本报告通过构建基于Uniswap V2的agent-based模型，动态模拟了流动性提供者、交易者和套利者在去中心化交易所自动化做市商（AMM）中的交互，揭示了交易费对缓解非永久性损失的重要作用。结果显示，价格变动并非必然导致流动性提供者亏损，特别是在考虑套利者带来的费用收益后，非永久性损失规模随套利者竞争加剧而降低。由此认为，AMM开发者应鼓励套利友好环境而非避免套利行为[page::0][page::1][page::8][page::9][page::10]。
本报告通过标准经济学选择实验验证GPT-4等大型语言模型(LLM)在风险选择中的偏好学习能力，发现GPT展现出高度一致的效用最大化行为，并能够根据风险厌恶程度提供个性化推荐，但在失望厌恶调整方面学习能力有限，提示LLM作为决策辅助工具的潜力与局限 [page::0][page::2][page::7][page::8][page::10].
本报告提出并解析了考虑“羊群行为”的双代理最优投资问题，采用引入带衰减的平均偏差衡量决策差异，利用变分方法求解随时间衰减的最优策略，进而通过理性决策分解将跟随代理的最优决策表达为自身与领先专家理性决策的凸组合，引入投资观点定量分析羊群行为、初始财富、超额收益率及波动率对跟随决策的影响，数值实验基于道琼斯数据验证模型有效性，为理解投资者行为及投资策略设计提供理论依据[page::0][page::1][page::3][page::4][page::5]。
本报告利用合成控制法和合成差异法，评估了奥地利2021年推出的KlimaTicket季票对公共交通需求的因果影响。结果显示，KlimaTicket显著促进了2021年疫情后的公共交通需求增长，增长率高出3.3%至6.3%不等，但在2022年该正向效应消失，统计显著性有限。通过对比欧洲其他铁路公司数据构建反事实对照，发现KlimaTicket在短期内促进了乘客增长，但效果较小且不稳定，需长期评估其持续影响 [page::0][page::2][page::7][page::8][page::9]。
本报告提出基于深度隐式-显式最小移动法结合残差型人工神经网络(ANN)的新方法，用于多资产跳跃扩散模型下的欧式篮子期权定价。通过Merton跳跃扩散模型数值实验验证该方法的计算效率及高维表现，包含积分算子的两种近似技术（稀疏格点Gauss-Hermite和ANN特制求积法），并通过与深度Galerkin及深度BSDE求解器对比展示了其优越性[page::0][page::1][page::4][page::10][page::14][page::15]。
本报告基于零智力（zero-intelligence）潜在/显性订单簿框架，针对欧洲主要股票交易所的收盘竞价，系统刻画了订单提交、撤销及扩散率的价格与时间依赖关系，深入揭示拍卖阶段流动性加速的机制。模型成功拟合了Euronext巴黎的高质量逐笔数据，解释了竞价价格的亚扩散特性及其无可预测性，验证了潜在流动性框架在竞价订单簿动态描述中的有效性 [page::0][page::2][page::10][page::18][page::24]。
本报告提出SpotV2Net模型，利用图注意力网络结合非参数傅里叶估计的瞬时波动率及波动率的波动率特征，实现了道琼斯工业指数成分股的多变量盘中即期波动率精准预测。模型通过节点与边特征有效捕捉资产间溢出效应，显著优于HAR、XGB及LSTM等对比模型。此外，应用GNNExplainer对预测结果进行解释，揭示关键子图结构，为短期风险管理及高频交易策略提供理论和实证支持[page::0][page::1][page::5][page::7][page::14][page::20][page::21].
本报告提出了一种结合卷积神经网络（CNN）与深度强化学习（DRL）的量化交易框架，旨在解决传统多层感知机（MLP）在大规模连续动作空间中的学习瓶颈。通过将过去90日的日度特征向量拼接成矩阵输入CNN进行特征提取，显著提升了策略稳定性和收益表现，并在股票买卖规模扩大至1000股的环境下实现了持续稳定的累积奖励增长，同时降低了交易成本和风险指标（夏普比率）表现优异[page::0][page::3][page::4]。
本报告展示了利用大语言模型（LLM）对金融投资研究的变革性应用，重点介绍了使用LoRA技术对Llama2和GPT-3.5模型进行无监督、监督及指令微调的实验过程与结果。研究涵盖了以高质量投研报告、市场新闻与时序数据为训练语料，通过模型微调提升文本生成、摘要、推理和投资分析能力。实验结果表明，微调后模型在投资研究任务上均显著优于基线，GPT-3.5模型在指令微调后表现尤为突出，更贴近人类分析师思维，能够生成符合理财逻辑的投资建议，为金融领域决策自动化和智能化提供了重要技术路径[page::0][page::6][page::8][page::9][page::10]。
本报告基于统计场论形式化，构建了涵盖生产者与投资者两类异质代理的多主体资本配置与积累模型。通过推导个体代理的转移函数，深入分析了企业在行业空间中资本动态迁移的概率特征及竞争与投资者偏好的影响机制，揭示了资本积累和配置的复杂微观动力学。资本的异质性、投资者对长期回报预期及竞争压力共同决定了企业的行业迁移路径和资产规模演化，模型兼顾了微观个体轨迹与宏观集体现象的交互，[page::0][page::1][page::29][page::34][page::55]
本报告提出了Stockformer模型，结合离散小波变换、双频时空编码器、多任务自注意力机制和图嵌入技术，精准捕捉股票市场的短期波动与长期趋势。通过360维价格-成交量因子输入和TopK-Dropout策略，在多阶段市场行情中回测表现优异，显著超越主流基线模型，展示了极佳的预测稳定性和适应性[page::0][page::8][page::26][page::42]
本报告基于量子概率数学框架，首次提出了以交易者决策和市场行为为金融含义的量子概率资产收益率模型，摒弃传统假设资产收益存在微观量子效应。通过引入活跃交易意图（ATI）的复数振幅函数，将市场交易量视为市场“能量”，构造出类薛定谔方程，揭示资产收益率存在离散交易能级及其对应的多模态分布，实证中国股市数据验证了模型的多峰和厚尾特征，有效解释了收益分布的非正态性质和波动率聚集现象，为风险度量提供新视角 [page::0][page::6][page::16][page::18][page::23]
本报告提出了一种基于Minsky情绪理论的多异构LLM代理设计框架(HAD)，利用不同代理聚焦金融情感分析(FSA)中常见错误类型，通过多代理讨论提升FSA准确度。HAD框架在五个FSA数据集上进行测试，结果显示，框架相较于传统微调和简单提示，提升准确率达2.24%-9.46%，尤其在GPT-3.5模型上表现更为显著，有效缩减提示法与微调法间25%-35%的性能差距。语气、修辞及主体相关性代理贡献最大，而依赖性代理表现欠佳可进一步优化。本文为基于设计科学的LLM多代理协作与金融情感分析提供了理论与实践指导。[page::0][page::1][page::2][page::5][page::7][page::8][page::10]
本文基于随机时间截断的离散时间市场模型$(S,\mathbb{F},\tau)$，研究包含随机时间$\tau$信息的扩张过滤流$\mathbb{G}$下停止模型$(S^\tau,\mathbb{G})$的超定价和即时利润套利问题。通过条件本质上确界的性质，刻画了超定价价格集的扩展机制，提出了基于概率测度$\widetilde{Q}$的定价公式，并详细分解了价差过程的各类风险成分，为信用风险、寿险和员工股票期权定价提供系统数学工具[page::0][page::1][page::13][page::24][page::25][page::26][page::27].
本报告针对存在金融泡沫、基础资产价格为严格局部鞅的情况，提出了一种新的数值方法用于欧式期权定价。该方法基于衍生品价格在无穷边界处的积分表示形式，构造了独特的边界条件，保证了BS方程解的唯一性和稳定性。论证了该方案满足离散极值原理，杜绝震荡，且在精度上优于现有方法，特别体现在常弹性方差模型和二次正态波动率模型的数值测试中，验证了其有效性和优势。此外，文中还从概率视角解析了正向价格分布，并针对无穷大处价格有限性与唯一性给出充分条件。基于部分差分方程的有限差分数值方案系统介绍，并进行了稳定性和性能比较分析 [page::0][page::1][page::2][page::3][page::5][page::9][page::13][page::15][page::19][page::23]
本报告通过对2010年至2023年间的彭博社市场摘要新闻使用ChatGPT进行两步提示词设计，构建了全球股市的情绪指标，发现情绪得分与未来股票市场收益之间存在统计显著的正相关，且该相关性在短期内为正，中长期则出现负相关，且这一模式在多个主要股市均具备显著的鲁棒性。此外，报告分析了情绪得分累计期长度对预测效力的影响，提出了兼顾反应速度与相关性的最优积累期，为基于文本情绪的量化投资信号开发提供重要参考 [page::0][page::1][page::3][page::5][page::6][page::8]
本报告提出了一种基于动态图生成的多关系股票图扩散神经网络MGDPR，解决了股票间复杂时变关系和个股层次特征缺失的问题。通过信息熵和信号能量构建动态多关系图，采用多关系图扩散优化邻接关系，并利用并行保留机制增强长期依赖特征捕获。实验证明，该方法在NASDAQ、NYSE和上海证券交易所三个市场的七年数据上显著优于现有方法，实现股票趋势的准确分类 [page::0][page::1][page::2][page::3]。
本报告利用拓扑数据分析（TDA）工具，定义新的L0范数并结合已有的L1与C1范数，研究加密货币、南美货币、欧洲银行指数及欧洲指数的时间序列市场行为。通过对比L0、L1及ζ1范数，揭示市场稳定性、波动性及临界转变状态的不同表现，实证证明各范数在不同市场背景下的应用价值，为时间序列金融市场稳定性研究提供新的方法论 [page::0][page::4][page::5][page::6][page::7][page::8]
本文系统性地从因果视角剖析金融时间序列中的三大难题：时间分辨率不匹配、非平稳性及潜在因子的存在。通过数学分析和实证，本文提出基于线性模型的时序聚合因果发现、基于CD-NOD方法的非平稳因果结构识别及秩约束方法的潜在变量因果结构识别框架，实证验证了方法在SP100股票数据中的有效性，为未来量化因果研究奠定基础[page::0][page::1][page::2][page::3][page::5][page::6][page::7][page::8][page::11][page::14][page::15][page::16][page::18][page::19][page::20]
本报告介绍了SRNI-CAR，涵盖2016-2022年中国汽车市场销售数据、在线评论及行业新闻的综合数据集。通过XGBoost模型和SnowNLP情感分析，挖掘了模型和品牌上市时间、价格及消费者评论对销售的影响，揭示了车企先发优势和新能源汽车趋势，为行业分析与政策制定提供重要数据支持 [page::0][page::3][page::6][page::7]。
