本报告基于公募基金披露的2025年四季报，统计并分析了公募主动权益基金的规模、仓位、板块与个股持仓变化；结论显示：2025年公募主动权益整体实现显著超额收益，规模与持股市值有所回落；板块上显著加仓有色金属与非银金融，减仓传媒与电子；中际旭创成为第一大重仓股（由股价上涨导致，非主动加仓）并列出主动加仓与减仓的个股名单，为理解季末基金风格切换与经理行为提供依据 [page::0][page::5][page::8]
本论文提出一种基于链式思考（CoT）的多智能体（MAS）复制交易防护框架，通过对币种评估、钱包选择与时点判断三类代理协同推理来识别“聪明钱”并抵抗操纵机器人。基于来自6000个 meme coin 的历史链上与评论数据，作者设计了多种机器人检测算法（bundle、sniper、bump、comment），并将检测结果与统计特征、K线图与文本信号共同输入 MAS。实证显示，所识别的 smart‑money 平均回报约 14%，在考虑市场摩擦下估算的复制者每笔交易平均回报约 3%，且 MAS（带 few‑shot CoT）在预测精度与经济性上均优于零样本 MAS 与大多数统计驱动基线 [page::0][page::6][page::7].
本文建立并应用了基于L^{p}-粘性解理论的框架，证明在可测系数且（局部）一致椭圆扩散下，HJB方程存在唯一的L^{p}-粘性解且属于W^{2,p}_{loc}，由此得到强解并给出验证定理以构造最优反馈控制，最后将理论用于含可测（甚至不连续）系数的最优广告投放问题的完全求解与策略表征 [page::1][page::3][page::9].
本周行业周报判断：人形机器人与航空航天双轮驱动将显著放大旋转变压器（旋变）需求，人形机器人旋变市场预计2030年约61.5亿元、2035年达471.0亿元，2026-2035年CAGR约85.9% [page::4]；传统汽车与工业机械领域也维持稳健增长，2024-2031年传统旋变市场CAGR约15.3% [page::5]。国产化趋势明显，赢双等国内厂商在车规级与出货量方面已实现快速扩张并参与国标制定，构成国产替代和出海双轮驱动格局 [page::6][page::9]。
本周报告评估了ETF超常规净流出带来的被动资金压力并判断流出风险总体可控，周度宽基ETF净流出约3961.85亿元，国家队/汇金系对部分指数已进行明显减仓但仍有接力空间 [page::6]. 报告结论认为A股在资金降温与结构性机会并存格局下有望延续震荡上行，重点关注科技主题与周期复苏两大方向，同时警惕高位波动放大与海外地缘风险 [page::7].
本文提出并分析一种含有“确定时点随机跳跃（stochastic discontinuities）”的短期利率模型，采用PDE方法给出欧式利率衍生品的定价方程，并在一般条件下证明了解的存在性、唯一性与Feynman–Kac表述；在仿射情形推出零息债券的指数仿射闭式解，并在Vasicek+高斯跳跃情形得到期权闭式价差，同时提出半解析（基于Green函数）与有限差分两种数值方法并通过Vasicek数值实验验证其精度与效率 [page::0][page::2][page::12][page::17].
本文将恒定乘积自动做市商（CPMM）中的流动性代币视为标的资产价格路径依赖的永续衍生品，建立了基于风险中性定价的闭式估值与对冲（包括Delta/Gamma/Vega 等 Greeks）并证明在实证 Uniswap 数据中存在以市场定价 2√P 为基础的套利机会，进而提出通过“隐含波动率”标定得到的无套利重定价与两类可变定价 AMM 设计建议以消除此类套利 [page::0][page::6][page::22].
本研究利用UMG自TikTok下架（2024年2月）和2025年美国TikTok中断两次准自然实验，发现移除TikTok准入会使付费流媒体（Spotify）总体播放量在撤出窗口下降约3%，且损失主要集中在预先在TikTok高度暴露的“病毒头部”歌曲（顶10%）[page::0][page::3][page::4]
本文系统评估了欧央行现行“数字欧元”设计，指出其核心问题：在线体系将产生央行级别的交易集中与伪匿名化监控，削弱隐私；离线方案因难以防止持有者物理篡改而无法避免双花风险；责任划分、经济激励与商户接入成本模糊且高昂；设计过程缺乏充分开放与替代方案讨论。基于这些发现，作者建议放弃不切实际的离线承诺、以开放标准与隐私优先的在线方案为主并改为自愿接受路径 [page::0][page::1][page::8].
本论文提出 BASTION：一种基于贝叶斯的自适应趋势与多重季节性分解框架，结合惩罚化非参数回归与全局-局部（horseshoe）收缩先验以在存在突变、异常值和时变波动时实现稳健且局部自适应的趋势/季节性估计；此外，给出分解可辨识性的严格条件并通过模拟与实证（航空客流、纽约电力负荷）验证 BASTION 在估计精度与置信区间校准上的优势，且实现可线性扩展的 Gibbs 采样算法并以 R 包形式开源 [page::0][page::2][page::4][page::6][page::8]
本文提出一个基于宏观条件的生成器与贝叶斯对抗博弈相结合的稳健交易框架：用宏观条件化GAN生成具有时间、跨品种与宏观相关性的合成市场数据，并在二维零和贝叶斯马尔可夫博弈中通过对抗宏观扰动训练交易策略；交易端以Quantile Belief Network维护市场隐态分布并通过Bayesian NFSP求解Robust Perfect Bayesian Equilibrium，实证在9只ETF上显著提升年化收益并降低回撤，且在COVID极端事件中表现更稳健 [page::0][page::6]
本文提出一个将回购执行与对冲联合优化的深度学习框架：用神经网络分别参数化每日回购量与平仓概率，并以凸风险测度（OCE / expected shortfall 或 mean-variance）作为损失函数进行端到端训练，从而在考虑交易限额、greenshoe 与可执行对冲能力的约束下显著提升回购计划的实际表现与可给出的折扣（indifference discount）[page::0][page::6][page::17][page::20].
本论文提出了Compound BSDE，一种基于深度学习的“全向前”数值方法，将多阶段期权和离散早行权问题统一为耦合的复合BSDE，并给出收敛性证明与后验误差估计，数值实验（含高维Bermudan期权）验证了该方法在价格与对冲估计上的准确性与可扩展性 [page::0][page::3][page::8][page::12]
本文证明了在多期（或条件）情形下，用资产的二阶原点矩阵（second-moment matrix）替代协方差矩阵，得到的“Sherman-Morrison-Markowitz”组合与经典 Markowitz 方向相同，仅以可解析的标量因子下调，该因子由 Sherman–Morrison 公式给出；在含有期望约束或有限基底空间时也给出解析解，并阐明 Hansen 比率（均值除以二阶矩根）在多期问题下的自然性及其聚合性质 [page::0][page::16]
本文提出 MarketGAN：将可观测因子模型作为经济先验、并用条件GAN（WGAN‑GP）与TCN骨干网生成时间变系数与残差，以联合生成N维资产超额收益，保留跨资产相关性与尾部共动，从而在分布拟合和基于合成样本的协方差估计上优于传统因子引导的bootstrap方法，并在因子信息至少弱可用时为均值-方差组合带来显著经济价值 [page::9][page::25][page::33]
本文通过720次受控实验并提出Behavioral Kalman Filter（BKF）框架，量化LLM在面对微观与宏观异质信号时的期望更新机制，发现：对先验与信号的加权偏离理性、微观信号权重大于宏观信号、并存信号间存在显著的负交互（认知折扣效应），且Household与CEO人格在权重分配上存在系统性差异；LoRA微调能减弱但无法完全消除这些偏差 [page::0][page::4][page::5]。
本文推导了局部-随机波动率模型中含复合Poisson跳跃情形下VIX与欧式期权的短到期渐近主项，给出OTM与ATM两种情形的闭式领先阶近似并说明OTM由跳跃主导为O(T)、ATM由扩散主导为O(√T)；将理论结果应用到Eraker、Kou型与折合正态三类跳跃模型并通过蒙特卡洛验证其准确性 [page::6][page::8][page::16]
本文提出了一种将闭市拍卖显式纳入决策的深度Q-learning 市场做市框架：在连续交易阶段持续预测假想清算价并在拍卖阶段提交线性供给曲线以最小化后悔并提升 PnL，实证/仿真（rough-Heston 与 S&P500 历史数据）均显示 NFQ 策略在平均收益上优于 Avellaneda–Stoikov 与 TWAP 基准，证明了预期闭市拍卖对做市收益的重要贡献 [page::19].
本文提出一种“前几何”关系性网络框架，认为价格、供给与需求为投影产生的观测量，并在单尺度对数斜率假设下推导出累积流动性应服从积分伽马（integrated-gamma）形式；该结构在美国多只高频 Level II 数据与最小模拟中获得稳健验证，且相对对数正态与截断幂律具有信息论优势 [page::6].
本文提出一种基于无遗憾（no-regret）在线学习的组合配置框架，结合市场情绪过滤与LLM驱动的伪对冲/动态聚类，在季度低频再平衡下能显著提升风险调整后收益：相较于SPY基准，实证中年化收益与Sharpe比率均大幅提升，同时显著降低最大回撤与波动率 [page::0][page::1][page::6].
