本报告提出结合分位回归与分段线性嵌入的新方法P-QVAR，构建加密货币市场的因果网络，重点捕捉尾部事件的非线性因果关系。通过对260种加密货币1年小时级收益率的实证分析，发现市场尾部的因果链接占主导，且比传统线性VAR模型识别出更多复杂的因果影响，揭示了主要的自因果结构及比特币作为关键影响因子的独特作用，为金融市场非均值响应因果分析提供了创新框架[page::0][page::1][page::8][page::12][page::13]。
本报告构建了一种双层优化模型，分析带有收入差异的家庭在不同补贴政策作用下对屋顶太阳能与社区太阳能的采用时机和产品选择。研究发现，社区太阳能满足低收入家庭需求，有助于降低整体补贴成本，加速太阳能普及；采用水平目标、时间目标与补贴预算三者须协同设置，且收入不平等影响采用进程，但社区太阳能的引入可缓解此影响 [page::0][page::1][page::8][page::12].
本报告针对金融深度强化学习中的卷积神经网络（CNN）模型，提出输入归一化和梯度递减结构两项关键改进。通过在FinRL-Meta环境中结合PPO算法验证，新架构显著提高了模型的预测准确性和鲁棒性，实现了比多层感知机和原始CNN更高的累积收益，显示出对复杂金融数据模式更强的捕获能力，为金融量化交易决策提供了有效新范式 [page::0][page::3][page::5][page::7]。
本文基于双代理深度强化学习(Double Deep Q-Learning)研究了在Almgren-Chriss市场冲击框架中，两自治代理在大宗资产最优执行博弈中的策略演化。结果显示，智能体学习策略显著偏离理论纳什均衡，转而趋近于Pareto最优解，表现出隐性默契合谋现象。不同波动率环境下，该行为均存在且具有较强鲁棒性，即便训练与测试波动率不匹配亦然。该发现揭示了强化学习代理间在市场交互中的自然合谋风险，对市场稳定及监管具有重要启示。[page::0][page::1][page::11][page::12][page::15][page::19]
本报告基于股票收益率的相关性网络分析，探讨网络各类中心性指标及整体结构演化与市场收益的关系。研究发现，网络的局部与全局属性均与未来个股及整体市场收益显著相关。在结合网络特征后，个股收益预测的R2得分在长期实现50%提升，短期提升3%，表明网络特征有效捕捉金融市场复杂交互信息，提升预测能力。[page::0][page::1][page::6][page::18]
本报告提出基于有限数据输入的多智能体深度学习模型（Model A），针对美国标普500指数期货市场日内交易决策，能够精选做多、做空或空仓操作，实现风险暴露仅为被动投资41.95%的情况下，年化收益率14.92%，显著优于被动投资及传统机器学习模型。研究结果表明，动态深度神经网络利用有限标准交易数据和强化学习，在短期股票指数预测领域展现出较高准确率、较低波动和更优风险调整收益，具有实际应用潜力 [page::0][page::3][page::5][page::6][page::8].
本报告提出融合$\delta$-Slack-Based Model（$\delta$-SBM）与Ordinal Priority Approach（OPA）的混合模型，针对数据不确定性与政策偏好的影响，创新性地评估区域碳排放效率。应用于2021年中国30省工业碳排放效率（ICEE）分析，揭示经济、环境与技术三类政策优先情景下效率差异，通过K-means聚类识别技术驱动、发展平衡和转型潜力三类省份。结果显示技术优先政策普遍提升效率水平，并为各省提供个性化低碳发展路径与政策建议，有助促进中国工业稳步实现“双碳”目标。[page::0][page::1][page::3][page::12][page::15][page::19][page::23]
本文研究了在偏好异质性条件下，推荐系统如何通过“点赞”等粗糙信号影响消费者需求和福利。模型区分了推荐的客观与主观内容，揭示了基于贝叶斯推断的接收者行为，以及平台在价值最大化与需求最大化之间的设计权衡。结果表明，在对称群体中，极端阈值实现推荐的客观性，而在非对称群体中，存在内点阈值以有效传递主观信息。此外，附加推荐层级和多信号并未系统提升系统价值。该研究深化了对数字经济中推荐系统设计及其经济效应的理解，为平台和消费者间的利益冲突提供了理论依据 [page::0][page::1][page::2][page::4][page::5][page::7][page::10][page::12][page::14][page::17][page::20][page::23][page::24].
本报告围绕短期Caplet市场定价问题，基于一因子Cheyette模型，评估多种局部波动率与随机波动率形式的标定效果。通过通用模拟定价框架及参数化微分机器学习方法，发现带有关联Lognormal随机波动率（QDLNSV）与分段线性局部波动率的模型能更好拟合1年期不同行权价的Caplet微笑，实现精准高效的市场数据重现 [page::0][page::4][page::8][page::16][page::22]
本报告通过质化访谈、调查及计量经济学方法，深入分析了开放标注数据集（尤其是CIFAR-10）在深度学习技术和科学发展中的关键作用。研究发现，CIFAR-10作为一个虽小但适中复杂度且标注精良的数据集，搭建了从小规模数据到大型复杂数据的桥梁，有效促进了卷积神经网络模型的测试、迭代和教学，并在专利及学术引用中展现了显著的影响力，为深度学习兴起奠定基础 [page::0][page::2][page::19][page::21][page::24][page::29].
本文提出了Large Investment Model (LIM)框架，融合端到端学习与通用建模理念，构建一个能够从跨交易所、多资产、多频率多模态数据中自学习全局信号模式的上游基础模型，并将其迁移至下游策略模型以优化特定任务表现。LIM架构设计兼顾计算与数据基础设施，支持自动化策略生成，并通过期货与股票市场间的跨品种预测实验验证了其优越性，指出其在降低量化研究成本、提升策略效率方面的潜力及未来扩展方向 [page::0][page::2][page::6][page::7][page::12][page::15].
本报告基于高频交易数据，构建包含多种流动性指标的机器学习分类模型，预测股票一分钟内价格涨跌方向。研究发现，使用全部流动性指标组合能显著提升预测准确率，随机森林模型表现最佳，流动比率、资金流比率及换手率为关键特征，反映流动性对市场动态的深刻影响，为流动性风险管理与金融网络分析提供了实证支持 [page::0][page::3][page::4]。
本报告提出了一种基于因果启发的金融时间序列预测框架，通过结合最先进的因果发现算法与非因果特征选择方法，解决了金融市场分布变化带来的预测稳定性和准确性问题。实证结果显示，因果驱动模型在危机时期显著优于传统预测方法，尤其是在全球金融危机和COVID-19等动荡市场环境中，表现出更低的预测误差和更稳定的特征选择，验证了因果特征选择在提升投资组合经济价值上的有效性 [page::0][page::1][page::10][page::11][page::13][page::14][page::15]。
本文研究基于Lambda-Value-at-Risk(ΛVaR)的最优保险设计问题。结果证实，在期望值保费原则下，截断自留额型（stop-loss）的赔付形式仍是ΛVaR模型下的最优解，并给出截留额的闭式表达式。采用Λ' VaR作为保费原则时，最优方案为完全保险或无保险。若Λ' VaR仅用于确定风险加载系数，则双重stop-loss形式最优。论文还系统考察了模型不确定性情形，针对概率测度的不确定性集合，分别基于似然比和损失的前两矩，推导出对应最优策略及截留额闭式解。研究拓展了VaR方法，进一步提供了ΛVaR在保险定价及风险转移中的实用理论框架。[page::0][page::1][page::4][page::5][page::18]
本报告构建了包含规划与侦察阶段的匹配硬币博弈模型，揭示了玩家在行动准备过程中如何基于部分信息调整计划，并证明信息质量直接影响胜率和冲突概率。扩展模型考察了主动权和诱饵的作用，说明主动发起者优势显著且诱饵能削弱对方信息优势，为理解现实冲突中的战略互动提供新视角 [page::0][page::4][page::5][page::8][page::10]
本报告采用新颖的$R^{2}$分解连接性方法，揭示了农业、原油、碳排放许可和气候变化期货市场间的即时与滞后风险溢出效应。研究发现总连接指数以同时效应主导，玉米、大豆粉和小麦为主要净风险传导者，而大麦、可可和瘦肉型猪为主要风险接收者。气候变化市场显著影响其他市场，且俄乌战争事件显著提升了市场溢出水平，为投资者和政策制定者提供了风险管理及策略制定的实证依据 [page::0][page::6][page::7][page::13]
本报告针对带有不确定性的递归动态规划气候经济模型，提出结合深度神经网络的最小二乘蒙特卡洛方法，应用于包含五大主要不确定性的随机DICE模型，显著提升了高维随机控制问题的求解效率。通过综合数值实验与不确定性量化，展示了模型在多元不确定冲击下的优化策略推导能力及决策稳健性分析方法，为气候政策制定及风险评估提供创新工具[page::0][page::3][page::16][page::19][page::23]。
本报告提出了一种包含主要交易者与大量次要交易者的均场清算博弈模型，分析了周期性交易行为的成因与影响。模型建立了主次交易者间的策略互动，证明了存在唯一的开环纳什均衡，并给出了有限玩家博弈与均场博弈解的近似关系。研究发现，次要交易者在周期及趋势两方面存在抢跑行为，压缩了主要交易者的盈利与周期交易强度，同时整体降低了市场的交易量和价格的周期性波动，提升市场稳定性，深化对周期性市场微观机制的理解 [page::0][page::1][page::2][page::4][page::18][page::20][page::21][page::25][page::26][page::32][page::57]。
本报告提出基于GraphRAG的多变量序列到序列时间序列分析方法，融合知识图谱中公司的竞争与合作关系，显著提升风险投资领域初创企业成功预测的准确性和鲁棒性。通过构建掩码矩阵正则化模型，有效应对稀疏数据问题，实现超过16%的R-squared提升，验证了方法在复杂多维关系网络中的优越性能和稳定性 [page::0][page::1][page::3][page::6][page::7].
本报告研究环境转型背景下，未来情景不确定及概率模糊情况下经济主体的最优停止时机与资产剥离决策。基于Klibanoff等（2005）的平滑模糊决策模型，构建带有学习的模糊厌恶环境下的最优停止问题理论框架，证明可将该非标准问题转化为一系列标准最优停止问题，便于用动态规划求解。通过股票含糊漂移和煤电厂剥离两个应用案例，演示理论实用性及数值求解方法。研究揭示模糊厌恶导致对悲观情景赋予更高权重，影响投资价值和闭厂决策时机，为气候金融中的资产评估和风险管理提供新视角 [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]
