Axiomatic characterizations of some simple risk-sharing rules
本文通过公理化方法系统刻画了若干简单风险分担规则，包括均等分担、均值比例分担及基于协方差的线性分担规则。利用重排性、贡献者匿名性及强聚合贡献性等公理，构建出统一的理论框架，明晰这些规则背后的核心原则与数学表达。此外，本文提出了基于场景的新型风险分担规则，为实际操作提供更灵活的方案选择[page::0][page::13][page::23]。
金融研报AI分析
SENSITIVITY ANALYSIS OF EMISSIONS MARKETS: A DISCRETE-TIME RADNER EQUILIBRIUM APPROACH
本报告基于离散时间Radner均衡框架，构建了碳排放权交易市场模型，提出了排放配额价格及其方差的显式解。通过灵敏度分析揭示了监管标准、减排成本和排放水平对配额价格与企业减排努力的影响机制，特别量化了处罚力度和排放上限对价格均值和波动性的不同作用，对政策制定和市场行为管理提供了重要参考 [page::0][page::1][page::2][page::3][page::8][page::14][page::17][page::26]。
The lexical ratio: A new perspective on portfolio diversification
本报告提出了基于文本数据的全新组合多样化度量指标——词汇比率（Lexical Ratio，LR），通过计算投资组合各资产相关文本的词汇分布熵，捕捉传统基于相关性和波动率指标难以识别的多样化维度。通过对S&P 500组合的实证分析，LR显示出优于马科维茨波动率和多样化比率等传统指标的风险调整收益能力，特别是在波动加剧的市场环境中，LR能揭示资产间潜在的非数值依赖关系，为组合风险管理提供更丰富的信息视角和更稳健的优化结果 [page::0][page::4][page::10][page::19][page::25]。
BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges
本报告提出了BreakGPT，一种结合大语言模型和Transformer架构，用于预测加密货币市场价格急剧上涨的时间序列预测模型。通过对比简单Transformer、ConvTransformer及BreakGPT三种模型，验证其在捕捉局部和全局时间依赖关系上的能力。结果显示，ConvTransformer在捕捉短期波动及长期趋势上表现最佳，BreakGPT则通过提示语增强模型对价格突变的识别能力，训练周期短且具备较强竞争力，为金融市场价格预测提供了创新且高效的解决方案 [page::0][page::2][page::3][page::5][page::6]。
Filling in Missing FX Implied Volatilities with Uncertainties: Improving VAE-Based Volatility Imputation
本报告聚焦于外汇期权隐含波动率缺失数据的填补问题，提出通过改进变分自编码器（VAE）架构与训练方法提升波动率曲面插补性能。引入基于残差网络的VAE结构和基于噪声异方差的改进，显著降低估计误差且无需调节β-VAE超参数，同时实现对插补波动率的不确定性有效建模。实验结果表明，改进后的VAE模型在高缺失率环境中优于经典隐含波动率模型，且针对不确定性的估计提高了模型的实际应用价值 [page::0][page::5][page::7][page::13][page::15][page::18][page::19]。
Approaching multifractal complexity in decentralized cryptocurrency trading
本报告基于2023年6月至2024年6月Uniswap去中心化交易所的逐笔交易数据，利用多重尺度重整波动分析方法（MFDFA）系统研究了基于自动化做市机制的DEX市场中ETH/USDT与ETH/USDC的价格和成交量波动特征。结果显示，尽管DEX的流动性远低于CEX，且交易机制不同，其价格波动和成交量序列表现出明显多重分形特征，且多重分形谱呈明显左偏，表明大波动主导多重分形性质。成交量的多重分形特征更为显著，且波动率与成交量间存在弱多重分形交叉相关。本文首次定量揭示了去中心化交易所的复杂性，为理解DEX市场成熟度及其与传统中心化市场的异同提供重要理论支持[page::0][page::2][page::4][page::6][page::8][page::9][page::10][page::11][page::12][page::13].
Distinguishing Strong from Weak Signals in Economic Forecasts ∗ PRELIMINARY FIRST DRAFT: November 12, 2024
本报告通过分析主观概率分布（SPD）中的四个矩，特别是中位数与偏度的匹配关系，提出了信号强度指标(SSI)，用于区分经济预期中的强弱信号。研究发现，当中位数和偏度方向一致时，表明强烈的上升或下降预期；相反，则为弱信号，反映不确定或混合预期。基于欧洲央行专业预测者调查数据，中国际央行可以利用SSI监测预期锚定情况，并在增长风险框架下验证其预测价值，显示该指标具有实际应用潜力 [page::0][page::1][page::11][page::13][page::21]。
Utilizing RNN for Real-time Cryptocurrency Price Prediction and Trading Strategy Optimization
本报告研究了利用循环神经网络（RNN）中的LSTM、GRU和Bi-LSTM模型，结合历史价格数据对比分析，对比不同模型的价格预测效果。结果显示，Bi-LSTM在比特币价格预测中表现最佳，而GRU对于以太坊和莱特币更优。通过训练集和测试集的划分、特征归一化和超参数调优，实现了对三种加密货币的高精度价格预测，为加密资产投资和算法交易提供了有力工具 [page::0][page::1][page::6][page::7][page::8]。
SCHUR COMPLEMENTARY ALLOCATION: A UNIFICATION OF HIERARCHICAL RISK PARITY AND MINIMUM VARIANCE PORTFOLIOS
本报告提出了一种新的分层资产配置方法——Hierarchical Minimum Variance（HMV），通过对协方差矩阵的Schur补增强，实现多阶段递归分配与现代组合理论优化的结合。该方法不仅继承了Hierarchical Risk Parity（HRP）的分层优势，还解决了HRP丢失协方差信息导致对称性和优化不足的问题，实现了更低的投资组合方差和更优的风险分散效果。实验结果表明，在低信息质量环境下，HMV优于传统优化和HRP方法，提供了实用且经济价值显著的策略改进 [page::0][page::4][page::8].
Do LLM Personas Dream of Bull Markets? Comparing Human and AI Investment Strategies Through the Lens of the Five-Factor Model
本报告基于五因素人格模型，系统研究了大语言模型（LLM）人格化模拟在投资决策中的行为表现。通过行为调查与投资模拟两阶段实证，发现LLM人格体在学习风格、冲动决策和风险偏好等方面能高度还原人类行为特征，模拟环境下的表现优于问卷调查，彰显LLM在复杂任务中对人格特质行为泛化能力，但在环境态度领域表现欠佳，提示未来研究空间 [page::0][page::3][page::4][page::5][page::6][page::7]
Forecasting Company Fundamentals
本报告系统地评估了22种经典统计方法及现代深度学习模型在公司基本面（Company Fundamentals，CF）预测任务中的表现。研究显示深度学习模型在准确性和不确定性估计方面优于传统模型，且其预测质量与人类分析师相当。通过将CF预测应用于因子投资，回测结果证实高质量预测有助于构建优质投资组合，特别是在金融稳定时期表现突出。报告还探讨了专家知识融入和模型可解释性方法，为后续研究和应用提供指南与展望 [page::0][page::1][page::8][page::9][page::10][page::11][page::12][page::15]。
News-Driven Stock Price Forecasting in Indian Markets: A Comparative Study of Advanced Deep Learning Models
本报告基于印度国家证券交易所30年银行历史股价及新闻数据，利用多变量多步长LSTM、Facebook Prophet结合LightGBM与Optuna及SARIMA模型，从数据预处理、情感识别到多模型比较，分析新闻信息对股价预测的增益，结果显示融合新闻情感的多步LSTM模型表现优异，显著提升预测准确度，为印度股市投资决策提供了有效工具和方法指导 [page::0][page::2][page::4][page::6]。
Model-free portfolio allocation in continuous-time
本报告提出了一种无模型、逐路径的连续时间长多头投资组合配置框架，基于路径依赖的偏微分方程刻画自融资策略。本文扩展了Vovk和Cover算法至连续时间元学习算法，实现多策略财富跟踪，误差上界分别为$O(1)$和$O(\ln t)$，并证明了相对套利在泛域中不存在，提供了明确显式的财富演化解及多样的实例[page::0][page::1][page::6][page::10][page::13][page::16][page::17][page::18][page::19]。
Optimal reinsurance and investment via stochastic projected gradient method based on Malliavin calculus
本报告提出结合Malliavin微积分与随机投影梯度方法的全新算法，直接以最小化破产概率为目标，优化静态再保险与投资策略。理论推导中证明目标梯度的Hölder连续性，建立了适用于一般约束优化问题的算法收敛性分析，并通过大规模数值实验验证方法的有效性，表现出多资产投资情况下破产概率显著降低。[page::0][page::1][page::3][page::5][page::10][page::12][page::20]
A Simple Methodology for Enforcing Linear Asymptotic Behavior in Deep Neural Network Function Approximation and Regression
本文提出一种简单实用的方法，通过构造满足给定线性渐近行为的函数形式与非约束深度神经网络结合，实现对函数及其导数的高效逼近。本方法支持多维推广，具体验证表明，结合渐近行为后能显著提升函数逼近和条件期望回归的准确性与收敛速度，且固定渐近参数优于可训练参数，方法易于实现且在Black-Scholes定价函数的应用中表现优异。[page::0][page::1][page::3][page::9][page::22]
Enhancing literature review with LLM and NLP methods. Algorithmic trading case.
本报告基于对1.36亿篇科研论文的筛选与自动化处理，通过关键词过滤、嵌入向量及BERTopic主题建模，系统分析了算法交易领域的研究趋势、资产类别、时间跨度及模型使用情况。利用ChatGPT等LLM对全文与摘要进行深度分析，揭示了机器学习方法的兴起、神经网络和强化学习的优势以及超参数优化的实际应用效果，验证了先进NLP技术在自动化文献综述中的巨大潜力 [page::0][page::1][page::6][page::9][page::13][page::14][page::18][page::19]。
Bridging an energy system model with an ensemble deep-learning approach for electricity price forecasting
本文提出将技术经济能源系统模型（ESM）与最先进的集合深度神经网络模型（Ens-DNN）结合用于德国日间电力现货市场的短期电价预测。实证结果显示，混合模型较现有文献基准提升整体预测精度18%，且将ESM中市场清算价（MCP）作为自变量加入任一计量模型均能显著提升预测性能。通过储能收益最大化的案例验证了预测准确性的经济价值，混合模型能带来最高10%的利润增长。研究还比较了多种计量模型的表现，验证了ESM贡献的通用性与鲁棒性，为能源市场参与者提供了高效的电价预测工具 [page::0][page::25][page::27][page::28][page::31][page::34][page::37]
Words that Move Markets: Quantifying the Impact of RBI’s Monetary Policy Communications on Indian Financial Market
本报告利用先进的自然语言处理技术，对2014年至2024年间印度储备银行(RBI)货币政策沟通进行主题建模和情感分析，发现鸽派情绪整体上导致股市下跌，尤其在利率政策框架和经济增长等主题中表现明显，但鸽派情绪中对外汇储备管理的积极情绪对股市有正面影响，揭示了新兴市场中央银行进行主题化沟通策略的重要性及其对印度金融市场的深远影响 [page::0][page::3][page::5][page::17][page::20][page::26][page::36]
Optimal Execution under Incomplete Information
本报告针对高频交易环境中的单资产最优清算策略展开研究，提出基于相互激励的标记霍克斯过程驱动的价格形成模型，结合隐藏马尔可夫流动性状态，构建含部分信息的脉冲控制最优清算问题。通过创新的滤波方程与动态规划方法，报告建立了价值函数的近似序列，设计并验证了近似最优策略，辅以丰富的数值仿真展现模型的实际应用价值 [page::0][page::1][page::5][page::7][page::10][page::18][page::20].
Robust and Fast Calibration of Bass Local Volatility Model with Local Quadratic Regression and Trapezoidal Rule Integration
本文针对Bass局部波动率模型的校准难点，提出结合局部二次回归估计和对数正态混合尾部的状态价格密度构建方法，显著提升了模型的鲁棒性与校准精度。基于梯形规则的数值卷积方案在理论最优性及收敛速度上优于传统高斯-埃尔米特求积，实现了更快速准确的迭代收敛。通过Black-Scholes模型和SSVI模型的数值实验及特斯拉市场数据案例，验证了方法的实际适用性和效率优势，尤其在高精度迭代校准中表现突出[page::0][page::5][page::7][page::10][page::12][page::15][page::16].
