本报告提出了FinVision，一种基于多模态大语言模型（LLM）的多智能体股票交易预测框架，融合新闻摘要、技术图表分析和历史交易反思模块，实现了交易决策的细粒度风险管理和动态仓位控制。框架经过三大科技股九个月实证验证，相较传统规则策略和强化学习模型表现更优，同时通过消融实验验证反思模块对整体性能的显著提升，展示了多模态多智能体系统在金融领域的应用潜力与风险管控优势[page::0][page::1][page::4][page::5]。
本文提出并探讨了一个简化的“各向同性”协方差模型，假设股票收益率间的相关系数相等。通过该模型分析了资产组合的有效自由度限制、收益分布的非正态性及不可多样化的特质风险。实证检验基于标普500指数成员收益数据，验证了此各向同性模型优于传统线性因子模型的拟合效果，显示残余风险无法被完全消除，认为选股仍具价值。同时，研究了这种结构下的均值-方差最优化投资组合表现及跨椭圆对称分布的负指数效用最大化策略，为资产配置提供新的理论视角与实证依据 [page::0][page::6][page::9][page::12][page::16][page::17].
本文通过分析1967年至2023年美国收入数据，提出偏移逆伽玛分布作为一种简洁且有效的收入分布模型。该模型包含形状、尺度和位置三个参数，但参数间存在线性相关关系，进而实现参数维度的简化，构建出一维的常数偏移比例逆伽玛模型。该模型不仅精确拟合了全收入分布的形态（包括负收入部分），还能解释收入不平等变化趋势及其时间依赖性，体现了收入分布的核心结构，为理解收入动态提供理论基础。[page::0][page::1][page::6][page::8][page::11][page::15]
本报告介绍了FinRobot，一款基于多智能体Chain of Thought机制的AI股票研究工具。FinRobot结合定量与定性分析，实现人类分析师般的深度推理，包含动态数据管道和行业适配的估值指标，显著提升报告的准确性、逻辑性及叙事性。以Waste Management为实证样本，FinRobot生成的报告在盈利预测、风险评估和竞争对比上表现优秀，验证了其在自动化卖方研究领域的领先价值 [page::0][page::1][page::6][page::8][page::9]
本文提出多资产收益风险度量（MARRMs），扩展了近期引入的收益风险度量（RRMs），允许通过多个可用资产进行风险管理，实现乘法风险分摊。理论上证明了MARRM的凸性与准凸性的等价性，并给出避免相对可接受套利的市场和接受集合条件。通过将MARRM与多资产风险度量（MARMs）联系，获得了多种对偶表示。实证部分利用Black-Scholes市场和美国汽车保险赔付数据，比较了MARRM、RRM与MARM，发现MARRM较RRM的风险值降低6%以上，并分析了不同风险接受准则对风险度量的影响 [page::0][page::1][page::2][page::5][page::10][page::25].
本报告提出了一种基于深度神经网络的机器学习算法（MMCC算法）用于解决高维、有限时域、非齐次随机控制问题。算法具有单调性能改进、无需贝尔曼方程并擅长处理时不可分效用函数等特点。通过多种经济模型（如随机波动下的递归效用优化、多部门随机增长及气候经济集成模型）验证其高效性和优越的收敛性表现 [page::0][page::1][page::11][page::14].
本报告通过对法国代表性样本的网络实验，研究了收入转移原则（Pigou-Dalton原则）及其替代方案对公众的接受度。结果显示，标准的收入转移原则仅约38%的接受率，而体现贫困群体团结的统一转移原则接受率更高，最高达62%。基于两种社会福利函数模型（功利主义和扩展基尼），扩展基尼模型更贴合个体偏好，尤其是中位个体的偏好几乎与基尼指数一致，表明基尼指数较好反映了多数人的不平等认知。但个体差异显著，单一基尼模型难以囊括所有偏好。量化估计结果显示，扩展基尼模型对大众偏好拟合优于功利主义模型，且统一转移原则优于传统转移原则。此发现为不平等测度及相关政策评估提供了新的视角。[page::0][page::3][page::4][page::15][page::23][page::27]
本报告提出通过利用证券公司每日报告，将定性文本信息分解为关键因子并结合数值价格数据，构建多模态上下文集合，采用LLMs对关键因子进行Likert量表打分，实现在金融市场中将定性洞察量化为可预测的数值。通过自回归移动窗口构建上下文，实现动态更新，提升预测性能。实验结果显示LLMs在捕捉市场短期趋势及预测准确率方面整体优于传统时间序列模型，同时基于推理过程的得分解释增强了模型透明性，但仍存在可复现性和解释性不足的问题[page::0][page::2][page::5][page::6]。
本报告提出了一种基于多层嵌套Ornstein-Uhlenbeck过程的稳定币及质押资产汇率动态模型，结合随机最优控制理论，设计了专门针对挂钩加密资产交换的自动化做市商(AMM)策略。通过实证数据的参数估计与过滤方法验证了模型有效性，并显示该策略在风险控制与流动性提供方面优于传统基于几何布朗运动的模型，显著提升了挂钩资产市场的效率和流动性 [page::0][page::2][page::4][page::5][page::6][page::7][page::8][page::11][page::14][page::15][page::18][page::19][page::20]
本文从数学性质出发，证明了科布-道格拉斯生产函数是唯一满足：在具有规模报酬不变的条件下，企业在任何给定产出水平上最小化成本时，劳动成本份额保持常数的函数。该定理提供了生产函数的独特刻画，赋予科布-道格拉斯函数更坚实的理论基础 [page::0][page::1]。
本报告提出了面向房地产多个定价组的动态定价数学模型，旨在最大化销售期末的累计总收入，同时满足销售量和收入目标。模型扩展考虑了资金时间价值和房地产价值随施工进度提升的影响。设计了分配收入目标的方法，并基于多组价格构建了定价策略算法，通过数值模拟验证了算法在需求变化情况下的适应性。模型及算法为房地产开发企业优化利润管理提供了理论支持与实践工具 [page::0][page::1][page::4][page::6][page::10][page::14][page::19]。
本报告围绕强化学习在量化交易中的应用，重点探讨通过20种技术指标输入并利用DQN、PPO、A2C等算法构建交易模型，详细分析数据预处理、奖励函数设计及超参数调优对模型表现的影响。实验证明DQN在合理调参后实现了42%以上年化收益率，彰显RL在复杂金融市场中的潜力和挑战，奠定了后续研究基础 [page::0][page::2][page::5][page::6][page::7]。
本报告基于相关几何布朗运动假设，提出了一种通过主成分分析和奇异值分解，结合正则化方法，实证计算无风险影子利率（SRR）的数值方法。实证应用涵盖包括多组合股票和ETF市场，分析了SRR及其相关状态价格折现因子的漂移和总波动率时序特征，展示了SRR在资产类别鉴别中的潜力及数值稳定性改进策略 [page::0][page::1][page::6][page::8][page::14][page::16][page::17].
本报告研究了基于秩依赖期望效用和累计前景理论框架下的广义短缺风险度量，推导了其在重尾风险下的一级和二级渐近展开。结果统一了扭曲风险度量和效用基短缺风险度量，并为极端水平的风险度量估计提供了理论依据。报告还通过数值实例验证了渐近展开及估计器的准确性，具有重要的理论与实际意义 [page::0][page::2][page::7][page::8][page::12][page::18]。
本报告基于2,500个NGO活动案例，揭示NGO围绕目标公司的年度股东大会（AGM）日期调整活动时点的策略演进。早期NGO更多选择在AGM当天发起活动以最大化媒体曝光，促使消费者反应和相关股东提案，但对当年投票无直接影响。随着声誉资本积累，成熟NGO逐渐提前发起活动，增强对AGM投票的影响力，实现企业环境和社会绩效的提升，展示了曝光与影响之间的权衡机制 [page::0][page::1][page::9][page::13][page::16]
本报告通过实验验证了利用现代控制理论中的极点配置方法，实现对五策略演化博弈中纳什均衡的选择控制。实验结果表明，策略的长期分布、循环模式及收敛速度与理论预测高度一致，证明了设计控制器以调节均衡选择的可行性和有效性，为演化博弈动力学过程控制提供了实证支持 [page::0][page::1][page::6][page::7][page::8][page::10]
本报告提出基于Archimedean copula的信用投资组合风险模型，刻画强尾部依赖性，通过精确渐近分析推导大额组合损失的尾概率和期望短缺，进而设计两种高效的蒙特卡洛方差缩减算法（基于重要性抽样和条件蒙特卡洛），显著提升罕见事件估计的计算效率，特别是结合条件蒙特卡洛方法实现了百万级方差缩减 [page::0][page::2][page::5][page::9][page::16]
本报告提出了一种基于连续Hopfield网络的全模拟投资组合优化流程，通过线性自编码器与平衡传播算法计算低秩协方差矩阵，再利用Hopfield网络快速求解最小方差组合，实现高效能、高速的风险收益权衡，适合高频交易等场景 [page::0][page::5]。
本文介绍了Python开源包ajdmom，自动推导带状态无关跳跃强度的仿射跳跃扩散(AJD)模型的显式矩公式，包括条件矩和无条件矩，支持任意阶矩及其对模型参数的偏导数计算，极大地促进了这类金融和其他领域复杂随机模型的分析与估计 [page::0][page::2][page::3][page::5][page::6][page::8][page::12][page::14]。
本报告提出基于深度强化学习（DQN）在多智能体仿真环境ABIDES中实现的最优交易执行策略。通过模型化悬价单薄顺序簿（LOB）状态特征，训练智能体动态决定交易规模，实现了在限时内最大限度降低市场冲击和执行成本的目标。结果显示该强化学习策略在收益和执行稳定性上显著优于传统基准策略如TWAP和被动交易方法，体现了强化学习在复杂金融市场执行策略优化中的潜力 [page::0][page::5][page::6]。
