本报告提出利用EXAMM神经进化算法针对30家道琼斯工业公司单独演化递归神经网络(RNN)，以预测股票收益并结合简单多空策略，实现2022年熊市及2023年牛市期间的投资组合交易回报超越大盘表现，表明该方法有效提升时间序列财务预测和投资决策能力[page::0][page::5][page::6]。
本报告基于日本私营高技能职工在线求职平台BizReach 2014-2024年的专有数据，运用非参数方法估计匹配函数，发现私营平台匹配效率较高且波动更大，匹配弹性在用户和职位间较为平衡，远高于公共平台Hello Work，且存在显著行业异质性。这为理解私营在线平台在劳动力市场重配置中的作用提供了新实证视角 [page::0][page::1][page::9][page::10][page::12]。
本报告提出基于动态图结构的时序图注意力网络（Temporal GAT）模型，通过结合图卷积网络和图注意力机制，结合波动率溢出指数，构建全球股票市场异构有向图，实现对市场波动聚类的高精度预测。实证显示，该方法较传统GARCH模型及多层感知机模型，在短中期预测表现更优，且具备良好的稳健性和参数敏感性分析结果，为风险管理与投资决策提供了创新的量化工具与理论支持[page::0][page::2][page::23]
本报告提出一种基于保序预测(conformal prediction)的投资组合选择框架CPPS，通过构建未来组合收益的预测区间，结合AR模型和神经网络等多种预测方法，实现对收益不确定性的有效量化。本文设计了高收益低风险(HR–LR)组合策略，在实际美日股市数据上进行实证，验证了该方法在控制风险的同时提升累计收益的优越性，展现了利用预测区间构造稳健投资组合的潜力 [page::0][page::4][page::9][page::10][page::11]。
本报告基于欧洲央行MMSR数据库分析了欧元区47家主要银行的有担保和无担保货币市场交易，重点揭示了在LCR监管实施后，长期通知期“常青”（evergreen）回购协议交易量暴增，测量了符合文献的抵押品再利用率，并首次发现有担保市场较无担保市场呈现更高的网络密度及更对称的交易关系，显著提升了欧元区银行间市场的结构理解 [page::0][page::1][page::2][page::3]。
本文研究了含有信息流存在时滞的非对称信息交易者的最优投资组合问题，利用Russo-Vallois前向随机积分和白噪声方法，明确计算了包括Black-Scholes-Merton、Heston、Vasicek等模型下的最优策略。结果显示，若仅股票信息流存在时滞，未来信息的价值始终超过时滞带来的负面影响；而若两个信息流均滞后，则未来信息价值与时滞量竞争，最优收益依赖参数，提出了“信息的时间价值”新概念，实现了信息价值的时间量化 [page::0][page::13][page::24].
本报告基于战后德国的生命历程数据，首次量化分析战争丧偶妇女的经济影响。研究发现，战争丧偶使妇女在二战后立即增加就业，但中晚年劳动参与率下降，体现了“工作与育儿双重负担”的生命周期效应。赔偿政策设计的变化是导致该非直观规律的关键因素，此外，丧偶对子女教育和就业的代际溢出有限，显示社会支持和政策在弱势群体经济轨迹中的重要作用 [page::0][page::1][page::2][page::16][page::18].
本报告基于比特币期权和实际收益数据，通过非参数定价核方法分析比特币市场的风险溢价特性。研究发现，比特币定价核呈W形，在负收益区间陡峭；比特币风险溢价由正负收益共同驱动，且波动率状态显著影响溢价结构，低波动率下投资者更关注方差风险和下行风险，风险溢价较高。首次提出基于风险中性密度序列的聚类方法，识别出高波动和低波动两种市场状态，揭示比特币风险溢价的动态演变规律，显著优于传统资产的风险溢价表现 [page::0][page::3][page::4][page::12][page::23][page::25].
本报告提出基于多变量稳定分布的风险聚合与资本分配模型，有效捕捉保险和金融行业重尾风险及系统性风险。通过广义中心极限定理（GCLT）实现业务线总损失的稳定分布近似，进而给出尾部条件期望（TCE）下的风险资本及其线性分配公式，利用Fox H函数高效计算稳定分布的风险量度，提升风险管理和资本定价的准确性[page::0][page::5][page::11][page::12][page::18]。
本报告提出一种基于双层层次强化学习架构的自动股票交易策略——Hierarchical Reinforced Trader (HRT)，结合PPO的高层控制器进行股票选择和DDPG的低层控制器进行交易执行，有效缓解维度灾难、交易惯性和组合分散性不足三大挑战。实证结果显示HRT在标普500大盘中，无论牛市还是熊市，都取得显著的夏普比率提升和风险控制效果[page::0][page::4][page::5][page::6][page::7]。
本文基于稀疏跳跃模型(SJM)识别风格因子的牛熊市场状态，结合市场环境变量，实现对价值、规模、动量等六大因子的动态配置。通过单因子多空策略评估不同因子的状态推断准确性，并利用Black-Litterman模型整合因子相对观点构造全仓多因子投资组合。实证结果显示该动态配置显著提升信息比率与夏普比率，降低最大回撤，优于等权基准，验证了利用因子周期性进行配置的有效性 [page::0][page::2][page::3][page::12][page::15][page::16][page::18]
本报告提出一个基于深度强化学习（Deep RL）的方法，针对具有半马尔可夫和Hawkes跳跃扩散动态的非马尔可夫市场做市（MM）问题。采用Soft Actor-Critic（SAC）算法，在严格模拟了限价单簿（LOB）动态、包含非利好交易填充和库存限制条件下，训练与测试模型表现。结果显示该方法在复杂高维状态和动作空间下有效学习最优做市策略，且纳入不利填充显著影响收益结构，提出了模型的现实应用局限及改进建议[page::0][page::8][page::15][page::19]。
本报告介绍了UCFE基准，一个用户中心化的金融专业能力测试框架，旨在评估大型语言模型（LLMs）处理复杂现实金融任务的能力。通过结合804名参与者调研反馈与17类多轮任务设计，构建涵盖分析师、金融专业人士、监管人员及普通公众多样需求的数据集。基于LLM-as-Judge方法对11款模型进行评测，并采用Elo评分动态评定性能，结果显示金融领域专用模型显著优于通用模型，且模型评分与人类偏好高度相关（Pearson相关系数0.78），验证了评估方法的有效性。该基准突出用户交互体验与模型适应动态金融环境的能力，为金融领域LLMs的性能衡量和优化提供了开创性框架 [page::0][page::1][page::3][page::5][page::6][page::7]
本文提出基于自我博弈的强化学习方法，采用策略梯度算法如PPO和神经拟性自我博弈，成功近似多种复杂拍卖环境中的贝叶斯纳什均衡。该方法支持连续动作空间、多维信息状态及多轮拍卖，实现对对称/非对称估值、私有/相互依赖价值拍卖下的稳健出价策略的学习，并通过大量实验验证了其与理论均衡的高度吻合[page::0][page::10][page::11][page::15]。
本报告基于美股10b-5规则构建了一个动态博弈模型，将安全价格的跌落分解为预期下跌趋势与非披露引起的异常跌落两部分，并提出以异常跌落作为诉讼赔偿基础，避免传统模型因推定管理层必定隐瞒信息而导致的价值过度损耗。模型引入了上限、下限披露门槛和诉讼缓解因子，结合泊松过程的随机信号采样和几何布朗运动对价格演化建模，探讨了企业自愿披露策略与诉讼风险的内在平衡机制，且通过闭式形式定量分析了披露概率、诉讼风险与损害赔偿的关系，提出了基于理性预期与价格趋势的诉讼和披露动态均衡解决方案，为证券信息披露政策设计与司法判罚尺度提供理论参考 [page::0][page::1][page::2][page::3][page::4][page::6][page::8][page::10][page::11][page::12][page::14][page::28][page::29]
本文是关于多交易者竞争中的头寸构建的博弈论分析系列论文的第三篇，系统刻画了多交易者Nash均衡的封闭式解，揭示市场策略为积极型策略，且总实施成本仅与交易者数量及市场冲击参数相关。报告深入分析了交易集中化的价值，发现纯粹的集中化未必降低成本，但战略性集中化可实现成本优化，并提出最优代理交易者数量近似为非本机构交易者数量的结论，为机构交易策略设计提供理论支撑 [page::0][page::1][page::4][page::5][page::10][page::12][page::16][page::19][page::21]
本文提出了一种支持负价格交易的自动做市商模型，适用于电力、能源及衍生品市场。通过扩展流动性不变量至负价格域，构建了集中且可偏斜的超椭圆流动性分布，并将其流动性特征、收益表现与传统的Black-Scholes备兑看涨和对数市场评分规则进行了对比，解决了现有AMM无法处理负价资产的问题，开辟了负价格资产链上流动性交易的新路径[page::0][page::1][page::4][page::6].
本报告研究投资者与基金经理之间的委托代理问题，重点考虑随机违约时间导致的不确定投资期限，提出结合随机控制与BSDE的理论框架，针对违约时间有界及无界两种情况，推导相关的HJB方程并证明最优投资策略与合同的存在性；利用PINNs神经网络算法解决高维数值问题，展示违约时间对投资行为和激励机制的深刻影响，且通过数值实验证实违约时间分布特性对投资策略与激励补偿的差异性[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]
