本文首次将扩散模型应用于限价订单簿（LOB）事件流预测，提出LOBDF模型通过正向扩散将复杂的时间-事件联合分布分解为序列高斯分布，结合时序事件编码、去噪网络和跳步采样策略，有效提升了预测精度和效率。实证结果显示LOBDIF在多个真实市场数据集上优于现有主流方法，且预测过程显著加速，验证了其作为LOB模型新范式的潜力[page::0][page::1][page::4][page::6][page::8][page::11]。
本报告提出一种基于几何深度学习的新方法，利用SPD矩阵的黎曼流形结构及其时序特性，通过构建对角块输入矩阵扩展SPDNet网络，实现对高维资产收益实证协方差矩阵的高精度预测。该方法有力克服了传统欧氏空间方法的限制，并将HAR模型矩阵化，显著提升了预测效果和计算效率 [page::0][page::2][page::9][page::13][page::18][page::19]。
本报告通过应用基于11百万参数的Chronos大语言模型(LLM)对美国最大的单只股票残差收益率时间序列进行预测，构建多空投资组合并进行回测实证，发现LLM能够捕获市场中的微弱非随机性，实现显著的阿尔法生成，表现优于部分传统模型，但因高交易成本导致净收益显著下降。研究还对比了预训练和微调模型的表现，确认微调步骤对提升短期预测效果有帮助，且与经典短期反转策略对比中展现了不同捕获的市场机会，指出了LLM未来在金融领域的潜力及改进空间 [page::0][page::2][page::8][page::9]
本报告研究了保险公司在模型不确定性和4/2随机波动率模型下的鲁棒随机微分博弈，构建了带有共同与个体风险及相对表现影响的均值-方差准则非线性鲁棒均场博弈模型。通过推导扩展的HJBI方程及耦合Riccati方程，获得了有限和无限多保险公司下的鲁棒时间一致纳什均衡策略，揭示竞争中羊群效应及风险、模糊厌恶系数对投资与比例再保险策略的影响 [page::0][page::2][page::4][page::13][page::24][page::26].
本报告研究不完全市场下基于4/2随机波动率模型的不确定性条件下的多保险人稳健再保险与投资博弈。采用基于方差原理的比例再保险，结合险资之间的竞争构建稳健均值场博弈，解析求得CARA效用函数下的$n$保险人博弈与均值场游戏显式解。结果显示竞争引入新的对冲项，模型不确定性显著影响投资和再保险策略的对冲需求，并导致风险厌恶、模糊厌恶与竞争系数的高度非线性耦合。此外，数值分析揭示了竞争导致的“羊群效应”，即保险人策略趋于趋同 [page::0][page::3][page::4][page::15][page::17][page::29]。
本文提出使用等几何分析(IGA)方法求解带有非线性偏微分方程的金融衍生品定价问题，重点研究含交易成本的欧式看涨期权的Leland模型和具有违约期权的可转债AFV模型。通过非均匀节点与加权三次NURBS基函数，IGA在显著减少网格节点数的同时，实现了相较有限差分方法(FDM)和有限元方法(FEM)更高的计算效率和收敛精度。IGA的平滑基函数使得期权风险指标“希腊字母”的计算更加连续和稳定，数值结果表明IGA方法在保证计算精度的前提下，有助于有效降低计算成本并避免FEM可能出现的振荡现象 [page::0][page::1][page::11][page::12][page::21]。
本报告提出一种基于深度学习的高保真计算高效的GCAM（全球变化分析模型）仿真器，利用输入参数的连续插值扩展输入空间，并预测22528个多维输出。仿真器在模拟GCAM输出及其输入-输出敏感性方面表现优异，预测整体R²达0.998，敏感性匹配R²达0.812，显著降低了复杂耦合模型的计算成本，为更高效地进行大规模情景分析和系统理解奠定基础 [page::0][page::1][page::2][page::3][page::8]
本报告提出了一种全新的完全嵌套层级协方差矩阵模型以捕捉金融市场的复杂系统交互特性，比较了不同高维协方差估计量（包括随机矩阵理论、自由概率与两步估计法）在最小方差组合及层级风险平价策略中的表现。通过模拟及基于2012-2022年标普500成分股的实证数据，验证了两步估计法在降低投资组合风险、杠杆率及提升资本多样化方面的有效性，并揭示了金融市场的协方差结构介于复杂系统模型与单因子模型之间的本质 [page::0][page::1][page::4][page::26][page::28].
本报告提出采用对数遍历（log-ergodic）过程建模货币流通速度，将GDP与货币供应量视为随机过程，通过偏遍历性展示货币速度的长期稳定性和可预测性。实证利用1959-2024年美国GDP及货币供应数据，标定并验证模型，结果表明该方法较传统模型具有更佳预测能力，能够为政策制定提供理论及实践指导，特别是在宏观经济稳定和货币政策调整中展现重要价值 [page::0][page::1][page::9][page::18][page::19][page::23].
本报告提出了一种面向财务领域的检索增强型指令数据生成方法，通过对财务报表文本进行分块、向量检索与高质量指令数据合成，微调大语言模型，实现对财报分析报告的自动生成。实验证明该模型在准确率和语义相似度上显著优于开源Llama-2模型，并与商用GPT-3.5相当，展现了自动化财报分析的潜力和实用价值 [page::0][page::2][page::5][page::7]
本报告首次系统构建了基于Hawkes过程的微观结构模型来研究被动限价单的市场冲击，创新性地引入市场冲击系数作为可变函数，依赖于限价单簿中可用量，推导了被动订单的市场冲击标度极限及其近似解析公式，验证了市场冲击随参与率呈平方根规律，并给出量化执行策略的冲击评估方法，为被动交易市场成本分析提供重要理论基础[page::1][page::3][page::4][page::14][page::16][page::17][page::19]
本报告提出IntraLayer架构，打造数字金融平台的“平台”，实现跨链及跨系统的数据、价值与流动性全面互联。关键技术包括去中心化智能合约平台、跨链通信协议、动态函数做市（DFMM）、流动性网络及跨链库存管理系统（CIMS）。该架构提升交易路径效率、降低连接成本，同时支持算法受托执行和财政可持续性，推动DeFi与CeFi融合，助力全球金融互操作和资源优化配置 [page::0][page::1][page::16][page::19][page::31][page::39]。
本报告系统比较了多种深度生成模型（DGM）与传统参数模型在多变量金融时间序列生成任务中的表现。通过使用设计复杂的合成数据集，验证了RCGAN和GMMN等隐式生成模型在捕捉分布特征及相关性方面的优势，并在实证股指期权隐含波动率交易任务中展示了基于生成样本的HAR模型显著优于传统HAR模型的性能，揭示深度生成模型对风险管理与投资组合优化的潜在贡献 [page::0][page::1][page::4][page::5][page::6]
本报告提出了一种多因子功能回归模型，扩展了Schwartz-Smith双因子模型，将美国国债收益率曲线作为功能预测变量纳入WTI原油期货价格建模中。通过核主成分分析降维与卡尔曼滤波参数估计，实现了期货与收益率曲线之间的动态联动建模。实证分析表明，功能回归模型相较传统模型，在期货价格特别是短期合约方面具有更高的拟合和预测准确性。压力测试进一步揭示了国债收益率的不同冲击类型对期货价格的异质性影响，强调了市场联动性的复杂性与重要性 [page::0][page::14][page::15][page::16][page::19][page::20]。
本报告基于对3500万Pandora用户长达21个月的随机音频广告负载实验，首次准确测定消费者对广告负载的敏感性及其长期影响。研究发现，长期广告负载的需求弹性是短期的三倍，广告数量对听众活跃度和听歌时长均有显著负面影响。用户更倾向于较频繁但较短的广告中断，且广告负载提升促进了付费无广告订阅增长。多种基于观察数据的估计方法均存在系统性偏误，强调了实验设计的价值与必要性。报告为数字广告和双边平台战略提供了重要的实证支持和指引[page::0][page::3][page::13][page::17][page::33][page::35].
本报告系统研究了在长期动态最优投资策略中纳入广泛股票指数杠杆ETF(LETF)的潜力，旨在最大化相对于标准投资基准的信息比(IR)的超额收益。利用LETF具有类期权的正向收益特性，研究表明LETF能够提供低成本杠杆及下行保护。采用闭式解及基于神经网络的数值方法，在考虑交易频率、杠杆限制及借贷成本等约束下，发现包含LETF的策略在超越基准、终端财富的随机优势方面优于仅使用对应标准ETF(VETF)的策略。该结论解释了LETF在机构和散户投资者中的热度，并建议学术界重新审视LETF在复杂投资组合中的角色 [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]
本报告提出一套基于基本面数据分析的端到端决策支持系统，涵盖数据采集、清洗、建模和资产配置，结合公司财务指标与宏观经济特征，利用人工神经网络模型实现中长期股票收益预测，并针对通胀高企的新兴市场（以德黑兰证券交易所为例）验证模型优越性，最终设计动态资产配置策略，有效提升投资组合收益及风险控制能力 [page::1][page::4][page::7][page::11][page::15][page::18][page::20][page::21]
本文探讨生成式人工智能作为劳动增效技术如何对法律演进产生不均衡影响。生成式AI通过提升合同完整性（减少诉讼需求）和降低诉讼成本（增加诉讼需求）带来两种相互抵消的效应。在有合同频繁的领域（如财产法和合同法），这两种效应竞争，诉讼数量变动不确定；而在无合同的侵权法领域，诉讼需求可能明显上升，促进法律效率演进 [page::0][page::1][page::13]。
本报告提出通过机器学习间接预测傅里叶定价方法中的调节参数（如截断区间和项数），实现对Heston模型欧洲期权定价的高效且具有误差控制的快速计算。该方法无需针对不同误差容忍度重复训练，显著提升计算速度，数值实验显示随机森林和神经网络均能准确估计参数并得到近乎100%的定价准确率，机器学习相比传统数值方法提速近百倍 [page::0][page::1][page::4][page::7][page::8][page::9]
本报告提出基于Y Combinator风险投资支持的AI初创企业数据和O*NET职业描述的AI Startup Exposure (AISE)指数，实证分析AI在美国劳动力市场的实际渗透程度。研究发现，传统指数高估了高技能岗位被AI取代风险，而AISE显示以例行组织任务和信息处理为主的岗位，如数据科学家和办公室职员暴露度较高，而法官和外科医生等高风险伦理性岗位则暴露度较低。地理上，AI暴露集中在旧金山、西雅图等知识密集型大都会区，行业上服务业暴露显著高于农业和建筑业。报告还首次构建了机器人初创企业暴露指数(RSE)，揭示AI与机器人融合驱动的自动化潜力。该方法具备实时更新和政策指导价值，拓展了对AI影响的理解视角[page::0][page::3][page::6][page::9][page::11][page::13][page::37]。
