本文研究一个包含信息交易者、代表性非信息交易者和噪声流动性提供者的金融市场模型。在该单周期正态-CARA框架下，证明了存在一类内化价格冲击的市场均衡，指出信息者在此均衡中策略性地揭示较模糊的信号，导致价格对公共信息反应减弱。同时，发现信息者的间接效用严格单调增加于信号精度，表明信息者有动力获取并优化其私有信息。与竞争均衡相比，信息者内化价格冲击在多数参数空间内提升所有交易者效用，但在信息者风险厌恶较强且信号质量较差时反而降低其效用。此外，非信息交易者因价格冲击内化往往获得效用改进，体现策略性交易对市场的复杂影响机制 [page::0][page::1][page::2][page::10][page::11][page::12][page::13][page::17]
本报告基于2010-2022年近200国的商品细分国际贸易网络，运用机器学习模型深入分析网络拓扑特征对GDP增长预测的提升作用。结果显示，美国、中国、德国在主要贸易网络中地位稳固，去全球化趋势影响网络结构发生显著变革。非线性模型（如随机森林、XGBoost）显著优于线性模型，通过SHAP值解释展示网络指标（如矿产贸易网络密度）与经济增长的复杂关系，强调了经济惯性、人口增长和初级产业的重要性，为精准经济预测提供新视角与政策启示 [page::0][page::4][page::11][page::28][page::31][page::36]。
本论文研究了基于大型语言模型（LLM）代理在经典美人游戏中的多玩家战略互动。结果显示，LLM代理表现出0至1之间的战略推理深度，低于人类实验结果但呈现出向纳什均衡的收敛趋势。通过调整组内代理类型组合，发现较低战略不确定性和多样化智能水平的混合环境促进了学习收敛速度，提高了高智能代理的收益，揭示了LLM间竞争与合作行为的潜在机制，为社会科学研究和算法交互提供新视角 [page::0][page::4][page::5][page::6][page::7][page::8][page::9]
本报告提出并系统研究了因子风险度量（factor risk measures），其通过双变量映射评价风险与多个因子间的关系，拓展了传统风险度量仅依赖损失分布的局限。重点刻画了满足单调性、共单调加性、规范化等性质的扭曲型、分位数型、线性及一致风险度量，并详细构建了一系列新型因子风险度量实例，包括CoVaR、CoES及其扩展。通过数值示例和风险共享应用，展示了因子风险度量在系统性风险管理及资本要求评估中的潜力和差异性 [page::0][page::1][page::7][page::13][page::16]
本报告提出了一个非线性单因子资产定价模型，利用Kolmogorov-Arnold表示定理证明该模型能完美表示任意非线性多因子模型。通过171个跨资产类别的样本，采用基于Sieve的最小二乘估计，实现低维函数逼近，模型在横截面资产定价表现优越，且控制该因子后传统众多已知因子变得不显著。构建的基于模型预测收益的投资组合展示了显著的风险调整收益能力，为资产定价与投资策略研究提供新范式 [page::0][page::1][page::2][page::3][page::4][page::13][page::14][page::15][page::18][page::25][page::26][page::29][page::37][page::38]
本报告系统总结了组合增长模型在经济系统中对企业规模及增长率分布的建模方法与最新进展，重点分析了单位规模异质性及其对企业整体增长波动性的影响，阐述了不同模型（如Wyart-Bouchaud模型、Stanley模型和Sutton模型）对企业规模—波动率关系的解释，并探讨了未来涉及战略互动、企业并购及机器学习预测等研究方向 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8]
本报告基于一家大型制造企业超过3万名白领管理人员的应用数据和员工调查，首次揭示了女性较少申请早期职业晋升的“断梯”现象，主要因晋升职位需承担团队领导责任，而这一职责对女性吸引力显著低于男性。该性别差异不因信心、成功预期或家庭因素所致，而是源于领导职位固有的设计特征。结果显示，约27%的女性在较低职位阶段较少申请晋升，且女性更倾向避免带有较大团队规模及潜在冲突的领导角色，形成领导层性别差距的根本障碍 [page::0][page::1][page::3][page::4][page::6][page::14][page::15][page::20][page::21][page::23][page::25][page::28].
本报告创新性地将Hull-White随机利率模型引入Lévy市场框架下的带有保证最低收益的可变年金估值与最优退保策略分析中。结合树方法与有限差分技术的混合数值解法，有效刻画了利率波动对合约价值及退保行为的影响。通过与Longstaff-Schwartz蒙特卡洛方法的对比，证明了该模型在反映市场真实波动及指导保险合同设计中的优越性，尤其在抑制过早退保方面贡献显著。比较静态分析进一步揭示利率参数对最优退保成本的敏感性，强调准确建模随机利率的必要性 [page::0][page::1][page::2][page::19][page::20][page::21][page::22][page::18]
本报告构建了投资者自愿披露信息的理论模型，指出投资者总是披露初始证据，但对额外证据采取极端信息披露、中间信息隐瞒的策略，导致股价波动性加剧和误导性披露现象。此外，投资者的专业能力和企业信息环境显著影响披露的精细程度和误导披露频率。模型并考察了目标公司对空头投资者披露的战略性反应，验证了主要结论的稳健性，为理解投资者披露行为及市场价格反应提供理论支撑 [page::0][page::1][page::2][page::4][page::10][page::11][page::16][page::27][page::32].
本文提出RiskLabs框架，创新性利用大语言模型（LLMs）融合财报电话会议文本与音频、新闻及市场时间序列多源多模态数据，实现对股票市场波动率及VaR的风控预测，显著优于传统模型及单一LLM预测水平。框架通过多头自注意力机制及多任务学习，有效整合信号源，提升短中期风险预测准确度，揭示LLMs作为辅助工具在金融风险量化中的潜力与挑战，为跨领域AI金融应用提供新思路 [page::0][page::1][page::4][page::5][page::8].
本报告基于ChatGPT-3.5与ChatGPT-4，比较了直接预测(prompting)与未来叙事式预测两种提问策略，利用训练截止时间点（2021年9月）之后的2022年事件作为真实验证，发现未来叙事式提示显著提升了ChatGPT-4对奥斯卡主要奖项及部分经济指标的预测准确性。2024年更新后的模型包含预测事件的训练数据，准确率提升至100%。结果表明，叙事式提示通过利用模型的创意和虚构生成能力，有效绕开了直接预测的限制，揭示了大型语言模型在预测任务中的潜在价值与应用前景 [page::0][page::4][page::28][page::31][page::32]
本报告提出了一种基于时序动态行业网络（TDIN）和深度学习的交易级别M&A预测模型，突破传统方法对数据重采样和时间截断的依赖，有效捕捉了行业内M&A事件的复杂相互依赖关系。模型利用时间点过程和图神经网络，结合内生因素与外部同行影响，实现了细粒度的时间预测和精准目标推荐，实证结果显示相较经典收购可能性模型，模型AUC提升6.6%[page::0][page::13][page::21][page::23][page::24]。
本文提出了一种基于自然语言处理和三层堆叠机器学习分类器的系统，用于从Twitter等微博平台识别带有“金融机会”情绪的推文，着重于高精度检测投资者积极的市场预期。利用包含6,000条注释数据的财经微博语料，系统通过字符与词语n-gram、情绪词典、时态特征等多维特征构建模型，最终在随机森林算法上实现约83%的“机会”类推文检测精度及高容错性，验证了该方案在辅助投资决策中的潜力。[page::0][page::1][page::3][page::5][page::6][page::7][page::8][page::9]
本报告提出了PfoTGNRec模型，通过结合时间图网络与均值-方差有效采样，有效捕获了个人投资者偏好与投资组合的动态变化，解决了推荐准确性与投资组合多样化的权衡问题。实证结果显示该模型在推荐性能与投资组合夏普比率上均优于当前主流动态及静态模型，为个人投资者提供兼顾偏好和收益的交易建议 [page::0][page::1][page::3][page::5][page::6][page::7]。
本报告基于ENTSO-E发布的欧洲日内电力市场节点价格数据，评估了替代的竞价区划分方案的稳定性及有效性。研究发现，ACER提出的德国竞价区配置在时间和算法维度均不稳定，且价格区间内标准差下降幅度有限，区域平均价差不显著，导致价格信号缺乏长期稳定性和区域一致性。通过聚类分析，得出仅基于价格可进一步降低价格波动但地理连贯性不足。研究对德国竞价区拆分提出了现实挑战，强调现行方法难以找到既地理连贯又价格稳定的区域划分 [page::0][page::5][page::25][page::26][page::31]
本报告提出了PEAL方法——一个涵盖10步骤的数学框架，系统连接资产现金流入与债务现金流出，支持复杂结构性资产证券化的分层风险分配与透明度提升。通过标准化方程，PEAL方法实现风险精确刻画，促进监管合规及市场透明，填补了证券化领域长期缺失的数学建模空白[page::0][page::3][page::8][page::48]。
本报告提出将经典Black-Scholes模型推广为广义测度Black-Scholes模型，通过引入代表投资者不确定性的测度，实现期权价格的局部动态建模，结合非对称Dirichlet形式和偏微分方程理论，证明问题的良定性并针对自相似测度给出显式公式与数值算法，数值模拟显示该模型可生成非传统的期权定价行为，具备更灵活的风险刻画能力 [page::0][page::1][page::4][page::10][page::16][page::25]。
本报告介绍了StockGPT，一种基于解码器Transformer架构的自回归生成模型，训练于近百年7000万条美国股票日收益率序列。通过将连续收益率离散化成“token”，StockGPT自动学习复杂的价格模式并预测未来回报，显著优于主流价格因子和传统策略。日频和月频重平衡构建的多空组合均展现出极强的超额收益和显著α，表明生成式AI在股票定价领域具备突破人类手工策略的潜力，揭示了新的AI定价效应，为量化投资提供了创新路径 [page::0][page::3][page::9][page::12][page::13][page::14]
本报告首次基于覆盖全球76国、占85%人口的个体时间与风险偏好数据，重新校准碳的社会成本，发现西方学者估计值显著高于全球代表性估计，且以人口加权计算时成本更低，提示现有研究对全球社会成本存在系统性高估和偏差 [page::0][page::3][page::4].
本文基于2020年至2022年的高频面板数据，运用多种自回归模型系统性分析了加密货币市场的波动率动态。研究发现，相较于成熟资产如纳斯达克科技股，加密货币市场存在波动率杠杆效应倒转现象，即正收益反而增加未来波动率，负收益对未来波动率影响较小，体现出该市场尚未成熟且受零售投资者情绪驱动的特征。此外，跳跃成分对波动率的影响更显著，尤其是在个体层面，揭示了不同投资者行为的差异。研究对监管政策制定和风险管理具有重要启示 [page::0][page::17][page::21][page::24][page::43][page::46]
