本报告基于2023年6月至2024年6月Uniswap去中心化交易所的逐笔交易数据，利用多重尺度重整波动分析方法（MFDFA）系统研究了基于自动化做市机制的DEX市场中ETH/USDT与ETH/USDC的价格和成交量波动特征。结果显示，尽管DEX的流动性远低于CEX，且交易机制不同，其价格波动和成交量序列表现出明显多重分形特征，且多重分形谱呈明显左偏，表明大波动主导多重分形性质。成交量的多重分形特征更为显著，且波动率与成交量间存在弱多重分形交叉相关。本文首次定量揭示了去中心化交易所的复杂性，为理解DEX市场成熟度及其与传统中心化市场的异同提供重要理论支持[page::0][page::2][page::4][page::6][page::8][page::9][page::10][page::11][page::12][page::13].
本报告通过分析主观概率分布（SPD）中的四个矩，特别是中位数与偏度的匹配关系，提出了信号强度指标(SSI)，用于区分经济预期中的强弱信号。研究发现，当中位数和偏度方向一致时，表明强烈的上升或下降预期；相反，则为弱信号，反映不确定或混合预期。基于欧洲央行专业预测者调查数据，中国际央行可以利用SSI监测预期锚定情况，并在增长风险框架下验证其预测价值，显示该指标具有实际应用潜力 [page::0][page::1][page::11][page::13][page::21]。
本报告研究了利用循环神经网络（RNN）中的LSTM、GRU和Bi-LSTM模型，结合历史价格数据对比分析，对比不同模型的价格预测效果。结果显示，Bi-LSTM在比特币价格预测中表现最佳，而GRU对于以太坊和莱特币更优。通过训练集和测试集的划分、特征归一化和超参数调优，实现了对三种加密货币的高精度价格预测，为加密资产投资和算法交易提供了有力工具 [page::0][page::1][page::6][page::7][page::8]。
本报告提出了一种新的分层资产配置方法——Hierarchical Minimum Variance（HMV），通过对协方差矩阵的Schur补增强，实现多阶段递归分配与现代组合理论优化的结合。该方法不仅继承了Hierarchical Risk Parity（HRP）的分层优势，还解决了HRP丢失协方差信息导致对称性和优化不足的问题，实现了更低的投资组合方差和更优的风险分散效果。实验结果表明，在低信息质量环境下，HMV优于传统优化和HRP方法，提供了实用且经济价值显著的策略改进 [page::0][page::4][page::8].
本报告基于五因素人格模型，系统研究了大语言模型（LLM）人格化模拟在投资决策中的行为表现。通过行为调查与投资模拟两阶段实证，发现LLM人格体在学习风格、冲动决策和风险偏好等方面能高度还原人类行为特征，模拟环境下的表现优于问卷调查，彰显LLM在复杂任务中对人格特质行为泛化能力，但在环境态度领域表现欠佳，提示未来研究空间 [page::0][page::3][page::4][page::5][page::6][page::7]
本报告系统地评估了22种经典统计方法及现代深度学习模型在公司基本面（Company Fundamentals，CF）预测任务中的表现。研究显示深度学习模型在准确性和不确定性估计方面优于传统模型，且其预测质量与人类分析师相当。通过将CF预测应用于因子投资，回测结果证实高质量预测有助于构建优质投资组合，特别是在金融稳定时期表现突出。报告还探讨了专家知识融入和模型可解释性方法，为后续研究和应用提供指南与展望 [page::0][page::1][page::8][page::9][page::10][page::11][page::12][page::15]。
本报告基于印度国家证券交易所30年银行历史股价及新闻数据，利用多变量多步长LSTM、Facebook Prophet结合LightGBM与Optuna及SARIMA模型，从数据预处理、情感识别到多模型比较，分析新闻信息对股价预测的增益，结果显示融合新闻情感的多步LSTM模型表现优异，显著提升预测准确度，为印度股市投资决策提供了有效工具和方法指导 [page::0][page::2][page::4][page::6]。
本报告提出了一种无模型、逐路径的连续时间长多头投资组合配置框架，基于路径依赖的偏微分方程刻画自融资策略。本文扩展了Vovk和Cover算法至连续时间元学习算法，实现多策略财富跟踪，误差上界分别为$O(1)$和$O(\ln t)$，并证明了相对套利在泛域中不存在，提供了明确显式的财富演化解及多样的实例[page::0][page::1][page::6][page::10][page::13][page::16][page::17][page::18][page::19]。
本报告提出结合Malliavin微积分与随机投影梯度方法的全新算法，直接以最小化破产概率为目标，优化静态再保险与投资策略。理论推导中证明目标梯度的Hölder连续性，建立了适用于一般约束优化问题的算法收敛性分析，并通过大规模数值实验验证方法的有效性，表现出多资产投资情况下破产概率显著降低。[page::0][page::1][page::3][page::5][page::10][page::12][page::20]
本文提出一种简单实用的方法，通过构造满足给定线性渐近行为的函数形式与非约束深度神经网络结合，实现对函数及其导数的高效逼近。本方法支持多维推广，具体验证表明，结合渐近行为后能显著提升函数逼近和条件期望回归的准确性与收敛速度，且固定渐近参数优于可训练参数，方法易于实现且在Black-Scholes定价函数的应用中表现优异。[page::0][page::1][page::3][page::9][page::22]
本报告基于对1.36亿篇科研论文的筛选与自动化处理，通过关键词过滤、嵌入向量及BERTopic主题建模，系统分析了算法交易领域的研究趋势、资产类别、时间跨度及模型使用情况。利用ChatGPT等LLM对全文与摘要进行深度分析，揭示了机器学习方法的兴起、神经网络和强化学习的优势以及超参数优化的实际应用效果，验证了先进NLP技术在自动化文献综述中的巨大潜力 [page::0][page::1][page::6][page::9][page::13][page::14][page::18][page::19]。
本文提出将技术经济能源系统模型（ESM）与最先进的集合深度神经网络模型（Ens-DNN）结合用于德国日间电力现货市场的短期电价预测。实证结果显示，混合模型较现有文献基准提升整体预测精度18%，且将ESM中市场清算价（MCP）作为自变量加入任一计量模型均能显著提升预测性能。通过储能收益最大化的案例验证了预测准确性的经济价值，混合模型能带来最高10%的利润增长。研究还比较了多种计量模型的表现，验证了ESM贡献的通用性与鲁棒性，为能源市场参与者提供了高效的电价预测工具 [page::0][page::25][page::27][page::28][page::31][page::34][page::37]
本报告利用先进的自然语言处理技术，对2014年至2024年间印度储备银行(RBI)货币政策沟通进行主题建模和情感分析，发现鸽派情绪整体上导致股市下跌，尤其在利率政策框架和经济增长等主题中表现明显，但鸽派情绪中对外汇储备管理的积极情绪对股市有正面影响，揭示了新兴市场中央银行进行主题化沟通策略的重要性及其对印度金融市场的深远影响 [page::0][page::3][page::5][page::17][page::20][page::26][page::36]
本报告针对高频交易环境中的单资产最优清算策略展开研究，提出基于相互激励的标记霍克斯过程驱动的价格形成模型，结合隐藏马尔可夫流动性状态，构建含部分信息的脉冲控制最优清算问题。通过创新的滤波方程与动态规划方法，报告建立了价值函数的近似序列，设计并验证了近似最优策略，辅以丰富的数值仿真展现模型的实际应用价值 [page::0][page::1][page::5][page::7][page::10][page::18][page::20].
本文针对Bass局部波动率模型的校准难点，提出结合局部二次回归估计和对数正态混合尾部的状态价格密度构建方法，显著提升了模型的鲁棒性与校准精度。基于梯形规则的数值卷积方案在理论最优性及收敛速度上优于传统高斯-埃尔米特求积，实现了更快速准确的迭代收敛。通过Black-Scholes模型和SSVI模型的数值实验及特斯拉市场数据案例，验证了方法的实际适用性和效率优势，尤其在高精度迭代校准中表现突出[page::0][page::5][page::7][page::10][page::12][page::15][page::16].
本文提出了一种灵活定义选民在特定中枢点周围意识形态极化程度的方法，通过美国调查数据验证了该方法的有效性，能判断极化是否发生及极化围绕何处展开，并进一步揭示了意识形态极化与情感极化和分裂议题显著性增加之间的联系，为理解政治极化提供了新的理论框架和实证工具[page::0][page::2][page::4][page::5][page::7]。
本文提出了一种基于参数随机化的波动率曲面拟合新框架，通过将传统参数替换为随机变量，实现了对隐含波动率曲面形态的极大灵活性扩展。该方法保证了无套利并可解析展开，显著提升了对极端市场行情（如短期期权和财报前波动）的拟合能力。基于实证数据，随机SABR参数化和随机标的价格参数化展示了对市场隐含波动率微笑及多峰风险中性密度的优异拟合能力，为短期和事件驱动期权定价提供了新的有效工具[page::0][page::3][page::13][page::16][page::21].
本报告提出基于高频数据的创新分析框架，系统研究银行业股票价格共动与基本面之间的关系。通过4种模型（FEVD及Granger因果检验）识别行业龙头股，发现银行财富管理、同业业务、权益乘数等基本面因素显著影响股票价格互动，揭示了共动的复杂机制，为投资者和监管机构提供风险管理与策略制定参考 [page::1][page::8][page::19][page::25].
本文提出一种基于多元自回归随机波动率模型，利用股票市场波动率指数VIX刻画10年期内期限零息国债的利率主成分（水平、斜率、曲率）及其总收益。论文证明了模型的长期稳定性与大数定律，并通过主成分将债券总收益线性表达，验证了股市波动率对债市波动的适用性，且仅对斜率因子纳入VIX显著改善拟合效果，为国债收益率及其风险溢价的动态分析提供新视角[page::0][page::4][page::15][page::16]。
本报告将招聘过程视为一个语境多臂赌博机问题，强调在人才选择中平衡利用与探索的重要性。通过研究财富500强企业的专业职位招聘数据，发现传统监督学习虽提高招聘成功率但降低少数族裔面试率，而基于UCB的探索型算法显著增加了少数族裔面试比例且保持较高招聘质量，说明探索机制可实现效率与多样性的帕累托改进[page::0][page::2][page::3][page::5][page::23][page::35]。
