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]。
本报告提出基于多变量CoVaR、CoES和多变量边际均值超额（MMME）的风险贡献比率测度，系统剖析不同风险组合间的溢出效应及比较条件。结合加密货币市场数据，实证分析系统性风险相互影响，为量化多风险系统性风险溢出效应提供理论与实证支持 [page::0][page::1][page::2][page::6][page::17]
本报告提出基于Agent-Based Modeling（ABM）的模拟环境研究非流动性分割所有权市场的流动性动态，模型基于实证数据复现了以卖方报价驱动为特征的二级市场交易行为。研究发现，市场流动性受多种参数影响，包括卖方和买方的报价概率、价格区间和购买力，且模型能较好拟合实际平台的流动性水平。模型为今后设计流动性最大化的交易机制及市场造市者提供理论基础与仿真工具，兼具研究创新性与应用价值[page::0][page::1][page::4][page::5][page::6].
本文提出基于高维因子模型多重状态的核心通胀估计方法，包括结构性断点模型和马尔可夫切换模型。实证应用于加拿大价格数据表明，马尔可夫切换模型具有良好的实时预测能力，能显著减少通胀估计的历史修正，提升货币政策短期指引的准确性。结构断点模型虽准确消除历史修正但难以实时应用。新指标为中央银行应对突然经济转变提供了更稳健的核心通胀信号[page::0][page::2][page::14][page::26]
本研究提出将监督自编码器（SAE）结合分数阶差分特征和三重障碍标签法应用于加密货币交易策略，通过添加基于历史波动率的噪声增强训练数据，采用步进式验证评估性能。结果显示，适度的噪声增强与合适的编码瓶颈大小显著提升策略的风险调整收益指标（如信息比率IR和星标信息比率IR*），并在比特币、以太坊和莱特币等资产的多时间周期策略中表现优异，相较传统买入持有策略具有更佳的风险控制能力和风险调整回报，[page::0][page::4][page::5][page::6]。此外，量化组合策略也显示出超越被动组合的表现，为机器学习在资产管理领域的应用提供了有力支持。
本报告提出了结合FinBERT情感分析与双向长短期记忆网络（Bi-LSTM）的混合模型FinBERT-Bi-LSTM，用于捕捉加密货币（比特币和以太坊）市场中价格的高度波动性。实验证明，该模型在短期（日内及次日预测）及长期（30天预测）方面均显著优于传统LSTM和Bi-LSTM模型，情感融合提升预测准确率至98%以上，并在交易模拟中表现出良好的盈利能力，展示了市场情绪在价格预测中的关键作用，为投资者提供了实用的决策支持工具[page::0][page::4][page::40][page::41]
本报告全面系统地综述了金融领域人工智能的最新进展，涵盖预测模型、决策框架及知识增强系统三大核心方向。报告重点分析了基础模型、多关系图神经网络及层级投资组合优化方法，揭示模型复杂度与实用性能间的权衡，特别指出高频交易应用中的挑战与机遇，最后提出了未来理论与工业落地亟待解决的关键问题 [page::0][page::1][page::11][page::15]
本报告系统性回顾强化学习（RL）在金融领域中的应用，涵盖市场做市、投资组合管理和最优执行等关键任务。通过元分析评估RL相较传统方法的绩效提升，并深入探讨数据特征、MDP设计、训练时长及算法选择对模型表现的影响。此外，报告指出金融数据的非平稳性、重尾分布以及RL模型的解释性和鲁棒性等挑战，最后提出如多智能体RL、基于模型RL及离线RL等未来研究方向，为金融RL领域发展提供权威指导[page::0][page::1][page::11][page::16][page::19]
本报告利用德国足球联赛2016/17至2023/24赛季的数据，以COVID-19期间球迷禁入为自然实验，首次长周期分析观众缺席对主场优势（HA）的影响。结果显示，2019/20赛季末观众禁令导致主场优势消失，主要由于主队进球显著减少。2020/21赛季主场优势恢复至疫情前水平，反映球队适应了无观众环境。2021/22赛季观众数量波动，HA与观众人数呈U型关系，中等观众出席率时HA显著增强，因主客队跑动距离差异扩大。此后赛季HA稳定恢复至疫情前水平 [page::0][page::2][page::6][page::10][page::20]。
本报告基于2007-2021年欧盟制造业公司数据，系统分析企业并购对市场权力（加价率）及企业表现的因果影响。发现垂直整合并购显著降低加价率0.7%，提高销售额2.9%，且效果随时间递增，印证通过消除供应链中的双重利润边际促进效率和市场扩张的机制。水平整合并购对加价率无显著影响，反映欧盟竞争政策的有效监管。研究还揭示控股企业已整合子公司数量越多，目标企业加价率下降幅度越大，表明整合供应链范围扩大增强效率利好。研究结果为理解全球市场势力上升提供了重要微观视角 [page::0][page::2][page::3][page::4][page::19][page::21][page::27]
本报告提出基于鞅停止时间定理的Uniswap V3流动性提供仓位风险中性定价模型，创新地将此仓位看作无期限衍生品并导出闭式定价公式。通过蒙特卡洛模拟验证模型精度，深入分析Greeks敏感度及隐含波动率，并探讨与LVR等现有模型的比较，证明模型在评估流动性风险和指导对冲策略上的实用价值和学术贡献。此外，模型具备扩展性，可应用于其他自动做市商及未来Uniswap V4的动态手续费机制 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]。
本报告提出基于Mirror Descent算法的确定性与随机性梯度下降方案，用于计算满足正齐次和次可加性风险度量的风险预算组合。论文通过构造有界“温和”梯度，解决了目标函数梯度在边界发散的问题，证明算法在多种风险度量下（包括波动率、期望短缺风险、偏差度量和变异指标）的收敛性和非渐近收敛率，并在数值实验中验证了其优于现有投影随机梯度法的性能 [page::0][page::1][page::3][page::6][page::10][page::15][page::19][page::24]。
本报告利用1981-2023年NASA POWER卫星数据，比较了传统时序模型与神经网络在天气衍生品温度和降水定价中的表现。神经网络显著降低了温度预测均方误差(MSE)，尤其在多伦多和芝加哥显现出经济意义的期权价值差异。降水方面，采用复合泊松-伽马模型，结合最大似然估计(分别按季节)与卷积神经网络(CNN)实现参数自适应，捕捉季节异质性和非独立同分布依赖结构，且通过伽马和公式实现解析期权定价。神经网络虽使参数估计精度下降，但提高了捕获实际气候模式的能力，提升了定价准确性与模型鲁棒性，具备重要的金融和气象应用价值。[page::0][page::1][page::4][page::11][page::19][page::20]
本文提出了条件默认概率关于共用风险因子单调递增的伯努利混合模型的凸序比较结果，通过对默认积分函数与Copula模型的点对点比较，建立了信用组合损失的风险上下界。这一鲁棒框架涵盖了经典高斯Copula及其尾部依赖的扩展，解决了模型不确定性和尾部风险的显著低估问题，并结合模拟和实际数据验证了方法的有效性，为信贷组合风险测度提供了理论基础和实践指导 [page::0][page::1][page::4][page::12][page::14][page::17]
本文基于包含道德社会政策议题捆绑的政治信息的实验证据，揭示了文化身份分歧如何引发经济政策观点的分裂（即分歧溢出效应）。研究发现，源于社会政策的分歧导致对经济政策推荐的抵触甚至反弹，而文化认同模型优于传统贝叶斯信念更新解释此现象。进一步，政治家等意见领袖存在激化社会与经济政策关联分歧的动力，加剧极化与“相关分歧”的形成 [page::0][page::1][page::4][page::5][page::7][page::36][page::37][page::42]。
本报告研究了将基于大型语言模型（LLM）的情绪分析整合进强化学习（RL）算法的框架中，以提升股票及多资产组合的交易表现。实验分别在苹果公司（AAPL）单股交易和ING企业领袖信托B系列（LEXCX）组合管理中展开。结果表明，情绪增强的RL模型在净值和累计利润方面均优于无情绪输入的RL模型，并且在组合交易中显著超过实际基金的买入持有策略，体现了结合定量与定性信号的策略优势与潜力 [page::0][page::12][page::14][page::19][page::20][page::21]。
