本研究提出将监督自编码器（SAE）结合分数阶差分特征和三重障碍标签法应用于加密货币交易策略，通过添加基于历史波动率的噪声增强训练数据，采用步进式验证评估性能。结果显示，适度的噪声增强与合适的编码瓶颈大小显著提升策略的风险调整收益指标（如信息比率IR和星标信息比率IR*），并在比特币、以太坊和莱特币等资产的多时间周期策略中表现优异，相较传统买入持有策略具有更佳的风险控制能力和风险调整回报，[page::0][page::4][page::5][page::6]。此外，量化组合策略也显示出超越被动组合的表现，为机器学习在资产管理领域的应用提供了有力支持。
本报告提出了结合FinBERT情感分析与双向长短期记忆网络（Bi-LSTM）的混合模型FinBERT-Bi-LSTM，用于捕捉加密货币（比特币和以太坊）市场中价格的高度波动性。实验证明，该模型在短期（日内及次日预测）及长期（30天预测）方面均显著优于传统LSTM和Bi-LSTM模型，情感融合提升预测准确率至98%以上，并在交易模拟中表现出良好的盈利能力，展示了市场情绪在价格预测中的关键作用，为投资者提供了实用的决策支持工具[page::0][page::4][page::40][page::41]
本报告全面系统地综述了金融领域人工智能的最新进展，涵盖预测模型、决策框架及知识增强系统三大核心方向。报告重点分析了基础模型、多关系图神经网络及层级投资组合优化方法，揭示模型复杂度与实用性能间的权衡，特别指出高频交易应用中的挑战与机遇，最后提出了未来理论与工业落地亟待解决的关键问题 [page::0][page::1][page::11][page::15]
本报告系统性回顾强化学习（RL）在金融领域中的应用，涵盖市场做市、投资组合管理和最优执行等关键任务。通过元分析评估RL相较传统方法的绩效提升，并深入探讨数据特征、MDP设计、训练时长及算法选择对模型表现的影响。此外，报告指出金融数据的非平稳性、重尾分布以及RL模型的解释性和鲁棒性等挑战，最后提出如多智能体RL、基于模型RL及离线RL等未来研究方向，为金融RL领域发展提供权威指导[page::0][page::1][page::11][page::16][page::19]
本报告利用德国足球联赛2016/17至2023/24赛季的数据，以COVID-19期间球迷禁入为自然实验，首次长周期分析观众缺席对主场优势（HA）的影响。结果显示，2019/20赛季末观众禁令导致主场优势消失，主要由于主队进球显著减少。2020/21赛季主场优势恢复至疫情前水平，反映球队适应了无观众环境。2021/22赛季观众数量波动，HA与观众人数呈U型关系，中等观众出席率时HA显著增强，因主客队跑动距离差异扩大。此后赛季HA稳定恢复至疫情前水平 [page::0][page::2][page::6][page::10][page::20]。
本报告基于2007-2021年欧盟制造业公司数据，系统分析企业并购对市场权力（加价率）及企业表现的因果影响。发现垂直整合并购显著降低加价率0.7%，提高销售额2.9%，且效果随时间递增，印证通过消除供应链中的双重利润边际促进效率和市场扩张的机制。水平整合并购对加价率无显著影响，反映欧盟竞争政策的有效监管。研究还揭示控股企业已整合子公司数量越多，目标企业加价率下降幅度越大，表明整合供应链范围扩大增强效率利好。研究结果为理解全球市场势力上升提供了重要微观视角 [page::0][page::2][page::3][page::4][page::19][page::21][page::27]
本报告提出基于鞅停止时间定理的Uniswap V3流动性提供仓位风险中性定价模型，创新地将此仓位看作无期限衍生品并导出闭式定价公式。通过蒙特卡洛模拟验证模型精度，深入分析Greeks敏感度及隐含波动率，并探讨与LVR等现有模型的比较，证明模型在评估流动性风险和指导对冲策略上的实用价值和学术贡献。此外，模型具备扩展性，可应用于其他自动做市商及未来Uniswap V4的动态手续费机制 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]。
本报告提出基于Mirror Descent算法的确定性与随机性梯度下降方案，用于计算满足正齐次和次可加性风险度量的风险预算组合。论文通过构造有界“温和”梯度，解决了目标函数梯度在边界发散的问题，证明算法在多种风险度量下（包括波动率、期望短缺风险、偏差度量和变异指标）的收敛性和非渐近收敛率，并在数值实验中验证了其优于现有投影随机梯度法的性能 [page::0][page::1][page::3][page::6][page::10][page::15][page::19][page::24]。
本报告利用1981-2023年NASA POWER卫星数据，比较了传统时序模型与神经网络在天气衍生品温度和降水定价中的表现。神经网络显著降低了温度预测均方误差(MSE)，尤其在多伦多和芝加哥显现出经济意义的期权价值差异。降水方面，采用复合泊松-伽马模型，结合最大似然估计(分别按季节)与卷积神经网络(CNN)实现参数自适应，捕捉季节异质性和非独立同分布依赖结构，且通过伽马和公式实现解析期权定价。神经网络虽使参数估计精度下降，但提高了捕获实际气候模式的能力，提升了定价准确性与模型鲁棒性，具备重要的金融和气象应用价值。[page::0][page::1][page::4][page::11][page::19][page::20]
本文提出了条件默认概率关于共用风险因子单调递增的伯努利混合模型的凸序比较结果，通过对默认积分函数与Copula模型的点对点比较，建立了信用组合损失的风险上下界。这一鲁棒框架涵盖了经典高斯Copula及其尾部依赖的扩展，解决了模型不确定性和尾部风险的显著低估问题，并结合模拟和实际数据验证了方法的有效性，为信贷组合风险测度提供了理论基础和实践指导 [page::0][page::1][page::4][page::12][page::14][page::17]
本文基于包含道德社会政策议题捆绑的政治信息的实验证据，揭示了文化身份分歧如何引发经济政策观点的分裂（即分歧溢出效应）。研究发现，源于社会政策的分歧导致对经济政策推荐的抵触甚至反弹，而文化认同模型优于传统贝叶斯信念更新解释此现象。进一步，政治家等意见领袖存在激化社会与经济政策关联分歧的动力，加剧极化与“相关分歧”的形成 [page::0][page::1][page::4][page::5][page::7][page::36][page::37][page::42]。
本报告研究了将基于大型语言模型（LLM）的情绪分析整合进强化学习（RL）算法的框架中，以提升股票及多资产组合的交易表现。实验分别在苹果公司（AAPL）单股交易和ING企业领袖信托B系列（LEXCX）组合管理中展开。结果表明，情绪增强的RL模型在净值和累计利润方面均优于无情绪输入的RL模型，并且在组合交易中显著超过实际基金的买入持有策略，体现了结合定量与定性信号的策略优势与潜力 [page::0][page::12][page::14][page::19][page::20][page::21]。
本报告提出IVE模型，利用Transformer架构实现分钟级别的高流动性股票日内成交量比率概率预测。模型通过对成交量比率做对数正态变换，结合多重特征及分布头实现均值和标准差的联合预测，提升了传统VWAP策略下的执行精度，并在韩美市场实测中优于基准方法，展现了预测成交量波动和市场突发量能峰值的潜力，为量化交易提供有力工具 [page::0][page::3][page::5][page::6][page::7][page::8]
本报告基于中国“十一五”规划期间强制关停小容量煤电厂政策，利用涵盖2181座煤电厂及县级5岁以下儿童死亡率、高时空分辨率空气污染数据的面板数据，通过IV-Lasso方法选择有效工具变量，估计煤电厂关停及脱硫措施对SO2和PM2.5浓度及儿童死亡率的因果影响。报告发现该政策在2006-2010年期间减少SO2和PM2.5浓度显著，估计共挽救约46000名5岁以下儿童生命，且影响在不同地区存在异质性，经济相对欠发达地区污染对儿童死亡的边际影响更大 [page::0][page::1][page::2][page::3][page::5][page::6][page::12][page::16][page::19][page::29]
本报告研究在Black-Scholes市场中，带有线性价格冲击且受非负约束的无限期最优卖出策略，建立了对应非线性ODE的解析解，首次给出约束最优执行问题的完整解析解及对应最优策略的唯一性和显式示例。此成果在量化交易和执行模型中具有重要意义 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]
本报告基于美国大型器官采购组织数据，研究社会学习对死亡捐赠肺脏分配的影响。发现患者依序接收分配顺序信息后，出现“羊群效应”，导致高序号患者更倾向拒绝肺脏，从而造成器官浪费。通过结构模型估计与反事实实验，揭示“贪婪优先”策略虽加剧社会学习，但提升配对速度与患者效用，而隐藏序号信息能提升分配率却降低接受者效用。结果提示信息透明度与优先政策存在取舍，为优化器官分配提供政策依据 [page::1][page::3][page::5][page::6][page::29][page::35].
本报告融合了债务计价关键因素（如恢复率、信用质量、期限结构及利率反馈）于系统性风险评估框架，显著提升美国金融系统稳定性分析的精准度。通过引入动态债务估值方法及利率与银行信誉的反馈机制，有效揭示了传统模型难以检测的级联破产风险，强调了共同暴露于利率风险下的系统性崩溃可能性，为监管机构及金融机构提供了风险预测和危机防范的新工具 [page::0][page::1][page::3][page::4][page::6][page::7][page::8][page::9][page::10][page::11]
本报告基于英国家庭纵向调查数据，利用创新的双阶段个体合成控制法，首次提供了非正式照护对收入造成的因果影响的稳健估计。研究揭示，高强度照护者月均收入较非照护对照组低约45%，且性别、族裔和年龄存在显著差异，年轻及女性照护者遭受更大经济惩罚，照护导致收入损失持续数年并影响家庭整体经济状况，呼吁政策制定者关注照护者经济负担并优化支持措施 [page::0][page::1][page::3][page::13][page::15][page::24]
本报告深入探讨了无限期望风险下风险共享的非直观影响，揭示了所谓“非分散陷阱”现象，证明广泛的重尾分布族（如超柯西分布）均满足该特性。报告还结合可能为无限大值的致命风险提供直观解释，并指出多个开放问题与猜想，为极端风险的风险共享理论提供了全新视角和方法论支持 [page::0][page::1][page::7][page::11].
本报告提出将深度对冲框架应用于Bermudan swaption，以克服传统套利自由方法在现实市场中存在的假设局限。采用Swap Market Bergomi模型生成无套利市场情景，结合深度神经网络对冲策略及递归训练早期行使决策，构建稳健的对冲模型。引入“期权价差对冲”策略，有效控制残余盈亏的下行风险，提高头寸风险管理水平。数值实验证明该方法在不同置信水平下提高了风险管理的灵活性和稳健性，显著降低了对冲组合的波动性及极端损失概率 [page::0][page::1][page::6][page::8][page::9][page::11][page::12].
