本文系统研究了二阶Esscher定价模型在期权定价及风险管理中的应用，重点分析了常数跳跃扩散模型中期权价格对二阶参数的敏感性及定价区间，并通过实证数据展示了该方法在动态Delta对冲、VaR及预期短缺估计中的优势。此外，论文将二阶Esscher定价推广至Merton、Kou双指数跳跃扩散及方差伽玛模型，并结合快速傅里叶变换提供了欧式期权的实用定价公式，为不完全市场中的风险定价与管理提供了理论和实践新思路 [page::0][page::8][page::28].
本报告提出TraderTalk，一种结合大型语言模型（LLM）与基于代理模型（ABM）的混合框架，用于模拟金融市场中主体间的双边交易行为。通过引入语言模型生成的行为，提高模拟的逼真度，尤其在政府债券市场的买卖决策中实现了真实的交易意愿与实际交易比例，接近真实市场观察到的交易订单比率，展示了LLM增强ABM在金融行为模拟中的潜力[page::0][page::1][page::2][page::3]。
本报告针对固定利率抵押贷款中的嵌入提前偿还期权（EPO）风险，采用引入行为不确定性的随机风险因子模型，反映抵押贷款持有人非理性提前偿还行为，从而导致市场不完全性。理论及数值实验表明，包含行为不确定性降低EPO的估值，同时构建一种基于利率互换（IRS）和互换期权的静态复制策略以对冲该风险。针对市场风险价差的错配风险，报告提出鲁棒对冲策略的计算方法，有效限定风险敞口。数值结果显示，利用非线性工具（互换期权）显著改善复制表现，特别是在尾部风险控制方面具备优势，为金融机构风险管理提供了可行路径和量化工具 [page::0][page::3][page::6][page::7][page::10][page::18][page::20][page::23][page::24]
本报告构建了一个关于信息与父权主义关系的理论框架，设计两项实验检验决策者知识量对决策自主性的影响。结果显示，充分知情导致干预率下降超过60%，干预者偏好让决策者做出明智选择且多数情况下提供信息，但在少数情况下会策略性地不提供信息以正当化介入。此外，干预决策混合了决策者的偏好和干预者自身偏好，且无风险选项更易被强制实施，完善了“投射式父权主义”理论 [page::0][page::4][page::5][page::6][page::7][page::31][page::34][page::35][page::43]
本报告利用瑞士大型保险数据，采用分期差分法，揭示女性首次生育后面临显著的心理健康惩罚：产后四年抗抑郁药处方率上升1个百分点（增幅50%），六年后升至1.7个百分点（增幅75%）。该心理健康惩罚随着时间推移加剧，主要源于母亲兼顾职场与家庭带来的持续压力，而非仅生理因素，且经济支持政策与父亲陪产假改革短期内无显著缓解效果 [page::0][page::3][page::4][page::21][page::30][page::33][page::81]
本文提出了基于多头交叉注意力机制与改进型GRU的MCI-GRU股票预测模型，替换传统GRU中的重置门为注意力机制提升对历史重要信息的选择能力，并结合GAT提取横截面特征与多头交叉注意力捕获潜在市场状态，有效提升复杂非线性金融时序数据的预测精度。模型在中美主要股指数据集上的验证显示其超越多种主流模型，且已成功应用于实盘基金管理，体现了较强的实际适用性和鲁棒性 [page::0][page::1][page::4][page::11][page::16][page::17][page::22].
本文提出基于金融分析师覆盖网络的图注意力网络（GAT）交易策略，有效捕捉分析师覆盖带来的动量溢出效应，实现年化收益29.44%、夏普比率4.06，显著优于传统模型。通过全面实验和消融分析，验证了策略在稳健性、风险调整收益和换手率上的优势，展示了图神经网络在金融领域应用的新前沿 [page::0][page::1][page::4][page::5][page::6][page::7]。
本文基于多种模拟微观经济体，验证了热力学宏观经济学理论的预测，包括均衡收敛、温差导致资金流动、价格驱动物品流动及系统熵不减定律。通过数值模拟，证实了温度和价格的定义、交易中熵的变化、以及通过类似卡诺循环的交易实现利润最大化等核心结论，为热力学宏观经济学提供了实证支持 [page::0][page::5][page::11][page::16][page::18][page::30]。
本报告提出AGRICAF方法，结合可解释机器学习和计量经济学技术，使用公开数据实现对玉米、大豆和小麦全球农业商品价格1年至12个月的准确预测。研究揭示不同商品、月份及预测期内影响价格的关键驱动因素及其演变，确保结果透明且适用于非专业用户，有助于提升食品安全与全球粮食市场公平性[page::0][page::2][page::15][page::22].
本文提出一个融合健康经济学、福利经济学与人工智能的理论框架，研究AI偏见对应急医疗资源分配、健康结果和社会福利的经济影响。通过引入偏见函数，定量分析不同群体受到的影响，揭示偏见导致资源分配次优、成本和福利损失增加。框架强调效率与公平的权衡，并提出改善数据质量、算法公平性与政策干预的缓解策略，为政策制定者和技术开发者制定公平有效的AI应急系统提供理论支持 [page::0][page::3][page::5][page::7]。
本报告构建了包含货币幻觉效应的生命周期消费、投资和保险决策模型，结合美国市场数据校准，推导了以CRRA效用为基础的显式最优策略。结果显示，货币幻觉会导致年轻家庭增加寿险需求，而退休阶段减少年金需求，从而为年金难题提供新解释。数值分析揭示投资策略、消费模式及保险行为均受名义价值偏好影响，并通过福利损失量化了货币幻觉的负面影响，强调提升金融通识教育的必要性 [page::0][page::2][page::15][page::17][page::18][page::29][page::30]
本报告研究了生命周期模型中受约束的投资组合优化问题，个体通过股票、债券和寿险配置财富，最大化消费、遗产和终值效用。构建了包含多类交易约束（如非交易资产、禁止卖空等）的凸集约束，创新性地提出基于对偶控制的神经网络方法，有效计算原始问题的紧凑上下界，较传统仿真方法更适应复杂金融市场动态。如利率、股价波动存在扰动时，神经网络方法能精准捕捉并提升估值准确度。数值分析表明交易约束降低寿险需求，同时验证神经网络在不同市场参数下的优越性能 [page::0][page::2][page::14][page::20][page::24][page::28].
本报告通过将人工智能驱动的技术采用率与交通拥堵动态之间的关系建模，结合情景规划，运用常微分方程（ODE）量化分析不同监管和社会条件下的交通拥堵演变，揭示关键的AI采纳阈值及政策杠杆，为城市交通系统的可持续和高效发展提供了科学依据 [page::0][page::4][page::8][page::10][page::13]。
本文提出基于特征函数与分数傅里叶变换的数值方法，解决七参数广义调制稳定分布（GTS）在金融数据上的参数估计难题，成功拟合了比特币、以太坊等重尾资产及标普500、SPY ETF等峰态资产的收益分布。结果表明，GTS分布在拟合效果和统计显著性上均优于几种比较模型，并通过Kolmogorov-Smirnov、Anderson-Darling和Pearson卡方检验验证了模型的优越性[GTS拟合方法及统计检验详见第4至6节]。[page::0][page::11][page::22][page::24][page::27]
本报告通过11-20金钱请求游戏评估大型语言模型(LLMs)的战略推理深度，揭示几乎所有先进LLM未能复制人类行为分布，表现出显著的行为不稳定性和与人类认知本质的根本差异。多种提升方法（提示工程、检索增强生成、微调）均未能显著提高LLM的人类相似度，强调了提示脆弱性、模型记忆依赖及LLM理性缺失等局限，呼吁研究者谨慎使用LLM作为人类行为代理或模拟工具 [page::0][page::1][page::3][page::4][page::5][page::9][page::10][page::12][page::13]
本报告通过分析FIDE大瑞士赛三届赛事数据，实证检验了瑞士制比赛中拥有额外白棋局的选手享有显著优势，得分和发挥均优于预期，尤其对顶尖选手影响更显著。研究强调奇数轮次瑞士制因额外白棋分配不均带来公平性问题，建议采用偶数轮次及改进配对机制以平衡颜色分配，保障比赛公平性。[page::0][page::1][page::4][page::6][page::9][page::10][page::11]
本报告基于对4293名2024年美国注册选民的两轮实验证明，利用大语言模型（LLM）生成的预先辟谣文章有效减少了公众对选举谣言的信任，且效果可持续一周以上，同时提升了公众对选举诚信的信心。该LLM辅助的预辟谣方法在跨党派人群中均有效，展现了其规模化应对选举虚假信息的潜力，有助于维护民主选举制度的稳定性和公信力 [page::0][page::1][page::3][page::5][page::8]
本报告基于三年多链Uniswap v3数据，系统分析了交易费、币价波动、Gas费、交易回报及市场对手流量分布等因素对去中心化交易所流动性及市场深度的影响。报告创新性地提出了v2反事实价差指标以分解总市值锁定(TVL)和资金集中度对流动性的贡献。同时，探讨了竞争DEX市场份额和私有流动性内部化对池内流动性的不同作用机制，为DEX设计与LP策略优化提供实证支持。[page::0][page::1][page::4][page::8][page::11][page::12]
本报告研究利用小型神经语言模型，基于美国标普500公司10-K年报文本生成长周期股票买入信号，实现了6至9个月后股价涨跌方向预测，买入信号F1分数最高达0.62，较随机模型提升4.8%-9%。卖出信号表现较差，原因可能包括样本不平衡及管理层文本正面偏向。不同经济行业的文本表现出不同预测能力，表明行业报告风格与价格预测存在相关性[page::0][page::5][page::6][page::7][page::9]。
本报告提出了一种基于波形变换与去噪扩散概率模型（DDPM）的合成金融时间序列生成方法。该方法将多维时间序列转换为彩色图像，利用DDPM优秀的图像生成能力，能够同时生成价格、买卖价差和交易量三类相关时间序列。实验结果表明，该方法有效复现了金融时间序列的典型特征（刻板事实），如厚尾分布、波动率聚类、自相关性缓慢衰减、日内季节性及时间序列间的交叉相关结构，明显优于传统的GAN和VAE模型[page::0][page::1][page::4][page::6][page::7][page::10]。
