本报告提出了基于梯度增强稀疏Hermite多项式展开的最小二乘蒙特卡洛方法（G-LSM），用于高维美式期权定价及希腊字母估计。方法利用稀疏Hermite多项式作为续持价值函数的代理模型，并通过引入路径梯度信息优化系数估计，显著提高估值精度并保持与传统LSM相近的计算成本。理论上基于BSDE与Malliavin微积分分析该方法收敛性，数值实验表明G-LSM在高维（最多100维）中具有优于传统LSM且可匹配神经网络方法的定价和对冲表现 [page::0][page::1][page::6][page::14][page::15][page::22]。
本报告围绕2022年主要加密货币（比特币、以太坊、瑞波币、狗狗币和泰达币）的市场表现进行了深入分析，重点探讨了价格趋势、波动率、相关性及FTX破产事件的影响，揭示了加密资产的风险与回报特征。同时，提出了一套基于区块链技术的创新房地产交易协议，利用智能合约实现去中介化交易，提升透明度与效率，降低成本，促进全球房地产市场流动性，全面展示了区块链技术在传统行业的实际应用潜力[page::2][page::4][page::10][page::16][page::17][page::18]。
本报告研究了一类多项式Ornstein-Uhlenbeck (OU) 波动率模型（包括Stein-Stein、Schöbel-Zhu、一因子Bergomi及最近提出的Quintic OU模型）的Fourier-Laplace变换。首先建立了对数价格和累积方差的联合Fourier-Laplace泛函与无穷维Riccati微分方程的联系；随后证明了该方程的解的存在性（需非消失条件）并给出基于离散化的近似表达。针对难以求解的刚性无穷维Riccati方程，设计了变常数结合隐式Euler的数值解法。数值实验涵盖了SPX期权和波动率互换的定价与实证校准，展示了方法的高效性与准确性，为相关模型的实际应用和标的资产定价提供了强有力工具[page::0][page::1][page::4][page::8][page::10][page::14][page::15]
本报告针对带有提前终止权（退保选项）的可变年金（VA）设计，建立了严谨的定价公式和最优退保边界。通过将定价问题转化为一个带有时间相关且不连续终值的最优停时问题，报告提出了一种全新的非单调边界分析方法，并基于该方法获得了边界的连续性和光滑性结果。大量数值实验揭示退保罚金结构是定价波动的主要驱动力，死亡率的影响较小，同时费率水平显著影响退保策略和合约价值，为保险公司风险管理提供理论依据和定价工具 [page::0][page::1][page::2][page::8][page::9][page::10][page::11][page::25][page::33][page::34][page::35]
本报告提出一种基于持续时间-严重度分离的双变量正交多项式方法，创新性地分解风险违规的频率与严重度，建立灵活、无模型假设的ES（Expected Shortfall）联合回测框架。该方法利用持续时间间隔和违规严重度的序列，构建正交矩条件及基于瓦尔德统计量的检验，显著提升了ES和VaR背测的效能和解释力。通过模拟和实证（CAC40及标普500数据）验证，检验方法具有良好的有限样本性质和较强的错误模型识别能力。此外，方法可推广至边际ES（MES）等系统性风险测度的回测，拓宽了金融风险管理应用的范围[page::0][page::3][page::4][page::10][page::17][page::26][page::30]。
本报告提出了一种融合高度相关股票价格、深度学习模型与因子整合的新型指数收益预测方法，突破传统市值加权框架。通过层次风险平价优化，实现更优的风险分散和投资表现，显著提升行业指数构建及预测准确性。结合机器学习技术和多源因子信息，方法具有更强的稳健性及适应性，为投资机构和企业提供精准战略决策支持，助力行业指数构建与风险管理升级 [page::0][page::1][page::2][page::3][page::12][page::17][page::22]。
本报告提出一种基于深度强化学习的投资组合管理模型，通过对资产权重分配进行优化，实现较传统模型更优的风险调整后收益。模型设计了环境与智能体交互机制，利用包括价格、移动平均和资产相关性矩阵的状态表示，结合深度Q网络训练权重分配策略。回测结果显示该模型在多个加密货币及ETF组合中表现出更高的Sharpe比率，风险更低，表明深度强化学习在资产配置中的应用潜力 [page::0][page::3][page::4][page::6]。
本文提出贝叶斯预测决策合成（BPDS）框架，用于处理模型不确定性下的组合投资决策，通过结合多个候选模型的预测和决策表现，实现动态加权组合。以多币种外汇资产为例，运用时间变异向量自回归模型（TV–VAR）和松弛熵倾斜理论，设计了风险收益评分函数及结构化目标评分，显著提升了组合收益和夏普比率，优于传统贝叶斯模型平均方法，且理论解释了风险容忍度及目标评分的设置机制，展示BPDS在序贯投资决策中的应用潜力和优势 [page::0][page::1][page::4][page::9][page::14][page::21][page::22]
本报告提出利用量子计算理论和算法解决动态非线性资产定价模型，展示了量子算法通过叠加和纠缠态有潜力实现指数级计算加速。量子态形式的均衡资产定价解结合统计决策理论引入了量子歧义的概念，区分了传统的经典歧义与量子引入的新型歧义，赋能模型选择与不确定性处理，为未来量子加速的金融计量分析提供理论框架和实证示范 [page::0][page::1][page::10][page::16][page::26][page::31][page::35]。
本报告系统阐述了金融微分机器学习算法的数学原理，突破性地建立了基于风险中性定价理论和广义函数理论的统一框架，有效解决了衍生品定价与对冲中的微分标签偏差问题。通过对比最小二乘蒙特卡罗法与微分机器学习法，结合多层神经网络参数基底的理论优势与实证回测，展示了微分神经网络在欧式期权价格预测和delta对冲方面的优越性能，显著降低了对冲误差，体现了算法在实务中的应用潜力与前沿价值[page::1][page::3][page::8][page::18][page::19].
本报告利用2022年日本金融素养调查数据，运用快速因果推断（FCI）模型，探究金融素养是否对投资参与和退休规划产生因果影响。结果显示，提升金融素养未必直接促进投资或退休规划，提示政策需关注激发居民信心与调整相关行为。[page::0][page::13][page::21]
本报告基于2018-2019年扩展后的HMDA数据，深入分析了美国不同种族和族裔群体在住房贷款申请中的拒绝率和利率定价差异。研究发现，尽管控制了借款人信用评分、收入负债比和贷款价值比后，这些差异有所减小，但仍具有经济学意义，表明贷款评分指标和系统性障碍共同导致了住房信贷获取的不平等。此外，敏感性分析显示，遗漏变量难以完全解释贷款拒绝差异，暗示其他结构性因素存在[page::0][page::7][page::15][page::18][page::22]。
本报告提出了一种基于张量列车（Tensor Train, TT）学习的傅里叶变换（FT）期权定价新方法，能够在包含参数依赖情况下高效逼近多资产期权定价函数，实现快速响应参数变化的定价。通过对波动率与初始资产价格变化的数值实验，证实该方法在多达11个资产的场景下，计算复杂度远优于百万路径蒙特卡洛方法，同时保持了较高的定价准确度，为多资产期权快速定价提供了切实可行的技术路径 [page::0][page::1][page::5][page::6][page::8].
本报告基于1999年至2021年初级市场CAT债券交易数据，采用XGBoost机器学习模型结合刚性置信区间（Conformal Prediction）方法，揭示了CAT债券价格与其预期损失、首次损失概率、发行规模及再保险市场指标之间复杂的非线性关系和交互效应。相比传统线性回归，机器学习模型不仅提高了价格预测精度，还生成了更精炼且覆盖率稳定的预测区间，助力投资者和发行人更准确地评估风险和定价策略 [page::0][page::3][page::8][page::22][page::34][page::35]。
本文系统探讨了利用Euler公式进行资本分配的方法，聚焦于风险度量中的VaR与ES，指出VaR在资本分配中不具备单调性这一重要缺陷，并强调应使用与组合风险评估相同的风险度量进行资本分配。同时提出通过模拟技术估计资产承诺期内的风险调整资本回报率，并创新性地利用马尔可夫链蒙特卡洛方法提高资本分配的计算效率[page::0][page::3][page::5][page::7][page::9][page::10]。
本文针对信用评级迁移模型参数校准问题，分别提出了适用于高违约组合的基于拉普拉斯近似和卡尔曼滤波的快速极大似然估计算法，以及适用于低违约组合的基于粒子滤波和高斯过程回归的校准方法。两种方法均能高效且准确地逼近似然函数，数值实验验证了其有效性，解决了传统方法中因数据特点导致的估计偏差和计算复杂度问题 [page::0][page::3][page::4][page::11][page::14][page::27][page::34]
本研究提出了一种基于多模态时间序列数据的双重注意力机制（DAM），结合区块链核心指标与来自新闻和社交媒体的情感数据，利用CryptoBERT进行情感分析，有效捕获金融市场与情绪的交互作用。实验显示，该方法在比特币价格预测中较传统LSTM和Transformer模型精度提升20%，且通过Ablation分析验证了模型融合内模态及跨模态信息的显著优势，丰富了多领域交叉的加密货币趋势预测方法，具备提升DeSci项目战略规划和风险管理的潜力 [page::0][page::1][page::3][page::4][page::5][page::6]
本文研究了带有随机强度（服从CIR过程）的跳跃扩散模型中金融衍生品的定价及其Delta希腊字母的计算。利用Malliavin微积分，通过构造合适的Malliavin权重，推导了Delta的显式表达式。本文证明了Euler离散化方法的收敛性，并通过数值实验验证了方法的有效性，展示了该方法在包含跳跃和随机强度动态的市场中风险管理和对冲策略中的潜力 [page::0][page::2][page::12][page::31]。
报告针对金融损失的期望短缺（Expected Shortfall, ES）风险估计问题，提出了一种新颖的非参数估计器，优于传统的plug-in估计器。该估计器在有限样本下实现了由中心极限定理给出的最优统计性质，且具备对数据中小比例恶意扰动的对抗鲁棒性。数值实验证明新估计器在重尾分布下表现显著优越，且避免了传统估计器极端失效的情况 [page::0][page::1][page::3][page::5][page::6][page::8][page::9][page::12][page::15][page::20]。
本报告基于澳大利亚新南威尔士和澳大利亚首都领地2009-2017年数据，采用双重机器学习方法，构建成功ART妊娠与失败ART后自然妊娠对照组，系统评估ART对早产、出生体重、APGAR评分和剖宫产率等产科结局的因果影响。结果显示，ART本身并不增加早产及其它不良结局风险，反而轻微降低剖宫产率和诱导分娩比例，提示ART治疗并非独立风险因素，对患者和临床具有重要的安慰作用 [page::2][page::6][page::30]。
