本报告提出基于扩散模型的高效合成金融市场数据生成方法，显著提升合成数据与真实数据在分布匹配性(包括尾部)和协方差矩阵条件数方面的表现，验证了该方法在多段历史股票数据上的有效性及适用性，且通过高精度数值积分替代传统蒙特卡洛方法，实现快速模型训练，具备广泛金融应用潜力 [page::0][page::1][page::6][page::18][page::25]。
本报告提出利用Transformer模型预测协方差与半协方差矩阵，实现ETF组合的动态优化。通过引入半协方差矩阵聚焦下行风险，结合Autoformer、Informer和Reformer等先进模型，我们显著提升了风险管理和收益表现。实证结果显示，基于半协方差优化的组合在波动市场中表现优越，且采用基于下行风险的Sortino比率验证了风险调整收益的提升，为资产管理提供动态且精准的风险评估框架。[page::0][page::2][page::16][page::18][page::20]
本文针对去中心化金融（DeFi）中衍生品交易所的清算问题，建立了遍历最优控制模型，通过线性暂时和永久价格冲击简化，推导出闭式解以获得最优策略，兼顾市场冲击与风险管理。数值模拟验证该策略优于次优方案，且简化模型有效近似真实市场行为。报告还详细给出关键参数的估计方法，为DeFi交易所的信用风险与保险池管理提供理论指导和实践路径 [page::0][page::4][page::5][page::6][page::8][page::16]
本报告提出一种基于资本资产定价模型（CAPM）的新型离散时间多因素模型，结合了规模效应和波动率指数（VIX）正则化，实证数据拟合表明该模型残差更接近独立同分布高斯分布，证明了模型的长期稳定性，并深入探讨了该模型在随机投资组合理论中的资本分布曲线表现，填补了先前研究中的离散时间稳定性和资本分布曲线严格性质的空白 [page::0][page::4][page::6][page::10][page::15][page::17][page::20].
本报告针对基于深度学习的粗糙波动率模型参数-隐含波动率映射，开展详尽的可解释性分析。通过设计并训练前馈神经网络对粗糙Heston模型进行快速校准，结合LIME、DeepLIFT、LRP与SHAP多种局部与全局方法，揭示模型在不同行权价与期限波动率上的敏感特征，发现短期深实值期权隐含波动率对参数预测贡献最大，尤其明显于左翼波动率结构，体现粗糙波动率模型的特性。该研究为深度学习在衍生品定价及风险监控中的应用提供理解及安全保障框架 [page::0][page::1][page::11][page::19]
本论文提出了一个通用无摩擦市场环境下的局部可行性框架，用于衍生品定价与对冲。核心成果包括当资产组合可为负且交易策略受凸锥约束时，美国期权超额对冲的对偶性定理，突破了等价局部鞅测度不存在的限制，有效解决了现有文献在存在套利机会时美国期权定价与对冲理论的不足，为欧式期权也给出了相应的超额对冲结果，并且理论适用范围涵盖负财富、交易约束及更复杂市场条件 [page::0][page::1][page::4][page::9][page::10][page::22]。
本报告提出基于Alpha360因子的GRU-PFG模型，通过图神经网络深度挖掘股票间相关性，显著提升了CSI300数据集上的预测表现，IC达0.134，优于传统GRU及多源信息模型HIST，显示出该模型在仅依赖股票因子情况下具备强泛化能力和优越的预测准确性[page::0][page::3][page::8][page::9][page::11].
本文基于改进的SIRS模型，创新引入了动态反馈机制，将恢复率设为感染者和易感者数量的函数，成功模拟了观点和思潮流行的自然涨落及周期性波动。模型通过Hopf分岔验证周期轨道的生成，并结合Google Trends数据实证展示了模型对在线搜索行为波动的优越拟合能力，揭示了内生驱动的兴趣饱和与影响热情机制对观点传播的影响机制，为社会认知、市场营销及政治动态提供了理论框架和分析工具 [page::0][page::8][page::10][page::12][page::15].
本文研究在Bregman-Wasserstein (BW) 发散约束下，期望效用最大化投资者选择最优终端财富分配的问题。BW发散通过凸函数生成，具备非对称性，能够区别对待收益的正负偏离，对投资者目标实现更精准。论文构建了在预算和BW距离容忍度限制下的优化框架，证明了最优支付的唯一性和存在性，明确了最优分布函数的显式表达。数值实验基于几何布朗运动市场模型，展示不同BW发散生成函数及阈值设置对最优策略形态的影响，突出其对降低下行风险和控制偏离基准的能力 [page::0][page::1][page::4][page::6][page::7][page::11][page::15][page::17][page::19][page::21][page::22]
本文针对常弹性方差（CEV）期权定价模型的半经典（WKB）近似热核传播子，提出基于Van Vleck-Morette行列式的解析闭式表达。通过解析Hamiltonian系统及其变分方程，揭示了先前文献未考虑的指数因子，提升了CEV模型定价的准确性与计算效率，兼顾Black-Scholes模型的验证与CEV模型期权价格计算 [page::0][page::2][page::8].
本报告提出将预训练GPT-2模型与低秩适配（LoRA）结合，构建决策变换器（Decision Transformer），用于离线强化学习量化交易策略的学习。该方法有效捕捉金融时间序列的复杂时间依赖，缓解过拟合风险，并在多个基准算法和不同专家轨迹下表现出竞争力，特别是在累积收益和夏普比率指标上取得优势，验证了预训练语言模型与参数高效微调在量化交易离线RL中的潜力与优势[page::0][page::1][page::4][page::5][page::6][page::7]。
本报告首次将Kolmogorov-Arnold Networks(KANs)应用于个人信用风险预测，构建了KACDP模型。该模型在预测性能（ROC_AUC及F1值）上优于主流传统和机器学习模型，并通过特征归因分析及模型结构可视化，显著提升了模型解释性与透明度，满足金融行业对信用模型的严格监管要求，为金融机构提供了兼具高性能与高可解释性的创新信贷风险评估工具[page::0][page::1][page::4][page::6][page::8].
本文构建了一个关于有成本信息获取的理性贝叶斯决策模型，揭示不同初始信念下的决策者如何在信息获取成本约束下选择信息处理深度，进而导致即使面对相同证据信念也会极化的现象。模型还说明从不考虑成本的贝叶斯观察者视角看，决策者的最优行为似乎具备信息处理偏差特征，包括驳斥偏差、确认偏差和信息反应不足，但这些都是合理的信息处理成本权衡结果。论文推导了信念极化的充分必要条件，且极化可能性被理论上限制在半数以下，量化了成本、信念和信号信息结构三者间的关系，并为后续实证研究提供理论基础 [page::0][page::2][page::5][page::18][page::23]
本报告提出ETE-FinCa模型，通过整合专家知识和金融因果知识图谱，实现专用工具变量（IV）的自动识别与解读，显著提升分类准确率和F1分数（分别提升11.7%和23.0%），并在实证中验证了基于观点划分的因果关系，推动了金融领域因果推断及其可解释性的进步 [page::0][page::3][page::4][page::5]。
本研究通过将行为预期引入新凯恩斯动态随机一般均衡(DSGE)模型，分析印度疫情后时期的产出缺口和通胀率表现，表明行为预期模型较传统理性预期模型更能捕捉疫情冲击后的经济数据分布特征。采用马氏距离最小化方法校准了疫情引发的负需求冲击和疫苗接种带来的正供给冲击的初值及持续性参数，模型模拟结果与印度实际数据高度吻合，彰显疫苗接种在经济恢复中的关键作用，为宏观经济政策制定提供了更为精准的理论工具和实证依据[page::1][page::3][page::9][page::12][page::13]。
本报告提出了一种基于自编码器的非线性降维方法，生成综合多种实现波动率指标的合成实现测度，并将其嵌入Realised GARCH模型中。在对标的美股、英股、澳股、港股等四大市场的实证分析中，所提模型在滚动单步波动率预测中均优于传统线性方法（PCA、ICA及均值合成），表现出更灵活的参数估计和更优的预测准确性，验证了非线性降维在提升合成实现测度效果中的潜力 [page::0][page::6][page::7][page::23][page::35][page::41]。
本报告针对多资产多行权价的Quanto看涨期权，系统比较了不同随机波动率、随机相关性及随机汇率模型在蒙特卡洛定价中的表现，发现最优组合为GARCH-Jump随机波动率、Weibull随机相关性及Ornstein-Uhlenbeck随机汇率模型。通过对多种离散化方案的测试，Milstein方案在执行效率与定价精度间达成最佳平衡，同时引入了反向变量方差减小技术显著提升模拟精度。报告还推导了相关性的风险参数Cora和Gora，为相关性对冲提供理论基础 [page::0][page::23][page::31]
本报告提出了一种基于Transformer的预训练生成模型MarketGPT，用于建模金融时间序列中的订单流，特别是纳斯达克限价订单簿（LOB）消息。模型能够在离散事件模拟器中，生成高精度、长序列的订单消息，重现多种市场“风格事实”（如订单类型分布、订单大小、间隔时间以及价格收益的厚尾分布和波动聚类等），实现真实的市场微观结构模拟。此外，引入attention sinks机制，允许模型在超长序列中保持高保真度，推动金融市场交互式模拟的实现[page::0][page::1][page::6][page::8][page::11]
本报告研究在无任何对手行为或策略信息的前提下，多臂老虎机（bandit）算法在囚徒困境博弈中是否会自发趋向合谋行为（naive collusion），并通过理论与模拟分析揭示了算法的随机性和对称性如何影响合谋形成。研究表明，确定性算法（如对称UCB）必然趋向合谋，而标准的epsilon-greedy算法则长期竞争，且算法差异导致合谋与竞争的复杂共存态。该成果对监管反垄断政策提出了新的挑战，强调限制基于对手价格的条件定价不足以防止算法合谋 [page::0][page::2][page::5][page::12][page::14][page::17][page::21]。
本报告探讨了使用大型语言模型（如GPT-3.5和BERT）基于美联储褐皮书数据预测股票和债券相关性的有效性。研究发现，褐皮书包含资产相关性信息，但GPT模型存在明显的未来信息泄露偏差，且未能超越传统模型表现。通过投资组合模拟，基于BERT模型生成的相关性信息能提供更优的投资组合表现，尤其是在新冠疫情前后不同市场环境中，显示其更强的泛化能力。此外，加入历史相关性数据未显著提升预测准确率。[page::0][page::1][page::2][page::4][page::5][page::6]
