本报告通过构建多代理Q-learning算法模拟，研究算法定价中价格歧视与默契合谋的交互机制。发现信息不对称下的信息优势算法采用诱饵-克制-剥削策略诱导对手合谋，信息对称下信号之间竞争导致部分信号实现高于竞争水平价格。算法在高价值信号上更倾向合谋，信息精度和信号相关性显著影响合谋程度，过度数据使用反而削弱行业利润且提升社会福利 [page::0][page::1][page::2][page::3].
本报告提出了一种基于弱创新自编码器的生成式概率预测方法（WIAE-GPF），能够对实时电力市场信号（如地点边际价格、跨区价差和供需不平衡）进行非参数、可解释的条件概率分布预测。该方法在理论上保证生成样本与真实分布一致，兼具Kalman滤波的直观解释性。大量基于美国电力市场公开数据的实证测试表明，WIAE-GPF优于传统统计及最先进的深度学习模型，包括基于Transformer和大型语言模型的技术，表现出更好的点估计和概率预测能力[page::0][page::5][page::13][page::24][page::39]。
本章探讨了非完全可转移效用（Imperfectly Transferable Utility, ITU）匹配模型，扩展了传统的完全可转移效用（TU）框架，以描述存在税收、公共物品分配及非线性转移成本的配对市场。通过距离-前沿函数刻画匹配双方的效用可行集合，并引入平衡匹配函数和市场清算条件，构建了具有异质性和未观测偏好（Logit异质性）条件下的全局均衡。针对部分赋值与完全赋值模型，给出了平衡均衡的存在性、唯一性及算法求解，并提出了最大似然估计方法。最后，讨论了该类模型的规范性质、分配特征、比较静态以及与传统TU和NTU模型的关系 [page::0][page::2][page::7][page::11][page::14][page::17][page::19][page::21][page::23][page::26][page::29][page::30][page::31].
本报告提出了一种基于机器学习的信用违约预测工作流程，融合了权重证据（WoE）编码、集成学习策略、多目标遗传算法（NSGA-II）超参数优化及焦点损失函数，有效提升模型在不平衡数据上的预测准确性和金融利润最大化。实证结果显示深度学习模型和集成模型在多个公开数据集上均优于传统统计模型，证明了该方法对金融信贷风险评估的实用价值和可靠性 [page::0][page::1][page::2][page::3][page::4][page::5]
本报告利用流行在线游戏《英雄联盟》中的角色性取向披露事件作为自然实验，运用合成控制法定量分析了公开同性恋身份对玩家偏好的影响。研究发现披露导致该角色的选用频率显著下降超过30%，表明存在持续且实质的反LGB社会偏见。区域异质性分析显示欧洲、韩国和拉丁美洲均有负面反应，但北美表现不明显。同时，通过排除角色技术实力、玩家技能、游戏表现及新角色影响等替代渠道，强化了社会污名作为主因的推断。[page::0][page::9][page::13][page::17][page::19][page::21][page::23][page::25][page::26][page::27]
本报告分析了学术出版领域“转型协议”的定价机制，指出大牌出版社利用其海量付费期刊资源作为杠杆，即使出版量下降，也能保持高收入。此举提高了进入壁垒，抑制了纯开放获取出版商的竞争，可能削弱开放科学转型的初衷并加剧高校图书馆预算压力，最终强化了传统出版社的市场主导地位[page::0][page::2][page::8][page::12][page::17][page::18][page::19]。
本报告提出了一种创新的“拍卖管理自动做市商（am-AMM）”机制，通过链上无审查拍卖授予流动性池管理权，实现动态费用设置与套利利润捕获，解决了现有AMM中信息套利损失大与费用优化难题。理论证明该机制在均衡状态下能吸引比固定费率AMM更多的流动性，提升价格准确性，同时转移风险至更具资本实力的管理者，提高整体效率。报告还详细建立了基于几何布朗运动的套利剩余结构模型，并分析了机制面临的夹层攻击风险和区块构建集中化风险。此外，本机制具有良好的可组合性和无价格预言机需求，未来工作将聚焦其在集中流动性AMM的落地实现与复杂金融环境中的适用性 [page::0][page::1][page::6][page::8][page::11][page::12][page::14][page::16]。
本报告探讨了Transformer模型在金融时间序列预测中的应用，针对均值回复的Ornstein-Uhlenbeck合成过程和真实的S&P500数据构建数据集，设计了基于Transformer Encoder架构的分类模型。通过多头注意力机制和位置编码，模型可预测下一步的回报区间及其平方的波动区间，实现对分类桶概率的较为准确估计。在合成数据上模型表现优异，且对S&P500的平方回报（波动率指标）预测取得超越随机基线的结果，显示该方法在金融时间序列预测中的潜力，但对位置编码的有效性和模型参数仍需进一步调优[page::0][page::5][page::16][page::17].
本报告提出了RVRAE模型，一种结合变分递归自编码器和动态因子模型的创新框架，旨在有效提取噪声市场中的动态因子以预测股票回报。该模型通过编码器-解码器结构结合未来信息优化因子表达，显著提升了交叉截面收益率的预测性能。实证结果显示RVRAE在总拟合度、预测拟合度和样本外Sharpe比率等指标上均超越多种主流模型，展示其优越的时间序列依赖捕捉及风险估计能力 [page::0][page::1][page::4][page::6]
本报告利用意大利禁用ChatGPT这一突发自然实验，结合36,000多名GitHub用户的高频编码数据，量化分析了生成式人工智能对软件开发者生产力的异质效应。结果显示，禁令导致经验较少的开发者短期内产出数量和质量上升，而经验丰富者则在解决例行任务时生产力下降。此外，用户迅速利用VPN等技术规避禁令，说明禁令带来了生产流程扭曲及短期经济成本[page::0][page::3][page::10][page::14][page::44][page::46][page::19][page::20]
本报告基于TVP-VAR-DY模型及分位数方法，研究2014-2022年中美11种主要农业期货市场的风险溢出效应。研究发现CBOT玉米、大豆、小麦为主要风险传导者，DCE玉米、大豆为主要风险接收者，突发事件及经济不确定性会加剧整体风险溢出。风险溢出网络显示，玉米、大豆在均值条件下是核心农业期货，极端情况下，硬小麦和晚籼稻风险溢出居中。结果为政策制定者和投资者在价格风险管理和投资组合构建提供重要依据 [page::0][page::9][page::11][page::13][page::15][page::16][page::17][page::26]
本文系统地推导并给出了熵值风险度量（EVaR）在泊松分布、复合泊松、伽马、拉普拉斯、指数、卡方、逆高斯及正态逆高斯等多种常用分布上的解析表达式，利用Lambert函数实现对EVaR的高效计算，克服了该风险度量计算困难的瓶颈，提升了风险管理中EVaR的应用广度和深度，并辅以图形展示各分布参数对EVaR的影响特征 [page::0][page::1][page::2][page::4][page::5][page::7][page::9][page::10][page::12][page::14]
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]。
