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]。
本文提出了一种基于大型语言模型(LLMs)和多智能体架构的量化投资框架，通过多模态数据挖掘多样化alpha因子，并采用多智能体动态评估市场状态，实现策略加权优化，从而显著提升中国股票市场上的策略表现和稳定性。实验证明该方法在信息系数、收益率等多维度指标上均优于现有最先进模型，展现了人工智能赋能量化交易的新前景 [page::0][page::1][page::3][page::4][page::6][page::7][page::8]
本报告通过控制实验，研究了奖励机制与同伴反馈信息对个体收集风险规避性证据行为的影响。结果表明，竞争性与非竞争性奖励条件下，个体的证据收集行为随同伴策略和绩效反馈信息的有无及类型而显著不同：无同伴信息时竞争奖励促使更多证据收集，而有同伴信息时则促使更少证据收集。此外，只有同时反馈同伴策略和绩效时，竞争奖励才显著减少证据收集。该研究揭示了激励结构与社交信息交互作用对风险行为的复杂影响，对企业与组织设计激励及反馈机制具有重要参考价值 [page::0][page::2][page::5][page::19][page::22][page::35][page::36]
本报告通过实验研究三人顺序投资竞赛，检验子博弈完美纳什均衡（SPNE）预测的总体投资随阶段增加而上升和先行者优势两大命题。结果显示，总体投资反而随着更多顺序阶段的加入而减少，且先行者优势未被广泛支持。主要原因是先行者未表现出预期的抢先投资行为，后行者则积极回应甚至报复，导致整体投资下降，反映了参与者的“获胜快乐”偏好与互惠行为的影响 [page::0][page::1][page::5][page::6][page::7][page::8][page::12]。
本文构建了一个分析消费者只能选择私人市场或政府设计的实物再分配项目的机制设计模型，刻画了社会计划者在存在私人市场的约束下实现严格优于自由放任的再分配机制。结果显示，最佳机制包含公共选项、非线性补贴以及自由放任消费，且私人市场访问权既限制了再分配范围，也加强了非市场配置的合理性。本文还揭示了再分配扭曲与消费者需求与福利权重的相关性之间的关系，为实物再分配政策设计提供理论依据 [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]
本报告提出了一种基于固定点迭代算法的简单实现方法，解决线性可转移效用的一对一匹配模型。证明了当选择概率的自弹性有上界时，算法构成压缩映射，确保唯一均衡工资分布的存在性及迭代收敛性。以劳动市场匹配为例，涵盖了极值型随机效用（EV1）分布及其嵌套变体的适用条件，扩展了匹配模型的求解与应用范围 [page::0][page::3][page::4][page::5][page::7][page::9].
本文研究了不具备格结构的随机变量空间上的风险度量，针对不完全市场中可获得的非固性集合，建立了风险度量的对偶表示与扩展理论。通过引入$K$-等连续Fatou性质及提升（lift）概念，实现了风险度量从非固性子空间向固性超空间的非平凡扩展，弥补了传统风险度量理论的盲点，理论结果适用于标的为有限鞅的半鞅市场模型 [page::0][page::4][page::7][page::12][page::17][page::18]。
本报告提出了一种基于REINFORCE的公式化Alpha因子挖掘新算法QuantFactor REINFORCE（QFR），通过丢弃PPO中的critic网络并引入贪婪基线，有效减少了策略梯度估计的方差，同时引入基于信息比率（IR）的奖励塑形机制，鼓励生成稳健的Alpha因子。实验覆盖中美多市场资产数据，结果表明QFR在增强与资产收益的相关性（提升3.83%）及超额收益能力方面优于现有方法，且训练收敛更快，符合理论分析预期 [page::0][page::1][page::5][page::10][page::14]。
本报告研究了去中心化点对点风险共担市场中基于鲁棒失真风险度量的Pareto最优风险分配，提出了最优分配的明确刻画，并通过概率风险厌恶指数量化尾部风险态度。结合美国洪水风险保险市场的实证数据，比较了中心化与去中心化保险结构下的Pareto最优配置，发现去中心化市场可避免垄断定价带来的福利损失但平均福利增益略低于中心化市场 [page::0][page::3][page::9][page::27][page::29]。
本报告提出了一种基于修正的Ornstein-Uhlenbeck跳跃过程的温度衍生品定价模型，结合印度12个州1951-2023年历史数据进行校准。模型融入风险厌恶参数，通过蒙特卡洛模拟计算取暖度日(HDD)、制冷度日(CDD)及极端天气期权价格。结果显示不同州份的期权价格差异显著，反映地区气候差异，制定了针对各州气候风险的具体对冲策略。敏感性分析突出波动率对价格影响的重要性，为能源和农业行业提供实用的温度风险管理工具。[page::0][page::1][page::6][page::8][page::9]
本报告基于非套利定价理论视角，系统研究去中心化借贷协议中的贷款合约，将其视为含有清算机制的美式带障碍期权。研究揭示无利差时不应进入合约，而引入利率差异和交易成本后，提出基于深度神经网络的对冲策略，有效复制合约收益并降低风险。通过历史数据与蒙特卡洛模拟验证方法的有效性，体现了市场非均衡状态下套利及风险对冲的可行路径 [page::0][page::4][page::6][page::7][page::8].
