本报告基于1980至2024年S&P500指数的历史数据，深入分析股票收益累积期间内收益与损失分布的非对称性。研究发现去趋势后收益分布的均值随累积天数近线性增长，方差与天数也呈线性相关，且损失端尾部明显更重。通过对收益和损失的补充累计分布函数尾部进行幂律拟合及异常值统计检验，发现传统对称或近对称分布理论难以解释负偏态和尾部行为异质性的实证结果[page::0][page::1][page::4][page::5][page::14]。
本著作系统构建了基于信息可得性的新范式下经济系统的随机模型，提出了消费者选择和企业决策的随机场描述，介绍了涵盖生产技术映射、无套利条件与经济均衡的数学结构，并进一步发展了经济变换理论，结合实际，如乌克兰经济分析，阐述了该理论对复杂经济系统的解释与应用 [page::0][page::2][page::3][page::4][page::5][page::6][page::138][page::147][page::166][page::369][page::382]。
本报告提出了FinArena，一种基于人机协作的金融市场分析与预测框架。该框架结合多模态金融数据与用户风险偏好，通过多代理LLM系统和自适应检索增强生成机制解决传统方法的局限性，并在美股和A股市场通过丰富实验证明其在股票走势预测和交易模拟中的领先表现[page::0][page::1][page::8][page::11][page::12]。
本报告针对高频交易中因交易费用导致的收益标签严重失衡问题，提出了一套端到端深度学习框架，结合多种标签不平衡处理方法（如欠采样、代价敏感学习、加权损失和焦点损失），成功提升了中国期货市场1分钟收益预测的准确性。实验证明LSTM与Mamba模型在捕获时间序列特征上表现较优，而代价敏感损失和加权损失优于传统采样方法，应对标签失衡效果显著 [page::0][page::2][page::8]
本报告针对风电-电池混合可再生能源资产，提出了一种连续状态下的随机控制调度模型，核心在于动态优化电池能量存储系统（BESS）以实现发电与日前计划的对齐（firming）。报告设计并实现了基于高斯过程的回归蒙特卡洛算法（SHADOw-GP），支持多种目标函数（如二次偏差、削峰、寿命衰减等），并通过对德州ERCOT网的140+风电资产数据的实证校准，展示了混合化带来的显著经济利益和调度灵活性提升 [page::0][page::1][page::2][page::4][page::8][page::15][page::18][page::24][page::25]。
本报告提出了半决策聚焦学习（Semi-Decision-Focused Learning）框架，通过使用简单的目标投资组合和凸交叉熵损失函数来稳定和强化深度学习在投资组合优化中的应用。此外，深度集成（Deep Ensemble）技术被引入以减少模型预测的方差，提升优化效果和鲁棒性。基于两类不同市场环境的股票池实验显示，该方法显著优于传统基线策略，证实了其在多变市场中的实用价值和性能优势 [page::0][page::1][page::2][page::3][page::4]。
本报告结合印度三大重要作物（大豆、稻米、棉花）的价格数据和气候变量，采用EGARCH模型估计价格波动，并通过SARIMAX引入气象因子进行长期预测，利用Black-Scholes模型计算隐含的最低支持价格保险费率。研究强调气候变化情景（SSP2-4.5和SSP5-8.5）对价格波动及保险费率的显著影响，提出通过政府购买保险对冲最低支持价格风险的创新财政机制，以实现农业金融的可持续发展和气候风险管理[page::0][page::1][page::5][page::6][page::9]。
本研报提出了一种基于层级图结构和Schur补方法的资金组合优化新框架。该方法以Sierpiński图为模型，通过递归应用Schur补，有效降低计算复杂度，仅需逆转小规模子矩阵即可求得最优权重，同时保留完整协方差信息。研究揭示了传统Markowitz均值方差优化、层级风险平价与Schur补方法间的本质联系，并提供了具体递归算法，实现规模无关的高效组合构建。实证中，该方法通过区分连接节点和内部节点，递归合成组合权重，验证了算法准确性及有效的风险分解，为大规模资产组合提供了新型稳健的优化工具。[page::0][page::1][page::2][page::3][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::17]
本文提出了一种基于沃尔德准则的统计区分性评级尺度设计方法，通过限定评级区间的最小观察样本量以保证各评级之间的统计可区分性，有效提升了评级验证的稳健性。该方法避免了过度划分评级等级导致的验证过度失败和资本要求过高问题，并对三个风险分布进行实证测试，结果显示在企业贷款领域可显著降低校准的违约概率，从而节约资本需求，促进更有效的风险管理 [page::0][page::2][page::4][page::14][page::19][page::23].
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]
