本报告基于任务层面的AI暴露数据，结合美国经济不同行业的生产力、能耗和碳排放数据，构建模型定量估计了AI应用引发的能耗和碳排放变化。研究发现，AI带来的生产力提升可能导致美国整体能源消耗每年增加约28PJ，碳排放增加约897千吨CO$_2$，占整体能源和排放的比例均低于0.1%。不同产业间影响差异显著，且成本节约参数敏感度分析显示即使高采纳场景，增量亦有限。此结果为评估AI技术推进中的环境影响提供权衡视角，强调需平衡生产力收益与能源可持续性目标，且呼吁未来纳入动态效率提升和跨部门差异等因素深化研究 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]
本报告提出了一种基于贝叶斯方法的神经随机微分方程（神经SDE）模型校准框架，通过对神经网络权重的先验设定与似然函数构造，实现联合考虑历史时间序列数据和期权价格数据的联合校准。该方法通过Langevin动力学采样后验分布，获得参数的不确定性量化和稳健的隐含波动率界，显著提升了模型对市场数据的适应性和稳健性，且在模拟和实证数据中均表现出优异效果[page::0][page::5][page::6][page::12][page::18][page::19].
本文提出了一种基于$K$最近邻（K-NN）重采样的限价委托簿(LOB)模拟方法，具备理论收敛性，无需优化且易于实现。通过对大宗历史LOB数据的应用，验证了算法能准确再现真实市场动态及交易策略的市场冲击效应。与深度学习生成模型相比，K-NN方法在关键统计指标上表现优异，并能评估和校准以限价单和市价单为基础的交易策略，尤其适用于带有比例配额匹配机制的市场。此外，本文还探讨了算法在高维状态空间的扩展和降维方法 [page::0][page::1][page::2][page::4][page::5][page::8][page::12][page::14][page::16][page::17][page::18][page::19][page::20][page::21][page::22][page::23][page::24][page::25][page::26]
本报告提出基于蒙特卡洛模拟和最小二乘回归的动态规划方法，对中国可转债（CCBs）进行精确定价，充分考虑了包含下调条款、赎回和回售条款的复杂特点。模型通过在多个标的股票价格路径上回溯计算现金流，获得了独特的最优定价系数解。实证应用表明，采用该模型计算的价格能较好拟合市场价格，RMSE显著优于先前研究。基于模型价格构建的低估策略在2023年上半年回测显示，收益率和Sharpe比率显著优于传统双低策略，体现了该定价模型的实用价值和预测能力 [page::0][page::9][page::13][page::14]。
本文提出了一种基于大型语言模型(LLMs)和多智能体架构的量化投资框架，通过多模态数据挖掘多样化alpha因子，并采用多智能体动态评估市场状态，实现策略加权优化，从而显著提升中国股票市场上的策略表现和稳定性。实验证明该方法在信息系数、收益率等多维度指标上均优于现有最先进模型，展现了人工智能赋能量化交易的新前景 [page::0][page::1][page::3][page::4][page::6][page::7][page::8]
本报告通过控制实验，研究了奖励机制与同伴反馈信息对个体收集风险规避性证据行为的影响。结果表明，竞争性与非竞争性奖励条件下，个体的证据收集行为随同伴策略和绩效反馈信息的有无及类型而显著不同：无同伴信息时竞争奖励促使更多证据收集，而有同伴信息时则促使更少证据收集。此外，只有同时反馈同伴策略和绩效时，竞争奖励才显著减少证据收集。该研究揭示了激励结构与社交信息交互作用对风险行为的复杂影响，对企业与组织设计激励及反馈机制具有重要参考价值 [page::0][page::2][page::5][page::19][page::22][page::35][page::36]
本报告通过实验研究三人顺序投资竞赛，检验子博弈完美纳什均衡（SPNE）预测的总体投资随阶段增加而上升和先行者优势两大命题。结果显示，总体投资反而随着更多顺序阶段的加入而减少，且先行者优势未被广泛支持。主要原因是先行者未表现出预期的抢先投资行为，后行者则积极回应甚至报复，导致整体投资下降，反映了参与者的“获胜快乐”偏好与互惠行为的影响 [page::0][page::1][page::5][page::6][page::7][page::8][page::12]。
本文构建了一个分析消费者只能选择私人市场或政府设计的实物再分配项目的机制设计模型，刻画了社会计划者在存在私人市场的约束下实现严格优于自由放任的再分配机制。结果显示，最佳机制包含公共选项、非线性补贴以及自由放任消费，且私人市场访问权既限制了再分配范围，也加强了非市场配置的合理性。本文还揭示了再分配扭曲与消费者需求与福利权重的相关性之间的关系，为实物再分配政策设计提供理论依据 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::21][page::22][page::23][page::24][page::25][page::26][page::27][page::28][page::29][page::30][page::31][page::32][page::33]
本报告提出了一种基于固定点迭代算法的简单实现方法，解决线性可转移效用的一对一匹配模型。证明了当选择概率的自弹性有上界时，算法构成压缩映射，确保唯一均衡工资分布的存在性及迭代收敛性。以劳动市场匹配为例，涵盖了极值型随机效用（EV1）分布及其嵌套变体的适用条件，扩展了匹配模型的求解与应用范围 [page::0][page::3][page::4][page::5][page::7][page::9].
本文研究了不具备格结构的随机变量空间上的风险度量，针对不完全市场中可获得的非固性集合，建立了风险度量的对偶表示与扩展理论。通过引入$K$-等连续Fatou性质及提升（lift）概念，实现了风险度量从非固性子空间向固性超空间的非平凡扩展，弥补了传统风险度量理论的盲点，理论结果适用于标的为有限鞅的半鞅市场模型 [page::0][page::4][page::7][page::12][page::17][page::18]。
本报告利用优化卷积神经网络与机器学习解释框架，识别了对未来市场价格变动预测影响最大的交易特征。研究发现，一小部分“Bellwether”交易显著贡献于价格运动预测，且特征如交易规模、交易场所、年份及交易环境等均对预测信息含量有显著影响，ETF交易信息量低于个股，且不同时间窗口大小对预测力也有差异[page::0][page::4][page::15][page::44]。
本报告提出了一种基于REINFORCE的公式化Alpha因子挖掘新算法QuantFactor REINFORCE（QFR），通过丢弃PPO中的critic网络并引入贪婪基线，有效减少了策略梯度估计的方差，同时引入基于信息比率（IR）的奖励塑形机制，鼓励生成稳健的Alpha因子。实验覆盖中美多市场资产数据，结果表明QFR在增强与资产收益的相关性（提升3.83%）及超额收益能力方面优于现有方法，且训练收敛更快，符合理论分析预期 [page::0][page::1][page::5][page::10][page::14]。
本报告研究了去中心化点对点风险共担市场中基于鲁棒失真风险度量的Pareto最优风险分配，提出了最优分配的明确刻画，并通过概率风险厌恶指数量化尾部风险态度。结合美国洪水风险保险市场的实证数据，比较了中心化与去中心化保险结构下的Pareto最优配置，发现去中心化市场可避免垄断定价带来的福利损失但平均福利增益略低于中心化市场 [page::0][page::3][page::9][page::27][page::29]。
本报告提出了一种基于修正的Ornstein-Uhlenbeck跳跃过程的温度衍生品定价模型，结合印度12个州1951-2023年历史数据进行校准。模型融入风险厌恶参数，通过蒙特卡洛模拟计算取暖度日(HDD)、制冷度日(CDD)及极端天气期权价格。结果显示不同州份的期权价格差异显著，反映地区气候差异，制定了针对各州气候风险的具体对冲策略。敏感性分析突出波动率对价格影响的重要性，为能源和农业行业提供实用的温度风险管理工具。[page::0][page::1][page::6][page::8][page::9]
本报告基于非套利定价理论视角，系统研究去中心化借贷协议中的贷款合约，将其视为含有清算机制的美式带障碍期权。研究揭示无利差时不应进入合约，而引入利率差异和交易成本后，提出基于深度神经网络的对冲策略，有效复制合约收益并降低风险。通过历史数据与蒙特卡洛模拟验证方法的有效性，体现了市场非均衡状态下套利及风险对冲的可行路径 [page::0][page::4][page::6][page::7][page::8].
本研究结合监督学习与无监督学习，采用线性模型提取价格峰值特征及高斯混合模型（GMM）进行市场数据聚类，评估不同机器学习算法（如KNN、随机森林）对比随机策略的市场涨跌预测性能。6个月比特币、Pepecoin及纳斯达克分钟级数据验证显示，GMM预处理促进算法泛化，KNN和随机森林在Pepecoin市场表现出超越随机算法的收益潜力，为新型特征构建和市场细分提供实践路径 [page::1][page::6][page::8][page::15]
本报告建立了一个基于博弈论的数学框架，研究多个交易者在固定时间内构建股票仓位时的最优策略。核心关注市场冲击的临时和永久成分及其对成本的影响，提出并证明了均衡策略的存在性与封闭解，涵盖风险厌恶与多交易者竞赛情境，结合大量数值示例深入解析不同市场冲击系数(kappa)下策略形态与交易成本，提出逆问题用于策略诊断，并探讨不确定性下的策略选择与参数误估的敏感性分析 [page::0][page::1][page::4][page::11][page::16][page::20][page::22][page::30][page::33].
本文系统研究了基于深度学习算法在多国家场景下对GDP增长率的回归和预测问题，涵盖仅GDP数据、经济指标及新型夜间灯光数据的影响。结果显示：仅用GDP增长值时，线性回归表现优于深度学习；而结合经济指标时，深度学习模型（如MLP和LSTM）优于线性回归。同时提出了结合大语言模型的表示Transformer模型用于可变指标数场景。灯光数据未必带来性能提升。研究涵盖年度和季度GDP预测，以及多模型性能对比，提供了多国GDP预测方法的全景视角。代码开源 [page::0][page::2][page::4][page::5][page::7][page::9]
本文系统分析了条件线性因子模型的基本性质，重点探讨了收益率和因子的条件均值与协方差矩阵的关系，揭示了非平衡面板下因子组合对条件均值方差有效投资组合的跨时与横截面性质，证明了生成性风险因子模型存在以同一特征矩阵加载的可交易因子表示，奠定了条件线性因子模型的设定与估计基础，支持现代金融机器学习的发展 [page::0][page::1][page::2][page::4][page::5][page::6][page::10][page::12][page::13][page::14]
本报告通过一项注册前实验，利用300名专业翻译者使用13种不同规模的LLM完成1800个翻译任务，实验证明模型训练计算量每提升10倍，任务完成时间减少12.3%，质量提高0.18标准差，收益提升16.1%。低技能翻译者的收益增长幅度更大，约为高技能者的4倍。基于此，推算未来十年LLM模型规模增长可推动美国生产率提升约6.9%。该研究首次从经济视角揭示LLM训练规模的边际生产率收益，为AI驱动劳动生产率提升提供坚实实证基础[page::0][page::1][page::2][page::6][page::7][page::8][page::9][page::10][page::12][page::13][page::14]。
