本文提出了一种基于熵最小化的凸优化方法，通过累积违约概率推断信用迁移矩阵。该方法将问题转化为带约束的线性逆问题，并对多个测试案例进行验证，证明方法在数据有限或问题病态的情况下具有良好性能和预测能力 [page::0][page::3][page::4][page::9][page::12][page::14][page::15][page::16].
本报告提出了一个基础定价调整的统一表达框架，涵盖过去20年关于衍生品定价调整（包括XVA）的代表性结果，细致区分了模型调整、贴现调整和支付调整三类核心成分，并通过Itô SDE/PDE框架归纳这些调整的性质和关系。报告进一步引入元调整（meta-adjustments）概念，为XVA模型风险的识别和缓释提供理论支持，展示了模型不确定性对XVA估价的影响路径及其定量表征方法 [page::0][page::2][page::3][page::4][page::5][page::11][page::14]
本文提出了一种融合经典深度学习与量子神经网络的混合模型，用于股票市场回归预测。通过引入定制量子变分电路与混合优化策略，显著提升了对复杂金融时间序列的预测性能。实验以历史股价及技术指标为数据基础，采用时间序列交叉验证与多种优化手段验证模型准确性，结果表明混合模型在误差分布稳定性与预测鲁棒性方面优于纯量子模型，但仍有提升空间以匹配最先进经典方法 [page::0][page::4][page::6][page::8][page::9]。
本报告利用极值理论构建金融机构极值依赖网络，采用最大独立集方法筛选极值依赖最小的子集以构建抗系统性风险的投资组合。通过实证分析中美两国银行与保险股，揭示两国金融系统不同的极值依赖结构及风险传染路径，最终验证了基于最大独立集的组合在降低期望短缺风险和增强投资稳健性方面的有效性 [page::0][page::1][page::4][page::5][page::8][page::10][page::11][page::12][page::14]
本报告针对金融机构中生成式人工智能（GenAI）模型的风险管理展开，重点提出符合SR11-7监管框架的端到端模型风险管理体系，涵盖概念合理性验证、结果分析及持续监控，针对生成式AI特有的幻觉和有害内容风险，提出额外的测试和控制措施，为安全部署GenAI提供指导[page::0][page::1][page::4][page::5][page::10][page::12][page::13]。
本报告提出基于元启发式算法的投资组合优化方法，通过预指派约束限制搜索空间以贴合投资者偏好，并结合保证金交易中的最大回撤与MAR比率，优化风险调整收益。实证结果显示，相较于传统基准，该方法显著提升了风险调整收益性能，降低了最大回撤风险，增强了组合对市场波动的抵御能力 [page::0][page::1][page::6][page::9]。
本报告研究基于路径签名(signature)的波动率模型中的价格过程是否为鞅及其矩爆炸现象。核心发现表明，价格过程为真鞅的必要充分条件是线性组合的签名阶数为奇数且相关系数满足非正的乘积条件。基于爆炸时间的分析方法，报告还揭示了高阶矩的存在条件，结合多维布朗运动推广了鞅性判定。这些结论对模型截断阶数选择及期权定价实现具有重要指导意义 [page::0][page::1][page::2][page::5][page::6][page::7][page::8][page::9][page::13][page::14][page::15][page::16][page::17][page::19][page::20][page::21].
本报告提出了一种针对条件风险值（CVaR）约束投资组合优化问题的新型贝叶斯优化（BO）算法。核心创新包括基于投资组合特性的两阶段权重选择策略和新的采集函数设计，显著降低了昂贵的CVaR计算次数。通过理论证明优化问题的最优解位于预期收益约束的边界，并设计相应算法方案，实现收敛加速和平行批量计算，多组数值实验验证了方法在多个投资场景下的优越性能和稳健性 [page::0][page::2][page::3][page::4][page::5][page::6][page::7].
本文提出利用渐近方差量化Kelly准则的投资风险，建立了基于中心极限定理的风险衡量框架，提出渐近Sharpe比率和岭系数两种新指标，实现了分数Kelly策略的系统构建。通过离散时间和连续时间模型分析，结合高频复利、马尔科夫依赖及各种波动率模型，展示了风险与收益的平衡，揭示了在宽泛市场条件下风险调整最优投资比例的计算方法，兼顾长期增长与更稳健的风险控制[page::0][page::1][page::2][page::5][page::7][page::19][page::24][page::25].
本报告提出一种基于代理人的非概率轨迹集合方法，建模两只股票相对于第三只股票（计价单位）的价格联合演化。方法通过投资者基于可观测价格变动进行组合调整，生成多维价格轨迹，并基于超额对冲解释，构造相对的超额对冲价格区间。该方法无需概率假设，利用图结构和动态规划实现计算，合理处理可能出现的套利节点及相应的null集。通过历史数据的经验集和剪枝约束，控制轨迹空间的大小与风险—收益权衡，实现对投资中的风险客观调节，并提供了丰富的数据校准、轨迹匹配及盈亏分析结果，为路径依赖资产定价及相对定价提供了新视角[page::0][page::1][page::5][page::11][page::30][page::36][page::40].
本文提出了一种基于公共交易数据生成真实感metaorders的算法，成功复现了市场冲击的主要经验规律，包括平方根法则、metaorder执行过程中的凹形价格冲击曲线及其执行后的衰减特征。本方法打破了对专有数据的依赖，提升了数据规模和研究的可复制性，且实证结果支持价格冲击主要由机械因素驱动而非信息揭示，从而解释了冲击规律的普适性和稳定性[page::0][page::1][page::3][page::7]
本报告系统分析了气候政策不确定性(CPU)与清洁能源、化石能源及食品市场之间的收益溢出效应。研究发现整体溢出效应以高频短期为主，CPU在短期作为风险传导净贡献者，而中长期转为净接受者。清洁能源和油市为净接受者，肉类市场则为主要净贡献者。油市在网络中枢纽地位显著，是连接系统的关键节点，且溢出效应于2012年达到峰值后逐渐下降，揭示了市场间的信息快速传递和联动机制 [page::0][page::4][page::5][page::6][page::9]。
本报告扩展了微分机器学习的应用，提出了一种基于路径梯度的差分主成分分析（Differential PCA）方法，实现对衍生品市场状态的有效维度约简。与传统无监督PCA相比，差分PCA通过利用路径梯度协方差矩阵，安全且高效地识别交易组合中的关键风险因子，显著提升了定价模型的标的特征提取、最小二乘蒙特卡洛回归变量选择及机器学习预处理的效果[page::0][page::6][page::9][page::13]。
本研究提出基于高斯混合分布的深度学习模型，通过融合Transformer变体网络结构与股票代码嵌入技术，动态预测股票收益率的潜在分布，精准捕捉波动率的复杂非线性特征和非传统分布形态。相比传统GARCH模型，新方法在波动率预测和风险评估方面表现更优，实证覆盖3226支中国A股，结合t-SNE可视化揭示股票间不确定性相似性，为投资组合管理和风险缓释提供了创新视角和工具 [page::0][page::3][page::4][page::13][page::19]。
本报告基于效用理论研究最优投资组合配置，结合指数效用和对数效用，提出了广义均值-方差框架和复合概率分布建模，解决了统计及非平稳性不确定性对多资产分散和杠杆配置的影响，统一推导了相对配置与绝对杠杆，解释了业界广泛应用的半凯利准则，实现参数自洽无自由参数，具有较强的理论与实务指导意义[page::0][page::1][page::7][page::8][page::9].
本文首次系统刻画了在资产价格模型中具有独立收益下，单调均值方差（MMV）效用的动态最优投资组合选择问题，弱化了等价鞅测度存在等经典假设，并允许收益矩可非方可积。研究表明，MMV效用的极大值可通过单调Sharpe比率（MSR）解释，且全局平方MSR可视为以极大局部平方MSR复利连续增长的名义收益率。文章给出了均值方差效率组合成为MMV效率组合的充分必要条件，并通过多个实证例子比较了MV和MMV标准的差异，为动态交易策略的设计和风险管理提供了理论基础 [page::0][page::1][page::5][page::7][page::8][page::12][page::13][page::19][page::27]
本报告基于S&P 500历史数据，提出截断股票收益遵循$q$-高斯分布（方差混合正态分布）且极端收益计数适合用负二项分布建模，构造了广义跳跃扩散模型并推导显式期权定价公式，通过SPY实际数据验证模型能够产生隐含波动率微笑特征，尽管与市场隐含波动率存在偏差，反映市场对未来波动性的预期差异[page::0][page::1][page::5][page::8][page::10][page::11]
本报告介绍了矩阵H理论，构建了一个多尺度分层随机过程的多变量金融市场波动模型，区分了威沙特和逆威沙特两类普适性，利用Meijer G函数解析表达式描述协方差层级分布。对标普500股票日收益数据的实证分析表明，至少存在三个时间尺度，且威沙特类模型能有效刻画股票收益的非高斯重尾分布，为理解金融市场多尺度波动机制和投资组合策略提供理论支撑[page::0][page::1][page::10][page::14][page::17]
本文提出基于连续时间马尔可夫链（CTMC）逼近的一般方法，用于定价各种类型的美式巴黎期权（包括down-in/-out，永续和有限期限），适用一般一维时间非齐次马尔可夫模型。对down-in类型，通过条件巴黎停止时间，将定价问题转化为一系列不同期限的普通美式期权价格的积分，有效计算期权价格。对down-out类型，采用状态扩展记录持续时间，递归求解变分不等式。报告证明了CTMC逼近的收敛性，并通过数值实验验证了算法的准确性与高效性，涵盖扩散及跳跃模型，适用多种支付函数，具有高度的模型通用性和实用价值 [page::0][page::2][page::6][page::29]。
本报告研究一类含记忆项的非Markovian路径依赖波动率模型，通过扩展Lamperti变换构建基于函数量化的数值离散方案，实现将非Markovian SDE转化为ODE的过程。针对三个典型模型，理论证明强解的存在唯一性，并提出递归边际量化法以应对扩展到扩散系数依赖布朗积分的复杂情况。数值实验显示该方法在期权定价等金融工程应用中的潜力 [page::0][page::2][page::9][page::10][page::13][page::17][page::21][page::23][page::24][page::26][page::27][page::29]
