本报告提出一个基于扩展CAPM和CPI惊喜的模拟数据生成过程，嵌入零售、养老、机构及对冲基金四种异质投资者。研究发现信息水平和风险厌恶差异导致交易规模和财富积累显著不同，流动性增强则放大订单流对宏观冲击的敏感度。模型为宏观新闻发布当天订单流动态提供量化基准，支持利用实时交易数据反演新闻影响 [page::0][page::2][page::5][page::6].
本报告运用合成控制法，基于1950-2016年66国面板数据，实证分析了1979年伊朗革命对经济增长和制度质量的长期影响。结果表明革命导致人均GDP及制度质量显著持续分化，非临时冲击而是结构性断裂。此外通过空间和时间安慰剂测试排除伊朗战争和国际制裁等因素干扰，提出置信区间评估以量化不确定性，验证了革命为伊朗经济社制度轨迹带来决定性转折的假说，为区分制度性变革性质提供了可推广的经验框架[page::0][page::10][page::12][page::14][page::16][page::17][page::20][page::21]
本研究提出基于动态结构的多层感知器（MLP）模型，用于大盘美股特征排序组合因子模型的资产定价，进而设计量化因子投资策略。结果显示，在数据规模限制下，MLP模型“更深更好”不再适用，2至3层隐藏层的MLP结构更适合建模因子，且MLP模型在控制下行风险方面表现优于追求绝对收益。包含COVID-19市场极端波动期间的数据提高了模型表现，验证了MLP模型在极端市场环境下的稳健性。[page::0][page::17][page::23][page::35]
本论文针对CIR过程和Heston模型，基于随机网格技术提出了高阶弱近似方案。通过结合Alfonsi的二阶CIR方案，理论证明在宽松条件σ²≤4a下，可实现任意阶的弱收敛率，数值实验证实了CIR和Heston模型的收敛性及其计算优势。此外，章节3扩展至log-Heston过程，并提出两种二阶分解方案，章4则分析了log-Heston对应的偏微分方程，证明了经典及粘性解的存在唯一性，且弱化了Feller条件限制，为金融衍生品定价提供了理论支持 [page::1][page::4][page::16][page::57][page::81].
本报告针对Barndorff-Nielsen和Shephard(BNS)模型中的局部风险最小化(LRM)对冲策略，提出了一种可用于非鞅情形的数值方案。基于蒙特卡洛方法，将复杂的马尔可夫导数表达转换为条件期望并利用相关跳跃度量进行数值积分，成功计算出看跌和看涨期权的LRM策略。数值实验证明算法的有效性，且结果在深度价内、价外区域表现符合预期，但存在计算时间长和参数限制等问题 [page::0][page::1][page::4][page::9][page::11][page::12].
本报告提出了专为金融经济时间序列设计的创新Transformer模型——单向编码器表示Transformer（SERT）及预训练Transformer，应用于美国大盘股定价与因子投资。结合三阶段极端市场环境（疫情前、疫情期间及疫情后一年），实证显示SERT模型在极端波动期内拥有最高11.2%的样本外R²，且衍生的趋势跟随交易策略显著提升下行风险对冲能力，Sortino比率较买入持有提升达47%。此外，研究发现软max信号滤波虽能统一模型输出，但不提升策略绩效；增加注意力头数量及采用层归一化优先策略效果有限。综合实证验证Transformer模型卓越捕捉稀疏时间序列数据下资产定价因子动态的能力[page::0][page::10][page::30][page::35][page::52]。
本报告基于26个日频特征与64个60分钟高频特征构建混频深度学习模型，显著提升了因子的周频选股能力，周均IC达到0.10，TOP 10%组合年化超额收益达30%以上。通过实际应用于中证500及1000指数增强组合，年化超额收益分别可达16%-25%。此外，利用正交层生成多个相互正交因子集，拓展深度学习模型在量价因子挖掘中的应用潜力。报告详细对比了混频训练与传统线性加权方法、不同调仓周期及风险控制参数对因子表现和策略绩效的影响，数据充分支持投资应用的有效性和稳健性[page::0][page::4][page::6][page::8][page::10][page::13][page::15]。
本文基于卷积神经网络（CNN）和长短期记忆网络（LSTM）构建沥青期货高频交易涨跌分类模型，设计相应交易策略。回测结果显示，深度学习策略胜率和期望收益明显优于传统人工神经网络，且具备更强泛化能力，证明了深度学习在高频交易中的有效性及盈利潜力[page::0][page::7][page::8]
本文基于中证A500指数编制规则，模拟其历史成分股并构建指数增强组合。组合采用量价及基本面因子构建收益预测模型，严格约束组合偏离，月度调仓实现年化超额收益11.2%，超过基准指数表现稳定。因子归因显示市值、价值、行业与反转因子贡献显著，且因子间互补性强。回撤多发生于风格切换期，beta因子适度和有条件控制能有效降低风险、改善业绩表现，为指数增强基金的量化投资提供实证支持与风控建议[page::0][page::4][page::6][page::7][page::8][page::10][page::11][page::12]。
本报告系统评析了传统因子IC、Rank IC、MAE及改进的Rank MAE等多种因子绩效评价方法，揭示传统IC方法对中间收益组股票贡献不足的缺陷，提出Rank MAE方法可有效均衡不同收益分位数贡献及适用于深度学习loss函数。基于各绩效方法构建的因子动量组合进行了全面回测，结果显示Rank MAE在控制组合波动率和最大回撤方面优势明显，尤其在叠加换手率和多重约束的指数增强组合中表现稳健，综合信息比有所提升。报告还详细分析了不同因子绩效权重分配差异及极端收益股票对绩效的影响，为后续优化组合构建及因子提炼提供理论与实证支持。[page::0][page::7][page::11][page::13][page::18]
本报告提出LARA框架，通过局部感知注意力机制（LA-Attention）提取潜在盈利样本，并利用迭代细化标签方法（RA-Labeling）适应性修正噪声标签。实验涵盖股票、加密货币及ETF市场，结果显示LARA在精准率、收益率等多指标上显著优于现有机器学习方法，增强了对真实交易机会的捕捉能力 [page::0][page::1][page::2][page::3][page::5][page::6]。
本文提出了StockFormer，一种融合预测编码和强化学习的混合交易模型。该模型通过三条Transformer分支分别学习长期、短期和资产关系隐状态，并利用多头注意力机制融合这些状态实现策略优化。实验证明StockFormer在股票及加密货币市场多数据集上显著提升了投资组合收益率和夏普比率，优于现有方法 [page::0][page::1][page::4][page::5][page::6]。
本报告提出了基于时间图网络的股票推荐系统PfoTGNRec，结合了个体偏好、投资组合多样化和时间动态特性，通过均值-方差有效采样提升投资表现。实证结果显示，该模型在真实投资数据上相较先进基线模型提升了3.45%的综合指标，兼顾了用户偏好和投资回报，显著优化了推荐效果及投资组合绩效 [page::0][page::1][page::5][page::6][page::7]。
本文提出了一种结合基于FinBERT的社交情绪指数（SSI）与目标辅助融合变压器（TAFT）模型的金融指数预测方法。通过引入SSI作为辅助特征，模型有效捕捉社会情绪对市场的影响，实现了S&P 500指数均方误差降低33.3%。TAFT模型集成动态注意力机制，实现了模型的可解释性，显著提升了预测精度与分类任务性能，验证了情绪分析与深度时序模型融合在金融预测中的巨大潜力[page::0][page::1][page::5][page::6]
本报告提出了RSAP-DFM模型，一种基于连续状态切换的自适应双重动态因子模型，通过引入多头注意力机制和对抗性后验因子构建，实现宏观经济状态动态映射与股票收益预测的融合。该模型采用双层优化算法显著提升预测准确性，实证结果显示其在沪深A股市场三个样本数据集上均超越现有方法，具备优异的稳健性和投资表现[page::0][page::1][page::3][page::5][page::6]。
本报告提出了ROIDICE，一种基于线性分数规划和稳态分布校正的离线ROI最大化算法，优化策略的投资回报效率。通过对随机MDP和连续领域的实证对比，ROIDICE展现了优于传统离线RL和受限RL方法的更高ROI和策略效率，兼顾策略回报与累计成本的权衡 [page::0][page::5][page::8][page::19]。
本报告提出了MASTER，一种结合市场信息进行自动特征选择的新型股票价格预测Transformer模型，通过交替的行业内时间序列聚合和跨股票时间步相关性捕获，实现了对瞬时与跨时间股票相关性的高效建模。实验在中国股市CSI300和CSI800数据集上验证了其优越性，较当前最优方法在多项排名和组合指标上提升显著，且可视化结果揭示了动态、非对称和稀疏的股票间跨时间相关结构[page::0][page::1][page::4][page::6]。
本报告提出MacroHFT，一种基于记忆增强和上下文感知的分层强化学习框架，针对加密货币分钟级高频交易，通过趋势和波动率指标分解市场，训练多样化子代理并结合记忆机制训练超代理，实现了在多市场中的盈利能力和风险控制双优。实验显示MacroHFT显著超越多种主流方法，具备快速响应市场波动和防过拟合能力，为高频交易量化策略提供有效解决方案 [page::0][page::1][page::3][page::4][page::5][page::7][page::8]
本报告提出了MacMic，一种基于层次强化学习的长时段冰山订单执行方法。该方法通过高层策略进行粗粒度的订单切片并由低层策略逐个限价单执行，结合堆叠隐马尔可夫模型（SHMM）提取多粒度市场状态，有效处理了动作空间大和执行周期长的问题。实验覆盖美股和中国A股200支股票，结果显示MacMic在价格优势和执行成功率上明显优于多种基线方法，验证了其在量化交易执行中的实际应用价值和有效性[page::0][page::1][page::5][page::6]。
本报告评估了GPT-4、PaLM 2和MPT Instruct三款大型语言模型（LLMs）作为金融领域关系抽取数据标注工具的效果和效率。研究显示，GPT-4和PaLM 2显著优于非专家众包标注者，能够替代一部分人工标注工作，结合引入的可靠性指数（LLM-RelIndex）可有效筛选需专家复核的样本。此外，通过多种prompt设计和多轮实验，分析了模型性能、标注一致性、错误类型与成本时间，对未来金融领域自动标注任务提供了实践建议 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]。
