本报告利用先进的大型语言模型（LLMs）对卖方分析师研究报告文本进行深度语义解析，证实文本信息对股票同期回报的解释力达到10.19%，超过传统定量预测。通过Shapley值分解，发现收入表分析是报告信息价值的核心，解释力贡献占比超过50%。在经济收益层面，提前获得分析师报告可带来显著利润，信息价值在财报发布后一周内达到峰值，凸显分析师对财务数据解读的重要角色 [page::0][page::2][page::3][page::26][page::29][page::30][page::37]
本报告提出了一种多频率的马科维茨投资组合优化框架，通过引入目标赫斯特指数（Hurst exponent）来同时管理投资组合在多个时间尺度上的方差风险。该方法有效应对传统马科维茨模型在波动性聚类、市场崩盘、多重分形等市场复杂现象下的局限性，显著提升了风险控制的精准度和动态调整能力。实证分析基于美股行业ETF和因子轮动策略，验证了多尺度优化在夏普比率和最大回撤等指标上的优势，展示了多尺度风险管理的实用价值和理论创新 [page::0][page::1][page::7][page::8]。
本研究系统性对比了四个开源电力系统容量扩展模型（TEMOA、Switch、GenX和USENSYS），通过输入数据的严格一致性和多种模型配置的测试，分析模型结构差异对结果的影响。研究发现，通过输入协调，模型在当前政策与净零排放场景下的系统配置及成本高度一致，成本差异小于1%。经济退役和单位承诺约束等配置对投资决策和系统成本有明显影响。结果强调了输入统一及明确配置对政策分析的关键作用，提升模型比较的透明度与可信度，为电力系统深度脱碳的规划和政策制定提供坚实的工具基础 [page::0][page::3][page::7][page::17]。
本文系统解析了去中心化稳定币发行中的信用风险谱系，从过度抵押借贷到企业间信用，梳理了每个层级的风险机制与缓释策略。结合多层风险量化框架及典型案例（如Aave的GHO和Cod3x的cdxUSD），评估了风险发生的可能性与影响程度，提出操作风险、借贷成本风险及无抵押流通风险等关键风险管理路径，为稳定币可持续扩展提供理论基础与实践指引 [page::0][page::1][page::3][page::14].
本报告首次推出覆盖比特币从创世区块至2024年5月的全历史交易网络数据集，并基于此系统分析BTC资产的去中心化演变。通过网络中心性指标和资产分布测度，构建多维度去中心化度量指标，揭示比特币不同发展阶段的集中与分散趋势。结合排名稳定性和市场集中度分析，报告展示了BTC去中心化对金融活动（如交易手续费和MVRV-Z预测）的显著提升作用，拓宽了区块链资产定量研究视角，具备跨链可扩展性意义 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8].
本报告提出了基于ChatGPT的“Classify-and-Rethink(CAR)”多步零样本文本推理策略，用于克服金融领域中的框架效应行为偏差。通过对黄金相关新闻的分类与反思评分，CAR策略有效减少了因框架效应带来的决策偏差，实现了显著超额收益，回测结果显示其收益率和夏普比率均优于传统买入持有及单步评分策略，验证了LLM在金融行为偏差纠正和投资决策中的潜力 [page::0][page::2][page::5][page::6][page::10]。
本报告提出基于超维向量Tsetlin机框架的微价格估计模型，通过融合订单簿中深层级的买卖量比例及价差信息，实现对短期未来价格的高频率精确预测。实证结果表明，该模型在提高微价格预测准确度和计算速度方面表现优异，适用于高频交易环境中的实时价格调整 [page::0][page::1][page::5][page::7][page::11].
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]。
