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]。
本报告基于涵盖192国与123农产品的多层网络模型，分析了食品供应链震荡及其适应性调节策略。研究系统性风险点，发现适应行为虽能部分缓冲局部损失，但常引发跨国连锁反应，导致全球食物不平等加剧和多重震荡时的超加性损失，最大达总供应的12%。模型针对印度稻米禁运及乌克兰小麦出口中断展开案例模拟，揭示国家间依赖差异与适应策略成效的关系，为提升全球食品安全提供量化工具与政策参考 [page::1][page::2][page::3][page::5][page::6][page::9][page::10][page::11][page::12][page::13][page::14]
本报告提出了一种基于大语言模型的自动化框架CAI，用于从公司披露文本中高效提取和验证碳减排承诺关键指标。通过上下文分块、RoBERTa相关性搜索、动态提示生成和领域特定验证，CAI实现了结构化、多指标的高精度提取，显著提升了数据采集效率及准确度。经SBTi等业内权威基准测试，CAI模型在召回率和准确率上均达到95%以上，且对多种Gen AI底层模型表现具有鲁棒性，可广泛应用于非结构化文本的信息挖掘 [page::0][page::1][page::4][page::7].
本报告基于107名Y Combinator男性创业者的血液激素检测数据，发现年龄归一化后的睾酮水平随创业公司融资阶段显著波动，睾酮水平从前期融资（Pre-seed）到种子轮（Seed）增长55.7%，并在B轮达到最高峰，同比增长近100%，随后在后期融资阶段（Late Stage VC）下降42.2%，伴随皮质醇水平上升，支持双激素假说，体现出早期创业成功增强自信和主导感，而后期压力则抑制该优势。此外，脱氢表雄酮硫酸盐（DHEA-S）水平波动不显著，提示其对睾酮变化影响有限。研究揭示创业压力与激素水平的动态关联，为创业者健康管理和成功预测提供生理学视角 [page::0][page::3][page::4][page::5][page::6][page::7]
报告通过观察性数据分析了生成式人工智能工具Microsoft Security Copilot在安全运营中心的应用效果，发现其显著降低了安全事件平均解决时间（MTTR）30.13%，结果在不同模型设定下均具稳健性，表明GAI工具能有效提升安全分析师生产力，带来显著的时间和成本节省[page::0][page::3][page::4]。
本文提出了一种基于遗传算法生成的Alpha因子与情绪因子融合的GAS模型，结合LightGBM、XGBoost和随机森林的堆叠集成方法，实现了对比特币每日价格趋势的准确预测。通过复杂的特征工程与自动化因子构建，模型显著优于传统买入持有策略，展示了融合情绪分析和机器学习在高波动性金融资产中的有效性与实用价值 [page::0][page::3][page::26][page::24].
本报告首次严谨推导了局部随机波动率模型下期权对已实现方差的短到期渐近价格，涵盖了价外、价内及平价情形，通过大偏差理论和变分问题刻画价外期权的主要指数衰减，提供了相关方差期权隐含波动率的显式展开，并结合数值模拟验证了渐近结果的有效性，为新近推出的Cboe S&P 500方差期货期权定价提供理论支持 [page::0][page::6][page::7][page::15][page::17][page::19]
本报告提出了一种基于物理约束神经网络的新型算法WamOL，用于实时校准高频交易中稀疏且不均匀的隐含波动率曲面。该算法结合自适应权重和多目标损失平衡策略，有效保证了拟合精度、满足偏微分方程以及无套利约束。实证表明，WamOL在动态演化的期权市场中优于传统模型，在准确性、泛化能力和风险敏感度估计方面表现卓越，为期权定价和风险管理提供了高效的实时解决方案[page::0][page::5][page::6][page::7]。
本文研究了A/B测试中的溢出效应如何导致企业总体绩效下降的“跷跷板”实验现象，提出通过设定正的门槛率来缓解该问题。基于双变量正态和t分布模型，具体分析了溢出效应产生的条件及其与信噪比和维度相关性的关系，并推导了优化的门槛率策略，兼顾了分散式测试的自主性和绩效提升，具有重要的理论和应用价值 [page::0][page::2][page::6][page::8][page::9][page::13].
