本报告通过在线实验首次对“karma”机制在动态、反复资源分配中的行为表现进行了实证检验。结果表明，karma机制可显著提升资源分配效率，特别是在紧急需求低频高值场景和二元出价设计下，效率增益接近帕累托改进。同时，karma机制在参试者缺乏训练的情况下仍展现稳健的效率与公平性，且出价行为趋于近似平稳状态。该研究为深入理论发展与实际应用提供了重要基础和方向指引 [page::0][page::3][page::4][page::10][page::17][page::18]。
本报告基于量子退火器，提出了考虑离散股票份额、有限预算及ESG约束的Markowitz投资组合优化方法。通过重新标定风险厌恶参数，实现离散组合向连续解的收敛，解决了传统四舍五入方法导致的小中型组合低效问题。引入基于Wasserstein距离的ESG评分约束，有效平衡风险、收益与ESG表现，实现ESG友好的投资组合优化。研究基于欧洲斯托克50指数实证数据，展示了离散优化在有限预算下的优越性及ESG约束对组合风险收益表现的影响，为ESG投资者提供了量化工具与实践路径 [page::0][page::1][page::2][page::4][page::5][page::6][page::7][page::8][page::9][page::10]
本报告研究了时间不一致偏好下的最优停时问题，提出通过对天真策略经过多轮迭代训练趋近复杂策略的过程，度量时间不一致性水平。以累积前景理论中的概率扭曲为例，发现概率扭曲程度越大，时间不一致性越严重，训练所需轮次越多，实现时间一致性转化需更长时间。报告还对非指数折现引起的未来偏见偏好提供了解析转换步骤，验证了战略推理在解决时间不一致问题中的有效性 [page::0][page::1][page::8][page::13][page::19]。
本报告基于中国教育面板调查数据，构建了结合可解释神经网络PeerNN的微观离散选择模型，预测友情形成并生成友情概率矩阵Ω，进而利用工具变量方法估计加权好友影响的同伴效应参数β，最后采用遗传算法（GA）优化班级分配以最大化平均同伴效应。GA所产生的最优方案虽然提升了整体平均绩效，但存在严重的不公平问题。为此，报告设计了算法公平遗传算法（AFGA），在效率与公平间实现可调节的权衡。该框架不仅改进班级分配策略，也为其他群组分配问题提供了可推广的方法论 [page::0][page::8][page::13][page::19][page::20][page::21]。
本文提出了一种结合已知边缘分布和市场多资产期权价格作为附加信息的模型无关期权价格区间定价框架。通过资产定价基本定理和超对冲对偶性，将优化概率测度问题转化为交易策略上的最小化问题，并采用惩罚法结合神经网络深度学习进行求解。数值结果表明，附加信息（尤其是与目标期权具有相同支付结构的衍生品价格）显著缩窄价格上下界，且计算时间随资产维度线性增长，保证了方法的效率与实用性 [page::0][page::2][page::9][page::11][page::14]。
本报告围绕使用三种后处理方法（量化回归加权、置信预测和同调分布回归）将点预测转换为概率预测，重点评估了同调分布回归(IDR)在德国和西班牙电力市场的表现。实验显示IDR在组合模型中贡献最大，组合模型性能优于复杂的深度神经网络，提升了电力价格预测的准确性和风险管理能力 [page::0][page::1][page::4][page::5][page::9]
本报告研究了基于监督自编码器-多层感知机（SAE-MLP）的金融时间序列预测方法，通过引入基于历史波动率的噪声增强和三重障碍标记技术，提升了算法交易策略的风险调整收益率。研究涵盖标普500指数、EUR/USD和比特币，结果表明适度的噪声注入和自编码器瓶颈规模优化显著提高策略表现，而过度噪声和过大瓶颈尺寸会导致性能下降。此外，提出了针对三重障碍标记的优化指标，将有助于相关策略的性能提升与稳健性分析[page::0][page::4][page::11][page::24][page::26]。
本报告提出一种基于Malliavin微积分与Watanabe展开的新方法，用于CMS衍生品的定价。通过建立CMS衍生品价格与二次期权收益的无模型联系，扩展Watanabe展开至局部及随机局部波动率模型，并利用正态SABR模型进行数值比较，验证近似方法精度优于或等同于市场主流的Hagan近似和蒙特卡洛模拟 [page::0][page::1][page::9][page::13][page::15][page::17]
本报告提出采用非平稳动态因子模型构建英国金融压力指数（UKFSI），克服传统平稳模型难以捕捉金融风险惯性及尾部风险的缺陷。通过对18个涵盖股票、债券、外汇、国债市场变量的非平稳因子提取，报告发现选取5个因子最优，且这些统计因子表现出比单一市场因子更高的持久性和稳定性。利用增长风险（Growth-at-Risk）框架，将该指数作为宏观经济下行风险的信号，显示因子模型在短期预测中优于传统指标，但长期表现则被系统性指标CISS超越，提示不同压力指数方法应作为互补工具共同用于风险管理 [page::0][page::1][page::4][page::13][page::15][page::19][page::21][page::27]。
本报告针对基于大型语言模型（LLMs）的算法定价代理进行了实验研究，发现LLM定价代理能够高效完成定价任务，并在寡头市场中自发形成算法串通行为，导致超竞争价格并损害消费者利益。此外，提示词中看似无害的用语变动会显著影响串通程度。研究通过文本与回归分析揭示，定价代理采用基于奖惩的多期策略，规避价格战，维持高价策略。该现象同样出现在拍卖环境，凸显未来对LLM及黑盒算法定价监管的独特挑战。[page::0][page::3][page::4][page::5][page::12][page::15][page::16][page::22][page::23]
本文系统地比较了基于图网络中心性指标的多种投资组合优化策略，重点引入了包括新颖的NBTW中心性在内的多样化中心性测度方法。基于27年标普500股票日数据，研究评估了不同中心性指标、相关矩阵变换、阈值设置及投资组合构建方式对风险调整收益率和期望收益的影响。结果显示，采用边缘股票构建的组合在Sharpe比率上表现优异，中心股票组合则表现出更高的预期收益；阈值约0.5-0.7，子图中心性及NBTW等新型中心性有效提升组合表现。本文方法优于传统最小生成树等方法，且简易的阈值过滤策略表现良好，为投资者提供了多样化且有效的组合管理思路 [page::0][page::1][page::14][page::15][page::16][page::17]
本文基于对21家卡车运输公司共计466,236条沟通记录和45,873个雇佣周期的生存分析，研究了“负面冲击”如何影响员工嵌入感和离职率。结果显示，当企业与员工利益一致时，负面冲击（如设备故障）反而增强员工的情感承诺与留任意愿。负面冲击通过强化员工-企业的利益对齐，提升员工嵌入感，从而降低离职率。本研究在职场嵌入理论和离职裂解模型框架下，首次实证揭示了共享困难反而加固雇佣关系的机理，为高流动性行业的员工留存策略提供了重要启示 [page::0][page::2][page::21][page::28][page::29][page::30].
本报告研究了基于Temporal Graph Networks (TGN)的金融网络异常检测问题，提出利用TGN捕捉动态变化的边特征，实现对金融欺诈的高效识别。通过在真实金融场景下的DGraph数据集测试，TGN模型相较传统静态图神经网络及最新超图神经网络，在AUC指标上取得显著提升，彰显其对动态金融系统中异常行为检测的适应能力和优越性能。此外，报告探讨了多种图嵌入模块在TGN中的效果差异，进一步验证了该框架在金融异常检测中的广泛适用性。[page::0][page::2][page::3]
本报告利用图表示学习算法对DeFi协议中金融服务的相似性进行聚类分析。通过对以太坊交易数据中DeFi构建块结构与特征的高维向量嵌入，结合聚类算法，实现对不同协议下的金融功能进行分类，最高纯度达到0.888。研究发现协议特定的设计模式影响聚类性能，能够有效揭示相似DeFi服务间的内在联系，促进对多协议复杂DeFi生态的理解与管理 [page::0][page::2][page::4][page::8][page::11]。
本研究首次将中国A股上市股票的正负相关关系分别构造为加权时间序列网络与反网络，系统分析了21世纪前24年反网络与网络在节点度与强度、关联律系数、局部聚类系数及平均最短路径长度等拓扑结构上的显著差异，揭示反网络表现为尺度无关、强烈的反关联混合，且反网络结构对市场崩盘更为敏感，这为理解金融复杂系统动态及风险管理提供了新的视角与方法 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]
本报告提出了Systemic Quantum Score(SQS)方法，利用量子核函数优化信用评分，在数据稀缺且类别不平衡的金融信贷场景中，展现出优于传统机器学习模型（如XGBoost和SVC）的泛化能力和性能优势，尤其适合早期FinTech和Neobank，具备从少量样本中提取有效模式的能力，推动未来金融领域量子机器学习应用的发展 [page::0][page::1][page::11][page::12]
本报告提出结合金融压力指数与由ChatGPT分析彭博社市场新闻情绪的风险偏好策略，有效提升股市预测能力。该策略在纳斯达克、标普500等多市场回测显示出更高夏普率及更低最大回撤，增强了风险调节后的收益表现。采用动态切换机制，一旦新闻情绪信号失效，自动调整组合，提高整体稳定性和普适性。[page::0][page::2][page::4][page::6][page::11][page::12][page::20][page::21][page::22]
本报告研究了面对极度重尾（无穷大均值）及相关损失时，风险分散的非最优性及风险交换均衡。通过超Pareto分布和随机占优分析，证明在多智能体风险池中，个体均偏好非分散持有单一风险。此外，风险交换市场中若内部持有超Pareto风险的代理人间无法实现风险分散，但通过向外部风险承受方转移风险，所有参与方均可获益。这些结论在保险、金融等领域对极端风险管理具有指导意义 [page::0][page::1][page::14][page::15][page::16][page::17][page::24][page::25][page::27][page::28].
本报告通过使用2010年至2019年Q4的个人收入时间序列数据，采用ARIMA模型预测2020年Q1至2023年Q2的无疫情个人收入趋势，并与实际疫情期间数据对比，量化COVID-19对美国13大工业部门个人收入的冲击。研究发现，公共事业、零售、金融、房地产和医疗等部门表现出较强的收入弹性和恢复力；农业和餐饮住宿业尽管初期冲击严重，但恢复过程较晚，对整体影响方差贡献最大。制造业、批发和教育等部门恢复中等，而建筑和政府部门恢复最缓慢。整体经济影响在2020年Q2达到最低点后显著好转，显示疫情期间各行业逐步适应并恢复增长 [page::0][page::4][page::5][page::6][page::11]
本报告提出了一种创新方法，将房屋外观图片经多种深度学习编码器处理后作为协变量，结合传统房产经济计量模型，提高二手房价格预测精度。使用多编码器集成比单一编码器表现更优，图像特征单独就具备显著的解释力，最终实现约3%的样本外预测准确率提升，为经济学中图像等非结构化数据的利用提供实证范例 [page::0][page::3][page::7][page::9][page::10]
