本报告首次基于Bloomberg、CNBC与Fox Business等电视新闻，构建多维度气候风险与情绪指标，并实证分析其对美国清洁能源企业系统性风险与非系统性风险的影响。研究发现，气候相关报道量增加提升系统性风险但降低非系统性风险，细分风险中气候危机（物理风险）和政府及人类行动（转型风险）显著推高系统性风险，负面情绪对风险的影响存在不对称性，负面情绪降低非系统性风险、提升系统性风险，且结果在加入印刷媒体情绪和政策不确定性变量后依然稳健。COVID-19疫情期间部分效应存在差异，为气候金融领域研究提供了电视新闻新视角 [page::0][page::3][page::9][page::13][page::16][page::18][page::20][page::23][page::24]
本报告复现并深入分析了基于深度强化学习的金融组合管理框架，核心是EIIE结构与策略网络（CNN、RNN、LSTM）构成的模型，结合PVM记忆和OSBL在线学习机制，实现无需金融模型且显著考虑交易成本。在加密货币市场中，三种网络方法均超越传统策略且表现稳定，但在股票市场表现趋于均衡类似等权重组合，揭示了市场特性对方法有效性的影响。报告还提出未来优化方向，如增强输入特征和调整超参数，以提升股票市场表现 [page::1][page::8][page::31][page::37][page::38]
本报告推导了局部随机波动率模型（LSV）下亚式期权的短期到期价格渐近行为，涵盖价外和平价两种情形。主要成果包括将价外渐近表达为二维变分问题的速率函数，并提出基于ATM点的速率函数展开方法，获得对亚式期权隐含波动率水平、偏度与凸度的显式近似。通过SABR、Heston等模型的数值仿真，验证了该渐近展开对短期和接近平价行权价亚式期权的良好定价效果 [page::0][page::1][page::2][page::4][page::6][page::9][page::10][page::11][page::13][page::14][page::15][page::16].
本文对COMEX铜期货不同频率区间的已实现波动率预测进行了系统比较，涵盖传统计量经济模型（如HAR、GARCH）与深度学习循环神经网络（RNN、LSTM、GRU）。结果表明：HAR模型在日频预测中表现优异，QLIKE损失最低且预测平滑；而在小时级高频数据下，深度学习模型预测优于GARCH，且与HAR性能相当。随着预测期延长，深度学习模型逐步缩小与GARCH的差距，显示其在捕捉复杂波动特征上的潜力。整体来看，HAR依然是铜期货日频波动率预测中最稳健的模型表现。[page::0][page::8][page::9][page::10][page::11][page::12]
本文利用GARCH-MIDAS和DCC-MIDAS模型研究不同低频宏观经济变量对COMEX铜期货高频收益波动率及其与标普500指数的长期相关性的影响。研究发现生产者价格指数(PPI)是影响铜期货收益波动率的最有效宏观指标，且将PPI引入DCC-MIDAS模型提升了铜期货与标普500指数相关性的拟合效果，反映了铜期货价格波动与资本市场的同步特征及其宏观经济驱动机制 [page::0][page::5][page::12]。
本文提出LSR-IGRU模型，通过利用股票二级行业信息构建长期关系矩阵，结合隔夜价格建立短期关系矩阵，改进GRU输入，融合时序与关系信息，以提升股票趋势预测准确性。实验证明该模型在中美股市四大数据集上优于现有主流模型，且在真实金融公司算法交易平台中实现了显著的累计收益提升，展示了其良好的泛化能力和应用价值[page::0][page::1][page::2][page::4][page::6]。
本报告提出了StockTime，一种专门针对股票价格时间序列数据设计的大型语言模型（LLM）架构。该方法通过将股票价格分段为patches，提取股票相关性、统计趋势及时间戳等文本信息，并与时间序列嵌入空间融合，实现了基于LLM的自回归预测。实验证明，StockTime在多个多频率真实股票数据集上，相较于现有FinLLM和通用LLM，拥有更优的预测准确率和效率表现，体现了直接利用股票价格数据进行多模态融合的优势 [page::0][page::1][page::2][page::4][page::5][page::6].
本文提出了一种基于无套利理论的数据驱动组合模型，解决期权价格预测中的跨市场域适应问题。通过引入隐含波动率估计构建公共表示空间，实现不同资产之间的价差桥接。结合印度国家证券交易所的NIFTY 50和NIFTY银行指数实证，验证了域移位模型在COVID-19异常期间的显著精度提升，并提出基于域移位商的集成模型进一步优化预测性能 [page::0][page::1][page::9][page::10][page::16][page::17][page::22]
本报告围绕2022年俄乌冲突引发的俄罗斯天然气进口骤停风险，重点分析奥地利天然气供应骤减的经济冲击及短期缓解策略。通过构建两种欧盟协调与非协调情景，结合替代进口、储气管理、燃料替代和节能措施量化气源冲击。利用动态非平衡投入产出模型，模拟工业部门遭遇天然气短缺后的直接和间接经济影响，展现协调合作下经济损失显著低于非协调情景，且产业产出对气源减量高度敏感。研究强调短期内保障替代气源与储气管理、燃料替代为关键政策杠杆，并指出轻微气源恢复即可带来显著经济回暖效应，为能源安全与经济稳定提供决策支持 [page::0][page::1][page::3][page::7][page::9][page::13]
本报告系统评估了远程感知地球观测（EO）数据在经济学中应用的测量误差问题，特别是在非洲6国小农农业生产力上的影响。结果显示，不同EO数据产品之间的降雨和温度测量既存在数量级差异，也存在排序矛盾，表明各数据产品非线性转换关系，研究结论对EO产品选择高度敏感，应谨慎解读并进行稳健性检验 [page::0][page::2][page::16][page::19][page::21]。
本报告介绍了一种名为Mixture of Agents（MoA）的多代理层级检索增强生成（RAG）框架，利用多个定制化小型语言模型协作以提升金融领域问答效率和质量。MoA通过分工不同专长的“代理人”实现信息的精准提取与组合，显著提高了上下文处理能力、回答的准确性和透明度，同时降低了成本和延迟。实验表明，MoA体系在多文档大规模检索情境下，输出质量优于单模型系统，并具备良好的扩展性和企业适用性 [page::0][page::1][page::4][page::7][page::8][page::9]
本报告提出Large Market Model (LMM)，一种用于订单级别金融市场模拟的生成式基础模型，搭载于MarS引擎中，实现高分辨率、可控且交互式的市场轨迹生成。通过大规模订单及订单批数据训练，LMM表现出良好的扩展性。MarS支持市场预测、风险检测、市场影响分析及强化学习智能体训练，展现出改变金融行业多任务范式的潜力。关键实验证实模拟市场轨迹高度真实且符合多项市场统计特征，同时支持用户实时注入订单影响市场行为，[page::0][page::1][page::4][page::5][page::6][page::7][page::8][page::9]
本报告提出基于分段扩散马尔可夫过程（PDifMP）的美式期权定价新方法，通过结合连续动态与离散跳跃过程，更真实刻画资产价格波动及突变。数值模拟表明，该方法较传统Black-Scholes模型和长斯塔夫-施瓦茨算法更能准确反映市场行为，且计算效率更优，为美式期权定价提供了理论和实用价值。本方法灵活调整跳跃率函数，引入跳跃时间作为潜在行权点，简化计算流程，提升定价精度和效率 [page::0][page::1][page::5][page::10][page::19][page::21][page::33]
本文提出了分数随机正规模型（FSRM）来扩展Black-Scholes模型，通过随机Hurst指数的分数Ornstein-Uhlenbeck (fOU)过程，揭示价格的多重分形特性及其对价格未来走势的预测能力。理论上推导了fOU过程的闭式自相关函数，并基于信息论量化了正则化过程的序列信息，实现了趋势持久性和均值回复的概率预测。此外，通过实证分析验证该模型在股票市场中存在统计套利机会，而外汇及加密货币市场效率较高，预测力较弱[page::0][page::1][page::2][page::3][page::7][page::13][page::15][page::21][page::24].
本报告提出了一种基于停止时间迭代的深度原始-对偶BSDE框架，通过神经网络子网参数化续期价值及其空间梯度，设计低方差随机梯度的损失函数，实现最优停止问题的高效求解。该方法无需嵌套蒙特卡洛即可精准计算对偶上界，并通过多维美式期权定价实验验证了其在高维情形下的可扩展性和精确性 [page::0][page::1][page::3][page::4][page::5][page::6][page::7][page::10][page::15]
本报告基于2015-2023年S&P500与NASDAQ100欧式看涨期权数据，比较Black-Scholes模型与多种机器学习模型（MLP、XGBoost、TDNN、RNN及基于Kolmogorov-Arnold定理的KAN）在期权定价上的表现。实验表明，Black-Scholes模型因其假设限制表现较弱，所有机器学习模型均显著优于其预测准确度。特别地，融合自注意力机制的LSTM-GRU混合RNN模型表现最佳，显著提高了定价精度与泛化能力。此外，KAN模型也优于TDNN与MLP，展现出其对多变量函数复杂结构的有效刻画能力。多模型的误差表现互补，提示集成策略可能进一步提升定价效果。报告还分析了模型在不同标的、价内价外及时间结构上的表现，为量化期权定价和风险管理提供了重要技术路径 [page::0][page::12][page::18][page::35][page::45][page::63][page::67]
本报告基于任务层面的AI暴露数据，结合美国经济不同行业的生产力、能耗和碳排放数据，构建模型定量估计了AI应用引发的能耗和碳排放变化。研究发现，AI带来的生产力提升可能导致美国整体能源消耗每年增加约28PJ，碳排放增加约897千吨CO$_2$，占整体能源和排放的比例均低于0.1%。不同产业间影响差异显著，且成本节约参数敏感度分析显示即使高采纳场景，增量亦有限。此结果为评估AI技术推进中的环境影响提供权衡视角，强调需平衡生产力收益与能源可持续性目标，且呼吁未来纳入动态效率提升和跨部门差异等因素深化研究 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]
本报告提出了一种基于贝叶斯方法的神经随机微分方程（神经SDE）模型校准框架，通过对神经网络权重的先验设定与似然函数构造，实现联合考虑历史时间序列数据和期权价格数据的联合校准。该方法通过Langevin动力学采样后验分布，获得参数的不确定性量化和稳健的隐含波动率界，显著提升了模型对市场数据的适应性和稳健性，且在模拟和实证数据中均表现出优异效果[page::0][page::5][page::6][page::12][page::18][page::19].
本文提出了一种基于$K$最近邻（K-NN）重采样的限价委托簿(LOB)模拟方法，具备理论收敛性，无需优化且易于实现。通过对大宗历史LOB数据的应用，验证了算法能准确再现真实市场动态及交易策略的市场冲击效应。与深度学习生成模型相比，K-NN方法在关键统计指标上表现优异，并能评估和校准以限价单和市价单为基础的交易策略，尤其适用于带有比例配额匹配机制的市场。此外，本文还探讨了算法在高维状态空间的扩展和降维方法 [page::0][page::1][page::2][page::4][page::5][page::8][page::12][page::14][page::16][page::17][page::18][page::19][page::20][page::21][page::22][page::23][page::24][page::25][page::26]
本报告提出基于蒙特卡洛模拟和最小二乘回归的动态规划方法，对中国可转债（CCBs）进行精确定价，充分考虑了包含下调条款、赎回和回售条款的复杂特点。模型通过在多个标的股票价格路径上回溯计算现金流，获得了独特的最优定价系数解。实证应用表明，采用该模型计算的价格能较好拟合市场价格，RMSE显著优于先前研究。基于模型价格构建的低估策略在2023年上半年回测显示，收益率和Sharpe比率显著优于传统双低策略，体现了该定价模型的实用价值和预测能力 [page::0][page::9][page::13][page::14]。
