本报告提出一种内嵌于区块链基础架构的自动套利捕获机制，通过利用空闲网络资源执行排序交易，减少跨市场价格偏差，提升市场微结构效率，降低执行延迟，并将套利收益分配给网络参与者以支持生态发展。该方法在不承担额外库存风险的前提下，优化区块生产过程中的资源利用率，实现内生套利机会捕获和利润再分配，增强链上市场流动性和交易质量 [page::0][page::1][page::3][page::4]。
本报告提出了“CryptoPulse”模型，通过融合宏观市场波动、技术指标、个别加密货币价格动态及市场情绪，实现次日加密货币收盘价的高精度预测。模型采用双重预测机制及基于市场情绪的融合优化，在大规模实盘数据集上的实验结果显示，CryptoPulse在MAE、MSE和相关系数等多个指标上显著优于十种主流对比模型，展现出强劲的预测能力和稳健性[page::0][page::1][page::4][page::5][page::8]
本报告针对企业财务欺诈检测中的信息过载和隐藏欺诈问题，提出一种结合知识图嵌入与鲁棒双阶段学习的图卷积网络模型（KeGCN_R）。通过构建中国A股18年财务知识图谱，深入分析了支持节点过多导致的图信息噪声和标签噪声带来的挑战，并设计了以元路径为基础的公司子图及基于贝叶斯标签转移矩阵的隐匿欺诈鲁棒训练策略。实验证明，所提方法在处理复杂关系和标签噪声方面均显著优于现有方法，提升了欺诈识别的准确性和鲁棒性 [page::0][page::1][page::4][page::5][page::7][page::11].
本报告提出并验证了Agentic Retrieval-Augmented Generation（Agentic RAG）方法，用于组织研究中的主题建模。通过结合检索、生成与智能代理迭代优化，Agentic RAG提升了效率、透明度、有效性和可靠性。在对COVID-19疫苗犹豫推文数据集的实证中，Agentic RAG表现优于传统LDA和基于LLM提示的主题建模，显著提升了主题与数据集的语义相关性和结果稳定性[page::1][page::12][page::17][page::19][page::20]。
本报告通过整合分析亚马逊评论、沃尔玛销售、Instacart订单及谷歌趋势等多源大数据，挖掘消费者行为、季节性采购趋势和产品偏好，揭示零售市场关键时序特征与关联规律，为库存管理和营销策略优化提供数据驱动支持，提升客户满意度与零售效益 [page::0][page::6][page::11]。
本报告介绍了MarketSenseAI框架的最新进展，利用大语言模型(LLMs)结合检索增强生成与链式代理方法，实现对财务披露、宏观经济报告和市场动态的综合分析。实证结果显示，在2023-2024年S&P 100股票测试中，MarketSenseAI精选股票累计收益率达到125.9%，显著优于指数的73.5%，且保持了较优的风险指标。此外，2024年S&P 500测试进一步验证了该框架的可扩展性与稳健性，实现比市场高33.8%的Sortino比率。该研究推动了LLM在金融分析领域的应用创新，提升了股票选取的准确性与策略透明度[page::0][page::5][page::15][page::16][page::19]
本文提出一种基于Volterra积分方程的半解析方法，针对时间非齐次模型下美式期权的定价问题，重点分析了行权边界的“漂浮”结构，即行权边界动态出现和消失的现象。通过构建非线性积分方程求解单边界和双边界问题，并结合具体的几何布置和模型参数（如时间依赖的利率、波动率），实现了行权边界的精确计算及期权价格的显式表示。本文还用几类常用模型（如时间依赖现金流GBM和均值回复OU过程）进行了数值实验，揭示了行权边界形态随时间和波动性变化的复杂演化及其对美式期权价格的显著影响，支持更高效稳定的定价算法设计 [page::0][page::6][page::8][page::12][page::14][page::15]。
本报告提出了结合大型语言模型(LLM)与决策导向学习的决策感知神经网络框架(DINN)，有效缓解传统基于预测误差的组合优化中预测与决策目标脱节的问题。通过引入基于cross-attention的多模态集成、语义嵌入和可微优化层，模型在S&P100与DOW30数据集上实现了较主流深度学习模型显著提升的投资表现。实验证明DINN优先关注对决策最关键的资产，借此降低预测误差对组合绩效的负面影响，显著提高了年化收益和风险调整回报，验证了将投资决策目标融入模型训练的重要性和有效性 [page::0][page::1][page::4][page::15][page::16][page::22]
本报告通过构建基于Laplace-Beltrami算子的量子力学框架，给出Black-Scholes模型的两种新量子表述，并系统地将其推广到非交换量子力学范式中，进一步提出了与Merton-Garman模型相关的多自由度系统及其非交换推广，为金融衍生品定价理论注入新的几何和量子力学视角 [page::0][page::4][page::5][page::7][page::8]
本报告提出了一种基于市场反馈的强化学习微调框架（RLMF），对LLaMA-3.2-3B-Instruct模型进行优化，以增强其在金融市场情绪分析与交易信号生成的表现。通过整合市场特定特征和短期价格动态，实现了信号准确性和交易结果的提升。实验证明，该方法在2023年的实盘测试中表现稳健，收益稳定且波动较低，优于基线模型，最终获得FinRL 2024竞赛任务二冠军[page::0][page::1][page::2]。
本报告深入分析了特朗普与拜登政府在经济政策上的根本差异，特别是对ESG投资领域的影响。特朗普执政时期，重视放松监管及化石燃料，导致ESG投资环境波动剧烈；而拜登政府则通过大规模公共投资和绿色能源政策，推动了可持续经济增长并提升ESG投资信心。随着特朗普2025年再次执政，政策回归传统经济增长路径，再次加剧了ESG投资的政策不确定性和市场波动[page::1][page::4][page::6]。
本文深入研究去中心化自动做市商（AMMs）中不可永久损失（IL）与相较再平衡损失（LVR）的关系，聚焦IL和LVR的统计属性、手续费影响、区块时间及连续时间极限。研究发现，IL和LVR在短期表现一致，中期期望相同但分布不同，长期分布和均值均显著差异。手续费引入新的时间尺度，显著减少LVR但对IL影响有限，揭示手续费对流动性提供者风险管理的关键作用[page::0][page::11][page::13][page::22][page::23]。
本报告比较了Fama-French三因子、四因子及五因子模型在美国制造业、高科技及其他行业的回归预测表现，发现五因子模型整体表现最佳。针对高科技行业，基于LSTM的深度学习模型展现出更优的预测能力，捕捉了行业特有的非线性复杂因素，显示传统因子模型与机器学习模型的结合潜力，为投资决策提供了有力支持 [page::1][page::3][page::4][page::5]。
本报告构建了包含灾难风险和参数不确定性的双因素随机便利收益模型，基于林木期货及美国山火数据，结合反射型后向随机微分方程(RBSDE)方法，估算森林租赁价值与最优采伐策略的保守与乐观边界。数值实验证明参数不确定性显著影响租赁估值和采伐时间，且便利收益在决策中具有关键作用。同时，加入碳汇价值延缓采伐时点，揭示了环境风险对林业投资的隐形成本和管理策略的稳健性建议[page::0][page::2][page::15][page::21][page::22][page::23]
本报告提出了一种结合强化学习与大型语言模型（LLM）的风险敏感交易智能体。通过将LLM生成的股票推荐与风险评估信号注入Conditional Value-at-Risk Proximal Policy Optimization (CPPO)算法，提升交易决策质量。基于Nasdaq-100指数的回测结果显示，LLM集成显著改善了CPPO表现，尤其在熊市风险管理方面更为优越。该方法利用FNSPID金融新闻数据，展示了LLM在提取风险特征和交易信号方面的潜力，为量化交易策略提供了创新思路 [page::0][page::1][page::2][page::3][page::6]
本报告基于NASDAQ100股票高频逐笔订单数据，采用一阶离散时间Markov链模型，深入分析不同市值（高、中、低）股票在一天交易时段内的订单转换动态。研究发现限价单在开盘时段具有较强的惯性，随后其惯性减弱而市价单惯性上升，盘中阶段订单转换趋于稳定，收盘时段市价单执行迅速增加且限价单提交减少。不同市值股票显示出显著差异：大盘股订单惯性更强，小盘股限价单调整频繁且买卖订单转移更灵活。时间段内的转移概率矩阵聚类显示开盘与收盘时段具有独特的订单动态结构。这些发现为交易者优化订单提交策略提供了微观动态依据 [page::0][page::1][page::7][page::8][page::10][page::11][page::12]
本文提出并推导了三种基于均值回复特性的SABR波动率模型（包括经典Heston模型及其变体），给出无额外条件限制下的闭式解表达式， 并通过欧元斯托克斯指数期权隐含波动率曲面的校准验证了模型的高效拟合能力。研究显示CIR-波动率模型优于Heston-方差模型，参数更稳定且更适合模拟实际股权波动率过程，三种模型均能高效捕获股权波动率的涨落特征，为实际风险管理和定价提供了简单且可靠的数值工具[page::0][page::19][page::24]。
本报告提出了一种结合量子计算与经典深度神经网络的混合模型，应用于银行信贷风险评估中的行类型依赖预测分析（RTDPA）。研究通过针对不同贷款类别（农业贷款与个人贷款）定制建模，提升了风险预测的准确性与效率。实验结果表明，该模型能够有效处理数据不平衡问题，并通过量子数据嵌入和纠缠层提高模型的表达能力，实现对贷款状态的精细分类，展示了量子深度学习在金融风控领域的应用潜力 [page::0][page::1][page::7][page::14][page::16][page::22][page::24][page::25]
本论文针对机构投资者需高效清算多只高度相关股票的难题，提出了一种基于强化学习的最小执行缺口算法。通过构建离散时间多元最优控制模型，并训练两组神经网络兼顾价格相关性和市场冲击效应，有效规避维度灾难，显著减少整体执行缺口。论文理论上证明了算法的收敛性，并结合2017年6只流通市值大、相关性强的美股当日交易数据完成实证应用，验证了方法的可行性与优越性 [page::0][page::2][page::3][page::5][page::7][page::8][page::6]。
本报告通过创新的实证方法，基于1997至2023年66个美国行业的投入产出账户数据，首次精确估计了中间投入替代弹性和行业投入份额参数的行业间及时间变化性。结果显示，行业间及时间上的参数异质性显著，且与专利创新动态相关。这种异质性在校准的多部门GE模型中显著影响了负面行业冲击对GDP的传导效果，揭示了不同产业角色及替代能力变化对宏观经济冲击传导机制的深刻影响 [page::0][page::1][page::2][page::11][page::12][page::14][page::20]。
