明；高维状态依赖实验则显示，主要瓶颈在于学习紧的可行对偶，而非曲率估计或残差到政策的转换。[page::1][page::2][page::3][page::21][page::28]
本文提出融入TRBC行业嵌入、宏观金融协变量及多重正则化的LSTM股票收益预测框架，在1995—2024年无生存偏差的S&P 500样本上进行滚动样本外检验。结果显示，行业嵌入模型在收益、准确率和风险调整表现上整体优于基础LSTM及部分基准模型，而宏观协变量未带来增益；模型信号可分解为行业动量与个股短期反转，但行业动量具有明显的市场状态依赖性，且量化套利收益在2008年后显著衰减。[page::3][page::11][page::13][page::16][page::24][page::25]
本文研究固定薪酬与股票期权激励下，风险厌恶管理者在VaR约束下进行努力投入和项目风险选择的动态公司风险管理问题。报告结合凹化技术、分位数方法与鞅方法，推导最优努力、终值和项目波动率的显式解。VaR约束会牺牲部分极佳状态的企业价值，以改善中间状态的下行保护；但当VaR下限过高时，可能提高破产概率并诱发逆境赌博。期权激励越强，企业价值分布越平滑，而固定薪酬越高则可能导致管理者责任感下降和价值分散。[page::0][page::2][page::19][page::20]
本文研究大型语言模型在在线借贷反事实分析中的应用，利用GPT-3.5结合提示工程和机器学习预测生成替代利率下的贷款投资回报率。结果显示，角色扮演、思维链和思维树等方法显著提升预测能力，GPT的ROI预测R²由1.97%提升至2.84%，接近梯度提升回归的3.48%；在反事实情景中，GPT生成的结果具有较强逻辑一致性，并能对机器学习预测进行补充和修正。[page::0][page::2][page::10][page::16]
本文提出一种分钟级、严格时间切分且可解释的日内市场操纵检测框架，以平滑后的状态速度捕捉“拉升—反转”动态特征，并通过精确SHAP解释每个预警。在BANKNIFTY指数期权2024年锁定测试集中，普通自编码器识别出监管机构确认的10个操纵日，召回率达到100%；HMM regime conditioning虽降低预警数量，却以牺牲召回率换取有限精度提升。跨市场测试显示，泵升反转的形状可迁移至美国低流动性股票，但速度幅度本身接近随机；ARQQ和ACY的形状评分AUC分别为0.91和0.81。未确认预警与监管确认日期的SHAP归因 profile 相似度达到0.9894，表明精度上限可能更多受到监管标签不完整影响，而非检测器失效。[page::0][page::3][page::4][page::5][page::7]
本文研究离散化分数布朗运动金融市场中的高频指数效用最大化问题，利用平稳高斯序列的谱方法和Szegő极限定理，推导最优确定性等价物的渐近增长率，并证明经适当缩放的最优持仓在有限维分布下收敛为具有白噪声特征的中心高斯场。结果表明，高频极限下不同交易时点的最优持仓相关性消失，而确定性等价物关于赫斯特参数的表现呈现以H=0.5附近为最低点的曲线特征。[page::1][page::2][page::3]
本文利用新南威尔士州2012—2021年法律援助申请与刑事案件行政数据，采用随机森林驱动的双重机器学习方法识别法律援助拒绝的因果效应。研究发现，未获援助并转而聘请私人律师的被告，入狱概率较获得援助并由公职律师代理者低约8.1个百分点；其最高指控认罪概率下降、罚款概率上升，而入狱者的服刑期限可能更长。结果表明，公共与私人法律代理之间存在显著绩效差异，公共律师可能因预算约束和高工作负荷更依赖高效率的认罪协商。[page::0][page::2][page::3][page::26]
本文将隐含波动率、局部波动率与机器学习生成的波动率曲面统一建模为带有正性、日历单调性和蝶式约束的无限维随机场。研究证明，活跃约束边界上的非退化高斯冲击以趋近于二分之一的概率逸出无套利集合，因此精确动态必须采用切向退化、反射或受约束流形机制；同时区分静态可行性与固定合约鞅条件。论文进一步建立谱分解、KL因子、vega场最小方差对冲、Dupire局部波动率图、无套利神经算子、正则化流和衰减签名场框架，并提出包含九类模型与六组指标的可证伪实证方案。[page::3][page::4][page::18][page::24][page::30][page::32][page::34]
本文提出FREE-MAD，一种无需共识的多智能体辩论框架，通过反从众辩论机制和基于全程辩论轨迹的评分决策机制，减少错误信息传播与多数投票偏差。实验覆盖8个数学、逻辑和知识推理基准，结果表明该方法在推理准确率、可扩展性及通信攻击鲁棒性方面优于基线，并以单轮辩论降低Token消耗。[page::0][page::1][page::4][page::7][page::8]
本文通过两个相互分离的实验，系统比较传统机器学习、FinBERT、Financial-RoBERTa及多种QLoRA适配大语言模型在金融情感分类和股票收益预测中的表现。结果显示，QLoRA显著提升了Qwen2.5的分类能力，Mistral-7B取得最高测试准确率与Macro-F1；但在2019年Benzinga新闻与标普100股票样本中，情感信号仅呈现微弱、短期的收益相关性，经过Newey–West及FDR校正后没有稳健显著性，说明语言分类准确率与可交易收益预测之间存在明显断层。[page::0][page::8][page::10][page::13]
本文基于阿根廷1,174名25—45岁成年人的随机在线实验，研究生成式人工智能是否缩小不同教育程度人群的生产率差距。结果显示，GPT-4.1助手显著提升低、高教育群体的任务表现，标准差增幅分别为1.242和0.834，教育组基准差距由0.548降至0.139，约缩小四分之三。[page::0][page::2][page::14][page::15] AI移除后的跟踪测试不支持“纯粹委托”解释，低教育参与者仍保留部分收益；但持续投入任务与高强度AI辅助结合时，能力迁移最为明显。[page::3][page::18][page::19] 聊天记录表明，低教育群体获得了大量工具支持，而高教育群体在提示词细节、对话结构及整合AI内容方面更有效，因此AI能够实现任务层面的技能均衡，却无法消除人力资本差异。[page::3][page::21][page::22]
本研究构建了连接气候变化、重大扰动、渔业产量与鱼价的综合分析框架，结合STL季节分解、Spearman滞后相关、分段中断时间序列回归、SARIMAX预测与热点识别，系统评估斯里兰卡2019—2025年海洋及内陆渔业的韧性差异。结果显示，海洋渔业季节性较弱且受高温滞后抑制，内陆渔业季节性更强并表现出温度滞后促进效应；SARIMAX相较季节性朴素模型显著降低预测误差，价格预测可服务于采购、储存和基础设施规划，但不宜直接作为市场交易信号。[page::0][page::2][page::4][page::5]
本文聚焦指数增强组合的换手控制，指出换手来源包括合成 ZSCORE 的因子本身变化、因子权重变化以及风险模型的稳定性等因素；多期情况下，惩罚性的换手控制在长期表现上往往优于简单约束 [page::3]。由于交易成本的存在，换手惩罚应该随着成本升高而加强，单期优化中两种控制方式在等效约束下相同，但在多期情境下惩罚法通常表现优于约束法 [page::4]。交易成本惩罚使得组合权重不仅受当前 alpha 的影响，还受过去的信息影响，收益与 alpha 的 IC 及其期限结构相关 [page::8]。在指数增强组合中，多期最大化 RankIC 的加权方法在换手惩罚下显著提升，相较单期最大化 RankIC，周频全市场增强沪深300 组合在年化 2 倍换手条件下的收益提升约 3.5% [page::10]。rho 参数的引入在较宽的取值区间内也能显著优于单期方法，且最佳区间随换手水平改变；对于沪深300和中证500的回测显示 rho 的最佳区间分别约在 0.9–0.96 与 0.6–0.8 [page::10][page::11]。因子期限结构对因子权重的影响显著，需同时关注因子对后续收益的预测能力而不仅是当期 RankIC [page::9]。
本研究提出后AGI时代的价值框架—— Flourishing Value Theory (FVT)，以对参与系统、制度、资产或干预在可持续“繁荣能力”上的反事实贡献进行多维、分布敏感的评估为核心，强调价值不仅源自产出或价格，而是对个体与社群在社会与地球界限内实现长久繁荣的能力的增进。文中讨论了价格、产出、利润等信号的局限，提出以“繁荣价值档案”(Flourishing Value Profile)为核心的治理与会计框架，并给出企业、政府、劳动转型、AI治理及国家核算等层面的制度性路径与准则。该理论强调三大转变：从稀缺走向治理的丰富、从交易转向转型、从零和竞争走向正和/无限博弈，并将 collective expansion of consciousness 视为一种跨领域的再生性价值，目标是在确保公正分配与生态约束下实现可持续繁荣。 [page::1]
本文提出一个简化的存款人挤兑模型，将银行资产划分为现金、AfS、HtM和非市场性四类，结合价格冲击的逆需求函数，刻画在挤兑情景下的资产重分类与处置对杠杆和资金流的影响，并将模型应用于 silicon valley bank（SVB）的公开数据进行逐步校准，揭示HtM设计在实际资金弹性中的关键作用。论文还给出一个关于如何在市场冲击下合理分配HtM以避免重估的最优解的明确表达（Proposition 5.2），并提出一个易于实施的清算算法以确定最小/最大清算解及其对银行稳健性的含义，供风险管理与监管分析之用。上述结论通过对SVB 2020–2022年 balance sheet 的回顾及对不同参数下的情景分析得到支撑，显示了在某些条件下HtM过高暴露可能带来挤兑放大效应与流动性冲击的风险 [page::1][page::13][page::19]
A record study of seven major crypto perpetual cascades (2022–2025) shows the transition signature is first-order and liquidity-driven rather than critical. In-flight measurements during the October 2025 cascade indicate subcritical branching (λ ≈ 0.1–0.2) with front-loaded forcing and substantial off-book absorption by the venue backstop. Across measures, the order parameter jumps while the susceptibility collapses, and the in-cascade liquidity signature—price-impact spikes and open-interest-clearing—appears universal. The branching model is falsified as an explanatory pre-cascade state, linking severity to shock, map-in-path, and liquidity withdrawal rather than a diverging multiplier [page::0][page::6][page::8]
<paper_abstract>本研究提出面向遍历马尔可夫过程的密度基拟合优度检验LAE，通过比较数据的密度与零假设下模型族对应的平稳密度来判断模型是否适配数据。不需给出具体替代假设、无需平滑参数，且在1/√n局部替代下仍具有非平凡的检验力。理论推导给出在几何遍历性与相关条件下的极限分布及通过蒙特卡罗获得临界值的方法，并在参数未知情形下给出推广。与传统基于分布函数的检验相比，LAE检验聚焦于密度层面的差异，且对高维状态空间具备可操作性，提供了模型评估的新视角与工具 [page::1][page::9][page::3]。
本文提出在观测驱动滤波中，用可微分的正确评分规则的负导数替代对数得分，以在声明的工作族与可预测缩放下实现更灵活的更新与尾部响应设计。该框架将更新视为对条件评分风险的梯度下降，且在自回归 Pull 存在时，中心目标转化为一个移动的“pseudo-true” 路径的中心点。研究给出局部实现损失下降、条件均值收缩的 contraction，以及曲率与创新方差的分解，揭示在非 Bartlett 场景下二者并不总是相等，从而提升对极端观测的鲁棒性理解。在高频情形，研究区分 centred 与 non-centred 两种缩放情形的极限行为，给出 centred diffusion 与 mean-flow 的极限，以及围绕移动评分风险的局部 Ornstein–Uhlenbeck 近似。论文还建立了批量最小化评分风险估计的参数一致性与依赖数据下的渐进正态性；并通过密度-准则因子分析与国际股票收益的实证部分，评估点估计、VaR 覆盖率和 PIT 诊断等预测与风险指标的约束与弹性。总体而言，本文提供一个基于准则的观测驱动滤波框架，适用于在模型 misspecification 下的更新、跟踪与边际预测区间的构建。[page::1] [page::2] [page::16] [page::38][page::45]
We present a novel application of Neural Networks with Local Converging Inputs (NNLCI) to improve the efficiency of existing numerical methods for pricing multiasset options. NNLCI uses a neural network to locally correct solutions from a coarse mesh and a refined mesh, requiring only a minimal amount of high-fidelity training data. We demonstrate this approach on cash-or-nothing options under the Black–Scholes equation in 1D, 2D, and 3D, and on single-asset down-and-out barrier calls under the Heston stochastic-volatility model (PDE is two-dimensional in S and v). NNLCI reduces RMSE of the refined-mesh solution by about 4–12× on test sets, even with training on a small subset of parameter combinations, highlighting substantial reductions in computational cost and strong generalization for real-time pricing and risk management [page::1].
本文提出通过以 gamma 活动时间对分数布朗运动（fBm）进行时间变化来构造时间变换的 fBm，进而形成五参数的 Fractional Variance Gamma（fVG）模型用于无套利定价与估计。核心在于将 fBm 的长期依赖、路径粗糙性和异常扩散特性与一个可使过程成为半鞘鞭过程的随机时间变换结合，从而实现对股票收益的更灵活刻画。研究给出高斯–伽马混合表征、可观测路径的仿真方法、以及基于广义矩量法（GMM）的参数估计框架，并在标的 S&P 500 上进行了经验性应用，得到 H 约为 0.45 的估计，支持收益序列存在轻微的时间尺度非线性特征。该模型在保持可用于无套利定价框架的同时，提供了对长期相关性、峰态和偏态的共识性解释。 [page::0]
