本文提出将Gibbs posterior（广义贝叶斯/基于损失的后验）应用于Brandt等(2009)的参数化投资策略，直接以投资者效用作为损失函数，构造关于策略系数θ及其出样回报的后验分布，并把温度参数λ作为核心正则化工具，通过后验协方差的几何（log-det 与 condition number）与KNEEDLE拐点法原位选择最优λ*，从而在不依赖外样本验证的情况下实现统一的学习与正则化框架；在美国股票（1955–2024）实证中发现：特征选股的效用收益主要集中于2000年前，λ* 随风险厌恶程度变化且受到高阶矩影响，非二次效用下尾部风险和峰厚度显著影响最优正则化与策略表现 [page::0][page::8][page::12][page::17]
本文构建了基于非标准分析的统一框架，将总体层面的相干风险度量与有限样本相干风险估计器通过超有限（hyperfinite）表示联系起来，给出超有限稳健表示、离散Kusuoka表示、谱法插值估计的一致性及其自助法与中心极限定理的渐近结果，为风险估计的概率—统计字典提供了清晰工具 [page::0]
本论文研究在重复囚徒困境下，使用多臂赌博机（bandit）算法的自主定价代理能否在无任何竞争信息的情况下“自发”学到合谋行为；核心发现是：算法的行为策略随机性决定合谋发生的可能性——持久随机策略长期不会合谋，贪婪收敛类策略在一定参数区间和路径下有非零合谋概率，而确定性策略（如UCB家族在对称情况下）将必然导致合谋，这些结论对监管和算法设计有直接含义 [page::0][page::2][page::24].
本文提出基于“波动率标量（volatility scalar）+隐含波动率近似”的共表示空间以实现跨市场域适配，并在NIFTY50与BANKNIFTY历史及COVID异常期间的实证与合成数据上验证：域位移方法 A_DS 在异常波动样本上显著优于基于同质性提示的 A_HH，二者加权的集合模型 A_E 在典型与非典型样本上均表现稳健并通常取得最优或接近最优的RMSE [page::6][page::10][page::17]。
本文提出并分析了 Martingale Sinkhorn 算法——一个在任意维度上构造 Bass 势与 Bass 测度的数值迭代方案，并证明在边际分布具有有限 p 阶矩（p>1）时算法收敛，因而在更弱的矩条件下也能保证 martingale Benamou–Brenier 问题的存在性与构造性解（Bass 测度/势）[page::3][page::14]。
Authors introduce an ensemble Gaussian Process Regression (GPR) to predict conditional expected stock returns and to quantify epistemic uncertainty, demonstrating superior out-of-sample predictive R-squared and information coefficient versus linear benchmarks, and showing that uncertainty-aware portfolios (UW, PUW) deliver large economic gains (higher Sharpe) compared to EW/VW strategies; the ensemble also reduces GPR computational burden and supports online learning [page::0][page::3][page::19][page::24]
本文系统梳理并扩展了单一名称与指数CDS期权的定价框架：给出一个实用且与Black’76一致的新RPV01（flat-hazard）近似公式，阐明当行权以部分或全部upfront结算时会如何改变单名期权价值并引入内嵌的恢复率期权估值；对指数期权提出以保护腿PV为标的并用Black–Scholes–Margrabe交换定价的简单构造以正确处理no-knockout与前端保护问题，且在本框架中“Armageddon”事件不需特殊处理 [page::0][page::15].
本论文提出 Generative Adversarial Regression (GAR) 框架，通过将可引导（elicitable）的风险函数作为回归目标，并在生成器与对抗性策略间建立最小-最大博弈，使生成情景在给定市场状态下保持与下游策略相关的条件风险一致性；实证（S&P500 风格资产集）显示 GAR 在 VaR/ES 联合评分和在策略迁移下的稳健性上优于无条件、传统计量模型与直接回归基线 [page::0][page::12].
We develop a decision-theory framework and an “evolving-expectations” Bayesian baseline to design and evaluate probabilistic monsoon onset forecasts that farmers can use despite heterogeneous constraints and priors [page::0][page::1]. By blending AI weather-prediction outputs (NGCM, AIFS) with the evolving-expectations statistical model via a multinomial logistic calibration, the blended system improves Brier Score by ~5–10%, RPSS by ~20–25%, and AUC by 3–5 percentage points relative to static climatology, and proved operationally useful in a 2025 dissemination to millions of farmers [page::3][page::11].
本文提出一种基于分布式凸优化（ADMM）的隐私保留交易协调协议，允许多名组合经理在不披露其目标函数或交易明细的前提下，通过中心实体交换汇总信号并反复调整，以显著降低全公司净交易的交易成本。回测（2000–2025）表明，即使仅进行少量协调轮次（如K=2或K=5），也能将累计交易成本大幅下降，并使公司层面Sharpe比率明显提升 [page::0][page::16][page::17].
本文提出 HLER（Human-in-the-Loop Economic Research），一种面向实证经济学的多代理人流水线，将数据审计、统计剖析、数据感知的假设生成、计量分析、论文撰写与自动评审串联起来，并在关键节点嵌入人工决策门以防止模型幻觉与不可行命题。实验在三套数据上进行（共14次流水线运行），结果显示基于数据审计的假设生成可行率为87%，显著高于无约束生成的41%，且端到端完成率为86%，平均每次流水线API成本约为$0.8–$1.5，证明了人机协作流水线在可扩展实证研究中的可行性与成本优势 [page::0]
This paper shows that a standard attention head implements gradient descent on the modern Hopfield log-sum-exp energy and that applying Langevin dynamics to that energy yields a training-free stochastic attention sampler controlled by a single inverse-temperature parameter β; the sampler interpolates between exact retrieval and open-ended generation, admits convergence guarantees due to the Hopfield energy’s analytic structure, and—via an SNR-based temperature rule—yields substantially higher novelty and diversity than learned baselines on image and financial pattern tasks [page::0][page::8].
本文构建并实证检验了针对恒定乘积CFMM（如Uniswap V2）的动态均衡框架，揭示（i）买卖方向上内生的价格冲击不对称性；（ii）在仅有知情套利者的基准环境下，手续费不足以弥补套利造成的负跳跃收益，导致LP倾向于最小化流动性配置；（iii）引入噪声交易、Gas 内生性与套利竞赛后，LP 的最优供给对波动率呈驼峰型（先上升后下降），并用链上交易数据和多池实证结果验证模型预测 [page::0][page::16][page::17].
本文构建连续时间下平滑模糊偏好与贝叶斯学习框架，处理非凹（期权型）报酬并恢复时间一致性：通过对准 quasiconcave 的鲁棒表述，将模糊规避问题等价为在内生扭曲先验下的无模糊贝叶斯问题并用非线性滤波+鞅方法与凹化技巧得到半闭式交易规则；应用于受托管理的凸激励契约表明模糊规避会将概率质量向不利状态倾斜、缩小“实值”区间并降低风险敞口，从而抑制风险转移激励 [page::0][page::23]
本文研究在多币种抵押（尤其是以外币作为抵押）条件下、基于向后观测隔夜利率（如SOFR）的一类 differential swaps 的定价与复制问题，构造了以期货为对冲工具的可显式对冲比率并给出封闭解（包含convexity修正项），数值结果显示外币抵押会导致跨货币暴露并能显著改变掉期平价利率（多期限呈现数bp级别差异），因此在现代多曲线/多币种框架下必须将抵押币种纳入模型化与风险管理之中 [page::0][page::2][page::4][page::25][page::28]
本文提出一个基于Avellaneda–Stoikov框架的OTC FX做市动态控制模型，将“接受/拒绝”规则（slippage tolerance）作为与报价共同优化的控制量，并引入基于EMA的拒绝评分作为声誉代理，使到达率内生地受过去拒绝的反馈影响；通过HJB得到带库存与声誉状态的最优控制问题，并提出adiabatic-二次近似得到闭式近似报价与阈值，且使用拒绝率自洽标定影子损失J以连接快慢时尺度 [page::0]
本文研究在因子模型（单因子与多因子）条件下长端最小方差组合（LOMV）的结构性特征：给出了单因子情形下的显式判别规则（通过序列R_i确定活跃标的集合K）并证明K为初始序列段的形式；对多因子情形给出几何描述——存在一条超平面将被选入资产与被排除资产分隔开；并用1000只美股日度样本与JSE/JSM估计器的实证例子验证了结果（LOMV通常只包含极少数活跃资产）[page::0][page::3][page::6][page::9][page::13]
本文提出并实现了一套将多因子 SABR/LMM 映射到 swap-rate（uncorrelated）SABR 的近似解析方法，包含 ATM 路径下的 time-dependent skew 映射、skew averaging 得到 time-independent skew、以及基于方差匹配估计 alpha(0) 与 vol-of-vol，使得模型可用于对 swaption 与 CMS-spread ATM 定价与校准；数值比较显示解析近似与 Monte Carlo 拟合良好，Hagan 近似在多数情形下误差更大（短期少样本时例外）[page::0][page::11][page::17][page::18].
本文提出将差分机器学习（DML）应用于严格当日到期（0DTE）期权的定价与敏感度计算：以Black–Scholes形式引入受到到期时间门控的方差修正，并结合价格/Greeks 监督、PIDE 残差惩罚与一个单独的跳跃算子网络，通过三阶段训练提升跳跃项可辨识性，在Bates模型仿真中实现价格误差接近基线且显著改善Delta/Vega精度，并在对冲测试中保持一日Delta对冲稳定性且计算速度远快于Fourier基准 [page::0][page::11]
本文提出一个将Keen式股票-流量一致(SFC)宏观经济子系统与具有内生跳跃强度的跳-扩散金融市场耦合的连续时随机宏金融框架，形式化了投机性信贷扩张如何同时推动资产价格膨胀并提高崩盘风险，[page::0][page::11]；通过银行对市场趋势指标的反应函数将市场波动传导至实体经济，导致在不同参数下从稳定增长到反复繁荣-崩溃的多种制度化路径；在数学上证实了耦合系统的全局存在性、严格正性与无有限时间爆炸，为后续数值实验与政策分析提供了可控的模型平台 [page::2][page::13][page::24]
