本论文提出了一个通用无摩擦市场环境下的局部可行性框架，用于衍生品定价与对冲。核心成果包括当资产组合可为负且交易策略受凸锥约束时，美国期权超额对冲的对偶性定理，突破了等价局部鞅测度不存在的限制，有效解决了现有文献在存在套利机会时美国期权定价与对冲理论的不足，为欧式期权也给出了相应的超额对冲结果，并且理论适用范围涵盖负财富、交易约束及更复杂市场条件 [page::0][page::1][page::4][page::9][page::10][page::22]。
本报告提出基于Alpha360因子的GRU-PFG模型，通过图神经网络深度挖掘股票间相关性，显著提升了CSI300数据集上的预测表现，IC达0.134，优于传统GRU及多源信息模型HIST，显示出该模型在仅依赖股票因子情况下具备强泛化能力和优越的预测准确性[page::0][page::3][page::8][page::9][page::11].
本文基于改进的SIRS模型，创新引入了动态反馈机制，将恢复率设为感染者和易感者数量的函数，成功模拟了观点和思潮流行的自然涨落及周期性波动。模型通过Hopf分岔验证周期轨道的生成，并结合Google Trends数据实证展示了模型对在线搜索行为波动的优越拟合能力，揭示了内生驱动的兴趣饱和与影响热情机制对观点传播的影响机制，为社会认知、市场营销及政治动态提供了理论框架和分析工具 [page::0][page::8][page::10][page::12][page::15].
本文研究在Bregman-Wasserstein (BW) 发散约束下，期望效用最大化投资者选择最优终端财富分配的问题。BW发散通过凸函数生成，具备非对称性，能够区别对待收益的正负偏离，对投资者目标实现更精准。论文构建了在预算和BW距离容忍度限制下的优化框架，证明了最优支付的唯一性和存在性，明确了最优分布函数的显式表达。数值实验基于几何布朗运动市场模型，展示不同BW发散生成函数及阈值设置对最优策略形态的影响，突出其对降低下行风险和控制偏离基准的能力 [page::0][page::1][page::4][page::6][page::7][page::11][page::15][page::17][page::19][page::21][page::22]
本文针对常弹性方差（CEV）期权定价模型的半经典（WKB）近似热核传播子，提出基于Van Vleck-Morette行列式的解析闭式表达。通过解析Hamiltonian系统及其变分方程，揭示了先前文献未考虑的指数因子，提升了CEV模型定价的准确性与计算效率，兼顾Black-Scholes模型的验证与CEV模型期权价格计算 [page::0][page::2][page::8].
本报告提出将预训练GPT-2模型与低秩适配（LoRA）结合，构建决策变换器（Decision Transformer），用于离线强化学习量化交易策略的学习。该方法有效捕捉金融时间序列的复杂时间依赖，缓解过拟合风险，并在多个基准算法和不同专家轨迹下表现出竞争力，特别是在累积收益和夏普比率指标上取得优势，验证了预训练语言模型与参数高效微调在量化交易离线RL中的潜力与优势[page::0][page::1][page::4][page::5][page::6][page::7]。
本报告首次将Kolmogorov-Arnold Networks(KANs)应用于个人信用风险预测，构建了KACDP模型。该模型在预测性能（ROC_AUC及F1值）上优于主流传统和机器学习模型，并通过特征归因分析及模型结构可视化，显著提升了模型解释性与透明度，满足金融行业对信用模型的严格监管要求，为金融机构提供了兼具高性能与高可解释性的创新信贷风险评估工具[page::0][page::1][page::4][page::6][page::8].
本文构建了一个关于有成本信息获取的理性贝叶斯决策模型，揭示不同初始信念下的决策者如何在信息获取成本约束下选择信息处理深度，进而导致即使面对相同证据信念也会极化的现象。模型还说明从不考虑成本的贝叶斯观察者视角看，决策者的最优行为似乎具备信息处理偏差特征，包括驳斥偏差、确认偏差和信息反应不足，但这些都是合理的信息处理成本权衡结果。论文推导了信念极化的充分必要条件，且极化可能性被理论上限制在半数以下，量化了成本、信念和信号信息结构三者间的关系，并为后续实证研究提供理论基础 [page::0][page::2][page::5][page::18][page::23]
本报告提出ETE-FinCa模型，通过整合专家知识和金融因果知识图谱，实现专用工具变量（IV）的自动识别与解读，显著提升分类准确率和F1分数（分别提升11.7%和23.0%），并在实证中验证了基于观点划分的因果关系，推动了金融领域因果推断及其可解释性的进步 [page::0][page::3][page::4][page::5]。
本研究通过将行为预期引入新凯恩斯动态随机一般均衡(DSGE)模型，分析印度疫情后时期的产出缺口和通胀率表现，表明行为预期模型较传统理性预期模型更能捕捉疫情冲击后的经济数据分布特征。采用马氏距离最小化方法校准了疫情引发的负需求冲击和疫苗接种带来的正供给冲击的初值及持续性参数，模型模拟结果与印度实际数据高度吻合，彰显疫苗接种在经济恢复中的关键作用，为宏观经济政策制定提供了更为精准的理论工具和实证依据[page::1][page::3][page::9][page::12][page::13]。
本报告提出了一种基于自编码器的非线性降维方法，生成综合多种实现波动率指标的合成实现测度，并将其嵌入Realised GARCH模型中。在对标的美股、英股、澳股、港股等四大市场的实证分析中，所提模型在滚动单步波动率预测中均优于传统线性方法（PCA、ICA及均值合成），表现出更灵活的参数估计和更优的预测准确性，验证了非线性降维在提升合成实现测度效果中的潜力 [page::0][page::6][page::7][page::23][page::35][page::41]。
本报告针对多资产多行权价的Quanto看涨期权，系统比较了不同随机波动率、随机相关性及随机汇率模型在蒙特卡洛定价中的表现，发现最优组合为GARCH-Jump随机波动率、Weibull随机相关性及Ornstein-Uhlenbeck随机汇率模型。通过对多种离散化方案的测试，Milstein方案在执行效率与定价精度间达成最佳平衡，同时引入了反向变量方差减小技术显著提升模拟精度。报告还推导了相关性的风险参数Cora和Gora，为相关性对冲提供理论基础 [page::0][page::23][page::31]
本报告提出了一种基于Transformer的预训练生成模型MarketGPT，用于建模金融时间序列中的订单流，特别是纳斯达克限价订单簿（LOB）消息。模型能够在离散事件模拟器中，生成高精度、长序列的订单消息，重现多种市场“风格事实”（如订单类型分布、订单大小、间隔时间以及价格收益的厚尾分布和波动聚类等），实现真实的市场微观结构模拟。此外，引入attention sinks机制，允许模型在超长序列中保持高保真度，推动金融市场交互式模拟的实现[page::0][page::1][page::6][page::8][page::11]
本报告研究在无任何对手行为或策略信息的前提下，多臂老虎机（bandit）算法在囚徒困境博弈中是否会自发趋向合谋行为（naive collusion），并通过理论与模拟分析揭示了算法的随机性和对称性如何影响合谋形成。研究表明，确定性算法（如对称UCB）必然趋向合谋，而标准的epsilon-greedy算法则长期竞争，且算法差异导致合谋与竞争的复杂共存态。该成果对监管反垄断政策提出了新的挑战，强调限制基于对手价格的条件定价不足以防止算法合谋 [page::0][page::2][page::5][page::12][page::14][page::17][page::21]。
本报告探讨了使用大型语言模型（如GPT-3.5和BERT）基于美联储褐皮书数据预测股票和债券相关性的有效性。研究发现，褐皮书包含资产相关性信息，但GPT模型存在明显的未来信息泄露偏差，且未能超越传统模型表现。通过投资组合模拟，基于BERT模型生成的相关性信息能提供更优的投资组合表现，尤其是在新冠疫情前后不同市场环境中，显示其更强的泛化能力。此外，加入历史相关性数据未显著提升预测准确率。[page::0][page::1][page::2][page::4][page::5][page::6]
本报告提出了一个创新的区块链集成数据集和框架，结合高频链上数据与低频链下讨论数据，通过线性回归、深度神经网络、XGBoost及LSTM四种机器学习模型验证了其在以太坊交易费机制预测中的应用潜力，实现了从事后调整到主动调节的交易费机制创新[page::0][page::1][page::5][page::7]。
本报告提出了一种基于稀疏性先验的数据驱动随机波动率模型，用于从数百个宏观经济事件中筛选对汇率波动性影响显著的事件。研究发现，仅与泰勒规则相关的九个主要宏观经济公告对澳元汇率的波动性具有超过95%的后验包含概率。模型还揭示了汇率波动性的W型日内季节性模式，与主要市场开盘时间和交易量高度相关。采用该模型在波动率预测和全球最小方差组合配置中均优于传统SV和GARCH模型，带来更低的波动和更高的夏普比率，展示了宏观公告和季节效应对汇率波动性解释及实际投资配置的重要意义。[page::0][page::2][page::6][page::8][page::11][page::13]
本文采用非参数经验贝叶斯方法，基于智利、哥伦比亚和日本制造业数据，估计了异质性的柯布-道格拉斯生产函数，发现企业在要素中性生产率和要素产出弹性上存在显著差异，且两者负相关，且结果在CES和强化版柯布-道格拉斯模型中均稳健。这种异质性对生产率测量、技术采用和上涨幅度估计影响重大，揭示了现有研究忽视的重要维度。[page::0][page::1][page::4][page::5][page::7][page::10][page::16][page::18][page::19]
本报告通过一个理想化的经济模型展示了在缺乏竞争的市场结构中，AI自动化技术生产率提升反而可能导致总产出（GDP）下降的反常现象。模型假设一个垄断企业，可选择使用传统技术与自动化技术生产，随着自动化生产率提升，企业以利润最大化为目标逐渐用自动化替代劳动力，从而导致生产下降但利润上升。该结果挑战了生产率提升必然带来经济增长的普遍认知，突显了对非完全竞争市场下自动化影响的进一步建模需求，也为AI风险的经济情景模拟提供了新的视角和方法 [page::0][page::1][page::6][page::7][page::8]。
本文提出了一种结合经典时间序列与波动率模型的特征增强生成对抗网络(FE-GAN)，以改进金融风险指标VaR与ES的估计。通过引入历史数据及基于GBM和时间序列的多种输入序列，FE-GAN显著提升了生成模型的拟合速度和风险估计精度，尤其在Tail-GAN架构下体现更优的极端风险捕捉能力。多模型融合方法兼顾趋势与波动，增强了VaR和ES的估算性能，显示了在金融时序数据中结合统计模型与深度学习的巨大潜力[page::0][page::1][page::2][page::4][page::9][page::14].
