本报告研究一种针对多个市场的序列性利润最大化问题，优化统一价格及各市场的营销支出。针对不同市场的需求曲线具有异质性且未知，本文设计了两种算法以适应单调需求和成本凹性需求，并证明了其近最优的渐近遗憾界，分别为$\\tilde{O}(nT^{3/4})$和$\\tilde{O}(nT^{2/3})$，显著优于指数级别维数灾难。文中提出的算法结构上将定价问题与市场成本优化巧妙分解，实现参数线性扩展，并拓展至订阅服务、促销信用及A/B测试等多种变体 [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]
本文基于对过去60年标普500指数日收益率波动率的追踪，探讨了市场力量如何决定波动率以及波动率对日杠杆ETF表现的影响。通过理论模型和线性规划方法建立了杠杆倍数与波动率和均值之间的关系，验证了在一定波动率阈值以上，日杠杆ETF难以长期超越标普500指数ETF的假说。同时，对影响杠杆ETF收益的高阶矩估计及其预测难度进行了探讨，指出长期（10年以上）基于均值和方差的预测较为合理，而高阶矩预测不稳定。方法同样适用于其他大型指数，且线性规划提供了估计误差范围，为投资杠杆ETF提供了理论依据和风险提示 [page::0][page::1][page::2][page::5][page::6][page::11][page::14][page::17][page::18][page::20]
本报告系统研究了希尔伯特空间中的线性-二次（LQ）均值场博弈，涵盖多智能体系统的无限维随机动力学和控制过程，建立了N个耦合半线性随机演化方程的解的存在唯一性，发展了无穷维纳什确定等价性原则，构造了极限均值场纳什均衡及其对应的ε-纳什均衡，证明了均值场对经验平均状态的逼近性，理论基础和数理工具为处理包含乘性噪声和无限维躁动的分布式系统提供了严密框架 [page::0][page::1][page::6][page::9][page::19][page::24]。
本报告提出基于限价单簿最佳买卖价一侧单边微观结构噪声(LOMN)模型的跳跃检测方法。新方法利用局部极小值统计量，实现跳跃的估计、定位与检验，显著优于传统的加性零均值噪声(MMN)模型。理论证明了跳跃估计的收敛速率提升至$n^{-1/3}$，且全局极值统计量符合Gumbel极值分布，实证与模拟验证了方法的准确性与稳定性[page::0][page::1][page::2][page::5][page::9][page::11][page::18][page::19]。
本报告提出了Ploutos，一个结合多模态专家信息（包括技术分析、情感分析和人类专家）的大型金融语言模型框架，实现了股票涨跌趋势的准确预测及其决策逻辑的可解释性。通过创新性的后视镜提示和动态token权重训练机制，Ploutos显著优于传统模型和其他LLM方法，在准确率和理性可解释性评估中均表现卓越，为金融量化投资提供新的思路和工具 [page::0][page::1][page::2][page::4][page::5][page::6][page::7].
本报告提出一种基于图神经网络的无监督异常检测框架，针对面向对象的业务流程日志，通过构建事件依赖图并采用图卷积自编码器，显著提升了活动类型及属性异常检测效果，克服了传统单一案例方法的缺陷，但在时间序异常检测上仍存在挑战 [page::0][page::1][page::4][page::9]。
本报告基于微博平台用户的金融背景，利用BERT进行情感分析和LSTM时间序列模型预测恒生指数股票走势。研究发现，认证的金融顾问(AFA)用户的情感预测精度比未经认证(UFA)用户高出39.67%，准确率达到87%，显著优于现有文献结果，验证了金融专业背景对情感驱动股市预测的提升作用[page::0][page::5][page::7][page::9]。
本报告基于比特币区块链网络公开数据，构建一系列区块链指标（包括哈希率、挖矿难度、交易成本等），利用移动平均线“缎带”技术产生买卖信号，并结合算法交易和机器学习模型测试这些指标在预测价格方向和交易中的有效性。结果显示，部分区块链指标在市场高波动性中具备统计优势，尤其适用于捕捉多头信号且提升交易策略表现，支持加密货币市场的适应性市场假说（AMH）[page::0][page::2][page::4][page::24]。
本文提出了一种基于深度学习的时间步进梯度流（TDGF）方法，将期权定价偏微分方程转化为能量最小化问题，通过逐步时间离散并利用深度神经网络近似求解。该方法在处理高维Markovian近似粗波动率模型时表现出高效性和良好精度，特别应用于提升的Heston模型，整体误差约为$10^{-3}$，且训练时间较现有方法显著缩短 [page::0][page::1][page::6][page::9][page::13]。
本报告提出一种基于无监督重构范式的异常检测方法，结合主成分分析(PCA)和自编码器(AE)对投资者交易行为进行降维，进而识别潜在内幕交易者。该方法不依赖事先定义的交易特征，输入仅为各投资者在价格敏感事件(PSE)前后的持仓时间序列。以意大利股票市场围绕收购要约的交易数据为案例，方法通过极大重构误差定位异常行为，建立相关阈值筛选潜在内幕投资者，并通过与基于k-means聚类的特征方法结果对比，展示了该降维方法的稳健性和独特价值。此外，自编码器在捕获复杂交易模式方面表现优于PCA，尤其能发现k-means未覆盖的异常交易策略，提升监管辅助效能 [page::0][page::2][page::6][page::8][page::9][page::10][page::11].
本报告通过对三个全球化石燃料CO$_2$排放数据库的统计分析，验证了化石燃料CO$_2$排放量在国家层面整体分布可由双参数对数正态模型良好描述，并提供了强有力的统计证据支持Gibrat定律的适用性。基于此模型，预测了2025、2030和2035年的排放参数，并提出了将全球排放控制目标转化为各国减排目标的具体工具，助力气候政策制定和全球减排规划 [page::0][page::12][page::17][page::19][page::20][page::21][page::22][page::23].
本报告基于可解析模型和量化2资产HANK框架，系统分析了政府债务在异质性风险背景下对中短期利率、自然利率及通胀的影响。研究表明，公共债务通过提供私人部门的风险保险价值，推升了自然利率，从而在传统泰勒规则货币政策下导致通胀上升，且该机制可解释美国2023年及后期“尾声”通胀的持续存在。报告还指出资产市场结构决定债务对利率和通胀的影响强度，并提出调整货币政策响应公共债务的策略能有效缓解债务驱动的通胀压力[page::0][page::2][page::6][page::9][page::27][page::31][page::32][page::41][page::46][page::49].
本报告首次发布了针对阿根廷房地产市场的多模态数据集ARED（0版），涵盖2024年1月至2月44天内的房产信息和图像，揭示了阿根廷房地产市场整体价格的时间依赖性及协同下跌趋势，展示市场价格以美元计价的显著波动特点，并计划未来季度持续更新及补充历史数据[page::0][page::1][page::2]。
本报告研究了在不完全市场中利用衍生品构建最优静态对冲组合的问题，假设投资者面临两个基础资产的风险敞口，衍生品为单一标的的欧式期权。通过效用最大化框架，针对指数型、幂函数/对数型和二次效用函数导出了半解析最优对冲解，设计了适用无套利条件的多标的对冲组合。如欧式期权分别覆盖每个标的资产，最优解则等价于一个Lipschitz映射的唯一不动点，对数收益率和联合分布的缺失加剧市场不完备性。报告进一步构建了对应的迭代求解方案及其收敛性分析，并通过杠杆ETF对冲实例进行了数值演示。最后，引入并分析了静态对冲的无差异定价方法，揭示了风险偏好对定价和对冲策略的影响 [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].
本文探讨了随机化控制技术在经验资产定价与绩效评估中的应用，提出基于几何随机游走的马尔可夫链蒙特卡洛方法来生成符合投资者约束的随机组合，从而在强约束环境下分析规模、价值、质量与动量因子的风险与收益表现关系。实证部分通过MSCI多因子指数的投资指南检验了因子溢价的存在，揭示了传统随机组合用作绩效假设检验的缺陷及其在描述性分析中的价值，展示了随机组合在实务中灵活分析因子特征对收益的影响的潜力[page::0][page::1][page::9][page::12][page::39][page::46]
本文针对CDD和HDD温度期货及其期权价格，基于CAR(p)模型对季节性温度及其导数的扰动进行了局部敏感性分析。实证采用拟合纽约地区温度的CAR(3)模型，揭示了期货价格对温度导数不同阶的响应特征，指出近测量日前一天温度扰动影响最大，而随着到期日临近，温度一阶导数的扰动主导价格变化。同时，近似价格模型对扰动敏感性更高但误差有限，为温度衍生品定价和风险管理提供量化工具。[page::0][page::6][page::9][page::16]
本报告深入研究了基于大型语言模型（LLM）的聊天式搜索引擎（以Bing Chat为例）如何选择引用网站。通过多渠道数据采集与自然语言处理技术，发现Bing Chat偏好于语义可读性高、逻辑严谨、情感极性低且困惑度（perplexity）低的文本，这些偏好源自基础LLM的先验而非人工设计。此外，基于GPT-4的RAG模型显示出与Bing Chat一致的引用标准，且聊天式搜索引擎引用的网站间文本相似性高于传统搜索引擎，导致信息多样性减弱，揭示了下一代搜索技术的独特经济影响与研究价值 [page::0][page::3][page::4][page::10][page::22][page::26][page::27][page::28]
本报告通过序列聚类、合成电动车时序生成与电力系统优化模型，量化研究了电动汽车共享（carsharing）对以可再生能源为主电力系统的影响。分析显示，电动汽车共享虽减少了车辆灵活调度潜力，导致电力系统成本增加，但增幅适中，主情景下替代一辆私家车的年度电力系统额外成本不超过110欧元。成本影响最大出现在双向充放电场景下。尽管如此，含有共享电动车的车队仍能较好地与波动性可再生能源匹配，促进电力系统的灵活性与新能源消纳 [page::0][page::1][page::7][page::8][page::11][page::13][page::14]。
本文研究一维带跳跃的随机Volterra方程，建立卷积核及系数条件，确保非负强解的存在性和路径唯一性。通过非负近似方法及Yamada–Watanabe技巧的变体，展现了强解的构造及收敛性，并应用于Levy驱动的Volterra方程，定义了alpha-稳定Cox–Ingersoll–Ross过程的Volterra拓展，具有金融数学中重要应用价值[page::0][page::1][page::4][page::18][page::22]。
本报告提出了基于Mamba结构化状态空间序列模型的新型股票价格预测模型MambaStock。该模型通过选择机制和扫描模块，能够高效捕捉历史股票数据中的复杂非线性时序依赖，无需人工特征工程，实证结果表明其预测准确度优于传统ARIMA、Kalman滤波及主流深度学习模型，如LSTM、Transformer等，为投资决策提供有力支持 [page::0][page::1][page::2][page::3][page::4]。
