本报告基于多区域多行业一般均衡模型，系统分析贸易逆差对关税福利效应的影响。理论与数值结果表明，贸易逆差增强一国操纵贸易条件的能力，从而提升其最优关税水平。以中美贸易战为例，发现美国因双边逆差可从贸易战中获益，但总体而言自由贸易较贸易战更有利。模型强调服务业及中间投入联系的重要性，对理解贸易政策与逆差互动提供了新视角 [page::0][page::1][page::2][page::6][page::23][page::28][page::39]
本报告提出基于Markov-Functional方法构建局部波动率模型，可精确拟合给定离散边际分布。引入多种时间齐次及连续流函数构造算法，既保证了模型的数值高效性，也揭示了不同构造对局部波动率项结构的影响。通过合成双指数分布和JPM市场期权数据验证所提方法的收敛性及拟合效果，揭示传统插值方法存在的时序震荡及不连续问题，并用一步步时齐构造和平滑插值予以改善，为实际局部波动率建模及期权定价提供新思路 [page::0][page::1][page::6][page::10][page::15][page::17][page::23]
本报告提出将Kronecker-Factored Approximate Curvature (K-FAC) 优化方法应用于基于LSTM架构的深度套期保值框架，实现计算效率大幅提升。通过基于Heston随机波动率模型的仿真路径，实证验证显示K-FAC优化相较于传统Adam优化在收敛速度、交易成本降低78.3%和收益波动性减少34.4%方面具有显著优势，且风险调整后的夏普比率提升至0.0401，显著优于基线模型。研究揭示二阶优化技术在量化金融风险管理中的广阔应用前景，促进理论与实践的更好结合 [page::0][page::7][page::9][page::10][page::11][page::12]
本报告系统研究了基于expectiles（期望分位数）的多样化商（Diversification Quotient, DQ），提出其作为VaR和ES之外的风险度量新工具，具备明确解析公式、与Omega比率的紧密联系及避免小样本尾部数据不足对VaR/ES的影响等优势。基于pseudo-convex性质，DQ优化可应用梯度下降和线性规划，有效解决投资组合选取问题。研究还给出了椭圆分布和多变量正则变差模型下的DQ显式公式与极限性质，并通过实证数据验证了基于expectiles的DQ在稳健性与收益波动性上的优越表现，为金融风险管理及投资策略提供了新的度量和优化思路。[page::0][page::1][page::2][page::3][page::4][page::6][page::7][page::8][page::9][page::11][page::14][page::15][page::16][page::17][page::19][page::20][page::21]
本文提出了一组适用于算法交易策略的盈亏（PnL）计算公式，详细说明了基于本金和报价货币的收益计算方法，考虑了买卖价差和手续费影响。通过示例说明如何在多笔交易中准确计算已实现和未实现盈亏及组合财富变化，为交易模型绩效评估提供了严谨实用的数学框架[page::0][page::1][page::2][page::4][page::5]。
本报告运用小波分析法，对比特币、以太坊、瑞波币等主要加密货币及主要金融资产的价格时频域特征，发现低频区域价格较为稳定，高频区域呈现非线性动态并存在周期性持久性，尤其瑞波币显示显著的多频率周期性，验证了弱形有效市场假说的局部失效及投资时域内的因果关系，为高频交易和资产定价提供新视角[page::0][page::6][page::14][page::15]。
本报告利用涵盖东京证券交易所全部流动股票及交易账户的高质量微观数据，精准测量了价格冲击量化指数δ，确认该指数在股票及交易者层面均严格接近0.5，支持平方根价格冲击定律的严格普适性假说。同时通过实证检验驳斥了两大非普适性模型，填补了以往数据不足导致的研究空白，为机构投资者评估大型交易成本提供了坚实理论与实证基础 [page::0][page::1][page::2][page::3].
本文提出了基于混合系统方法的非线性漂移CEV过程（NLD-CEV）带状态转换的分数阶条件矩闭式解析公式，通过求解Feynman-Kac偏微分方程系统，实现任意分数阶条件矩的精确计算。结合蒙特卡洛模拟验证了公式的准确性和计算效率，并进一步应用于VIX期权定价模型，展示了NLD-CEV模型在复杂随机环境下的优越性能和实际金融衍生品定价的实用价值 [page::0][page::1][page::4][page::12][page::13][page::14]。
本报告利用先进的大型语言模型（LLMs）对卖方分析师研究报告文本进行深度语义解析，证实文本信息对股票同期回报的解释力达到10.19%，超过传统定量预测。通过Shapley值分解，发现收入表分析是报告信息价值的核心，解释力贡献占比超过50%。在经济收益层面，提前获得分析师报告可带来显著利润，信息价值在财报发布后一周内达到峰值，凸显分析师对财务数据解读的重要角色 [page::0][page::2][page::3][page::26][page::29][page::30][page::37]
本报告提出了一种多频率的马科维茨投资组合优化框架，通过引入目标赫斯特指数（Hurst exponent）来同时管理投资组合在多个时间尺度上的方差风险。该方法有效应对传统马科维茨模型在波动性聚类、市场崩盘、多重分形等市场复杂现象下的局限性，显著提升了风险控制的精准度和动态调整能力。实证分析基于美股行业ETF和因子轮动策略，验证了多尺度优化在夏普比率和最大回撤等指标上的优势，展示了多尺度风险管理的实用价值和理论创新 [page::0][page::1][page::7][page::8]。
本研究系统性对比了四个开源电力系统容量扩展模型（TEMOA、Switch、GenX和USENSYS），通过输入数据的严格一致性和多种模型配置的测试，分析模型结构差异对结果的影响。研究发现，通过输入协调，模型在当前政策与净零排放场景下的系统配置及成本高度一致，成本差异小于1%。经济退役和单位承诺约束等配置对投资决策和系统成本有明显影响。结果强调了输入统一及明确配置对政策分析的关键作用，提升模型比较的透明度与可信度，为电力系统深度脱碳的规划和政策制定提供坚实的工具基础 [page::0][page::3][page::7][page::17]。
本文系统解析了去中心化稳定币发行中的信用风险谱系，从过度抵押借贷到企业间信用，梳理了每个层级的风险机制与缓释策略。结合多层风险量化框架及典型案例（如Aave的GHO和Cod3x的cdxUSD），评估了风险发生的可能性与影响程度，提出操作风险、借贷成本风险及无抵押流通风险等关键风险管理路径，为稳定币可持续扩展提供理论基础与实践指引 [page::0][page::1][page::3][page::14].
本报告首次推出覆盖比特币从创世区块至2024年5月的全历史交易网络数据集，并基于此系统分析BTC资产的去中心化演变。通过网络中心性指标和资产分布测度，构建多维度去中心化度量指标，揭示比特币不同发展阶段的集中与分散趋势。结合排名稳定性和市场集中度分析，报告展示了BTC去中心化对金融活动（如交易手续费和MVRV-Z预测）的显著提升作用，拓宽了区块链资产定量研究视角，具备跨链可扩展性意义 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8].
本报告提出了基于ChatGPT的“Classify-and-Rethink(CAR)”多步零样本文本推理策略，用于克服金融领域中的框架效应行为偏差。通过对黄金相关新闻的分类与反思评分，CAR策略有效减少了因框架效应带来的决策偏差，实现了显著超额收益，回测结果显示其收益率和夏普比率均优于传统买入持有及单步评分策略，验证了LLM在金融行为偏差纠正和投资决策中的潜力 [page::0][page::2][page::5][page::6][page::10]。
本报告提出基于超维向量Tsetlin机框架的微价格估计模型，通过融合订单簿中深层级的买卖量比例及价差信息，实现对短期未来价格的高频率精确预测。实证结果表明，该模型在提高微价格预测准确度和计算速度方面表现优异，适用于高频交易环境中的实时价格调整 [page::0][page::1][page::5][page::7][page::11].
本文旨在通过机器学习方法，特别是长短期记忆网络（LSTM），对比多元线性回归模型，提前预测比特币未来21天内的价格及其50日和200日移动平均线，从而实现牛市和熊市阶段的先进探测。研究表明，LSTM模型在准确捕捉时间序列数据特征和价格趋势方面优于传统回归方法，有望为投资者提供更及时和有效的技术分析参考[page::0][page::1][page::2][page::3][page::4]。
本报告系统评估了英国两类共享指数化（shared-indexation）集体确定贡献（CDC）养老金方案——平摊式 (flat-accrual) 和动态累积式 (dynamic-accrual)——的设计及其世代间交叉补贴问题。通过解析及随机经济模型，研究发现平摊式方案的交叉补贴远超既有确定收益方案且存在“无限期效应”，动态累积式方案虽交叉补贴较低但非绝对公平，且两方案在退休后养老金收益风险平滑方面均存在局限。动态累积式方案表现优于平摊式，且灵活度较低，难以精准设定长期养老金增长率。研究同时提出统计校准定价方法以改进动态累积式方案的公平性。最终结论强调了平摊式方案的高交叉补贴风险及动态累积式方案的改进方向，为CDC方案设计和监管提供了理论基础与量化评估工具 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::21][page::22][page::23][page::24][page::25][page::26][page::27][page::28][page::29][page::30][page::31][page::32][page::33][page::34][page::35][page::36][page::37][page::38][page::39][page::40]
本报告提出基于随机森林的机器学习方法识别非法内幕交易，结合主成分分析降维及多行业、高维度财务与交易数据，实现高达96.43%的分类准确率。模型不仅在区分合法与非法交易中表现优异，还通过Gini Impurity及置换重要性揭示所有权与公司治理相关特征在识别中的关键作用，有效缓解人工特征工程难题，为监管提供自动化、准确的检测工具 [page::0][page::17][page::19][page::26][page::30][page::31]
本文针对随机投资组合理论中的相对套利问题，研究了与最优套利相关的Cauchy型偏微分方程的非负最小解，聚焦波动率稳定市场中的高维数值难题。通过引入时间变换的贝塞尔桥过程，提出了基于蒙特卡洛仿真的数值算法，有效解决了该PDE的多个解问题并展示了算法的数值表现与稳定性，为高维金融市场的相对套利策略提供了实用计算工具[page::0][page::5][page::7][page::10]。
本报告系统性评估了四种深度学习模型（MLP、CNN、LSTM、Transformer）在标普500和纳斯达克股票长短组合构建中的表现。利用十年日频数据，结合收益率、RSI、成交量和波动率等特征，预测次日股票回报并动态调整多空仓位。实证结果显示Transformer和LSTM模型在风险调整后收益及最大回撤方面表现优异，有效提升了投资组合绩效，验证了深度学习在股票多空组合配置中的应用潜力 [page::0][page::8][page::9][page::10][page::11]。
