本报告研究了基于秩依赖期望效用和累计前景理论框架下的广义短缺风险度量，推导了其在重尾风险下的一级和二级渐近展开。结果统一了扭曲风险度量和效用基短缺风险度量，并为极端水平的风险度量估计提供了理论依据。报告还通过数值实例验证了渐近展开及估计器的准确性，具有重要的理论与实际意义 [page::0][page::2][page::7][page::8][page::12][page::18]。
本报告基于2,500个NGO活动案例，揭示NGO围绕目标公司的年度股东大会（AGM）日期调整活动时点的策略演进。早期NGO更多选择在AGM当天发起活动以最大化媒体曝光，促使消费者反应和相关股东提案，但对当年投票无直接影响。随着声誉资本积累，成熟NGO逐渐提前发起活动，增强对AGM投票的影响力，实现企业环境和社会绩效的提升，展示了曝光与影响之间的权衡机制 [page::0][page::1][page::9][page::13][page::16]
本报告通过实验验证了利用现代控制理论中的极点配置方法，实现对五策略演化博弈中纳什均衡的选择控制。实验结果表明，策略的长期分布、循环模式及收敛速度与理论预测高度一致，证明了设计控制器以调节均衡选择的可行性和有效性，为演化博弈动力学过程控制提供了实证支持 [page::0][page::1][page::6][page::7][page::8][page::10]
本报告提出基于Archimedean copula的信用投资组合风险模型，刻画强尾部依赖性，通过精确渐近分析推导大额组合损失的尾概率和期望短缺，进而设计两种高效的蒙特卡洛方差缩减算法（基于重要性抽样和条件蒙特卡洛），显著提升罕见事件估计的计算效率，特别是结合条件蒙特卡洛方法实现了百万级方差缩减 [page::0][page::2][page::5][page::9][page::16]
本报告提出了一种基于连续Hopfield网络的全模拟投资组合优化流程，通过线性自编码器与平衡传播算法计算低秩协方差矩阵，再利用Hopfield网络快速求解最小方差组合，实现高效能、高速的风险收益权衡，适合高频交易等场景 [page::0][page::5]。
本文介绍了Python开源包ajdmom，自动推导带状态无关跳跃强度的仿射跳跃扩散(AJD)模型的显式矩公式，包括条件矩和无条件矩，支持任意阶矩及其对模型参数的偏导数计算，极大地促进了这类金融和其他领域复杂随机模型的分析与估计 [page::0][page::2][page::3][page::5][page::6][page::8][page::12][page::14]。
本报告提出基于深度强化学习（DQN）在多智能体仿真环境ABIDES中实现的最优交易执行策略。通过模型化悬价单薄顺序簿（LOB）状态特征，训练智能体动态决定交易规模，实现了在限时内最大限度降低市场冲击和执行成本的目标。结果显示该强化学习策略在收益和执行稳定性上显著优于传统基准策略如TWAP和被动交易方法，体现了强化学习在复杂金融市场执行策略优化中的潜力 [page::0][page::5][page::6]。
本文通过公理化方法系统刻画了若干简单风险分担规则，包括均等分担、均值比例分担及基于协方差的线性分担规则。利用重排性、贡献者匿名性及强聚合贡献性等公理，构建出统一的理论框架，明晰这些规则背后的核心原则与数学表达。此外，本文提出了基于场景的新型风险分担规则，为实际操作提供更灵活的方案选择[page::0][page::13][page::23]。
本报告基于离散时间Radner均衡框架，构建了碳排放权交易市场模型，提出了排放配额价格及其方差的显式解。通过灵敏度分析揭示了监管标准、减排成本和排放水平对配额价格与企业减排努力的影响机制，特别量化了处罚力度和排放上限对价格均值和波动性的不同作用，对政策制定和市场行为管理提供了重要参考 [page::0][page::1][page::2][page::3][page::8][page::14][page::17][page::26]。
本报告提出了基于文本数据的全新组合多样化度量指标——词汇比率（Lexical Ratio，LR），通过计算投资组合各资产相关文本的词汇分布熵，捕捉传统基于相关性和波动率指标难以识别的多样化维度。通过对S&P 500组合的实证分析，LR显示出优于马科维茨波动率和多样化比率等传统指标的风险调整收益能力，特别是在波动加剧的市场环境中，LR能揭示资产间潜在的非数值依赖关系，为组合风险管理提供更丰富的信息视角和更稳健的优化结果 [page::0][page::4][page::10][page::19][page::25]。
本报告提出了BreakGPT，一种结合大语言模型和Transformer架构，用于预测加密货币市场价格急剧上涨的时间序列预测模型。通过对比简单Transformer、ConvTransformer及BreakGPT三种模型，验证其在捕捉局部和全局时间依赖关系上的能力。结果显示，ConvTransformer在捕捉短期波动及长期趋势上表现最佳，BreakGPT则通过提示语增强模型对价格突变的识别能力，训练周期短且具备较强竞争力，为金融市场价格预测提供了创新且高效的解决方案 [page::0][page::2][page::3][page::5][page::6]。
本报告聚焦于外汇期权隐含波动率缺失数据的填补问题，提出通过改进变分自编码器（VAE）架构与训练方法提升波动率曲面插补性能。引入基于残差网络的VAE结构和基于噪声异方差的改进，显著降低估计误差且无需调节β-VAE超参数，同时实现对插补波动率的不确定性有效建模。实验结果表明，改进后的VAE模型在高缺失率环境中优于经典隐含波动率模型，且针对不确定性的估计提高了模型的实际应用价值 [page::0][page::5][page::7][page::13][page::15][page::18][page::19]。
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]。
