本文系统梳理了多种用于识别和定量分析可变可再生能源（VRE）短缺事件（如Dunkelflauten，即可再生能源枯竭期）的方法，聚焦基于VRE供给和正剩余负荷（PRL）两种视角，提出了新的变量时长不足均值阈值法（VMBT）以提高事件识别准确性，并探讨了跨技术和跨区域的可比性要求与阈值设定原则。研究同时扩展了对PRL事件的识别方法，提出了考虑储能效率的调整版Sequent Peak Algorithm，提供更真实的系统灵活性需求评估。本报告为统一术语、规范方法应用及未来研究提供了有效指导 [page::0][page::1][page::7][page::10][page::16][page::19].
本报告提出了针对多资产($N$-token)几何平均自动做市商(AMM)池套利的闭式解析解，与传统数值凸优化方法相比，该方法在模拟测试中能够更早捕捉并实现更优套利机会，且计算机能实现基于GPU的并行加速，显著提升计算效率与可扩展性。此外，闭式解方便对时变权重的AMM池进行梯度求导，支持高级机器学习优化应用及链上套利机器人的实现，为AMM建模和套利策略提供了一种高效新途径。[page::0][page::3][page::5]
本报告针对爱尔兰电力平衡市场电价预测，提出了一个基于公开数据集和多种模型的可复现框架。研究发现，日内市场表现优异的深度学习模型在平衡市场表现不佳，简单统计模型LEAR凭借LASSO正则化方法表现最佳，且训练数据量增大显著提升模型准确度。结果表明，平衡市场的高度波动性和剧烈价格峰值对预测模型构成挑战，为后续研究提供了基准和改进方向 [page::0][page::2][page::15][page::23]。
本报告介绍了FNSPID，一个涵盖1999至2023年、包含4775家标普500成分股近1.57千万条财务新闻与近3千万条股票价格的庞大时序金融数据集。FNSPID结合了丰富的定量数据和新闻情感评分，显著提升了基于深度学习模型的股价预测准确率，尤其是在Transformer架构中体现出较优性能。该数据集支持多语言、多源新闻，具备时间戳对齐的优势，为金融情感分析及量化策略研究提供了重要资源 [page::0][page::1][page::4][page::5][page::6][page::7]。
本报告基于SPY 500指数数据，系统比较了ARIMA、RNN、LSTM、CNN等统计与深度学习模型在股票价格预测中的表现。结果显示，LSTM模型在预测精度（MAE值最小）和趋势捕捉上优于其他模型，特别是在30天窗口期内效果最佳。同时，全卷积神经网络（Full CNN）优于预处理CNN（Preprocess CNN），为时间序列预测提供了有效的模型选择参考，助力投资者优化交易决策 [page::0][page::1][page::2][page::4]
本报告针对股票预测中数据稀缺、低信噪比和数据同质性问题，提出基于扩散模型与Transformer结构的DiffsFormer进行因子增强。通过源域大规模训练及编辑目标域样本，实现知识迁移和数据多样化提升，显著改善了CSI300和CSI800数据集上的预测年化收益率，提升分别达7.2%和27.8%。此外，利用无监督条件引导和损失引导机制，有效控制回归模型波动性并提高稳定性，为量化投资数据增强提供新思路。[page::0][page::1][page::6][page::8][page::10][page::11][page::12]
本报告首次建立了经典GARCH族模型与神经网络（NN）模型的等价关系，基于此提出GARCH-NN方法，将GARCH的波动率统计特性（风格化事实）无缝注入NN框架，显著提升了波动率预测的精度和解释性。通过将GARCH模型的NN对应结构嵌入LSTM，提出GARCH-LSTM模型，实验证明其在多个资产时间序列上的表现优于单独的统计模型或深度学习模型[page::0][page::1][page::2][page::6]。
本报告提出了一种基于多头自注意力机制的时间序列变换器模型，结合注意力聚合的联邦学习（FedAtt）框架，用于股票市场时序数据的预测。方法通过时间嵌入捕捉时序数据的周期性与非周期性特征，利用联邦学习解决数据不足和隐私保护问题。实证结果显示，该方法在多家企业的历史股票数据上优于传统的本地训练（SOLO）和联邦平均（FedAvg）方法，显著提高了预测准确率和泛化能力，验证了联邦变换器在时序预测任务中的有效性[page::0][page::1][page::3][page::4][page::5]。
本报告深入解析深度神经网络（DNN）在资产定价中优化投资组合的作用，证明宽且深的DNN训练至最大化风险调整收益率的随机贴现因子（SDF）等价于大因子模型（LFM）。研究揭示DNN架构显著影响SDF表现，证明深度复杂性美德：当数据充足时，DNN的深度越大，样本外表现越优，且性能在约100层隐藏层时趋于饱和。实证部分通过闭式解与核方法，结合美国大样本股票特征数据，验证了深度神经网络在构建投资判断中的优势，尤其在较长的数据窗口下深度模型显著优于浅层模型，展现出捕捉非线性alpha的能力[page::0][page::3][page::25][page::28][page::29].
本报告提出了多关系动态图神经网络（MDGNN）框架，系统揭示股票投资中的多维关系和时序演变，利用多关系图构建多元实体及其交互，结合Transformer捕捉演化动态，实现对股票涨跌的精准预测。实验表明，MDGNN在沪深指数数据集上显著优于主流时序及图模型，提升预测效果及投资回报率，验证了多关系动态图在复杂金融系统建模中的优势 [page::0][page::1][page::4][page::5][page::6]。
本研报针对拳击裁判存在的偏见问题，提出了一种基于多数局胜负（majority rounds rule）的判决方法，通过先聚合各裁判对每一局的评分，再综合局数结果，降低偏袒性裁判对比赛结果的影响，显著减少“抢劫”现象，提升比赛的公平性和群众信任度。模型分析和大量模拟显示该方法比传统的多数裁判制更能抵抗偏见干扰，推广潜力强。[page::0][page::1][page::4][page::5][page::6][page::7]
本报告提出了一种基于因果网络蔓延效应的全新价值风险度量方法——Causal NECO VaR。该方法通过结构方程模型和高维因果网络推断，能准确识别资产间的因果传染路径，实现对风险的稳健预测。模拟和外汇实证结果显示，Causal NECO VaR在市场波动剧烈或非正态分布条件下表现优异，效果显著优于传统VaR方法，具有更好的风险覆盖率及稳定性，适用于复杂金融系统的风险管理 [page::0][page::2][page::9][page::17][page::19]。
本报告提出了一种基于量子计算的彩虹期权定价新方法，利用迭代量子幅度估计实现端到端量子电路，在返还空间延迟至价格空间的转换过程中，通过两种指数幅度加载技术实现高效编码。借助IBM QASM模拟器进行实验验证，展示该量子算法在多资产衍生品定价领域的潜力 [page::0][page::1][page::7]
本报告运用Guhr方法通过市场行业维度对金融市场的Pearson相关矩阵进行粗粒化处理，构造低维Guhr矩阵，实现对S&P 500与Nikkei 225市场状态演变的精准刻画。研究发现Guhr矩阵在大幅减少参数数量的同时，显著保持了市场状态的动态特征和转移矩阵的近三对角结构，且与传统Pearson矩阵及功率映射(PM)方法结果高度相似，验证了粗粒化方法在降低复杂度及降噪中的有效性，为风险评估与市场状态分析提供了新的量化工具 [page::0][page::3][page::4][page::5][page::8]
本文提出了一种基于统计跳跃模型（JM）的时序切换投资策略，通过识别市场的不利行情状态及时转向无风险资产，从而显著降低波动率和最大回撤，提升风险调整后收益。研究对美国、德国和日本主要股指进行了1990-2023年的实证测评，结果表明JM策略较传统隐马尔可夫模型(HMM)和买入持有策略具有更高的稳定性和持久性，且对交易延迟具有更强鲁棒性，年化收益提升1%-4%不等，表明JM在实际投资风险管理中的有效性[page::0][page::2][page::14][page::17]。
本文研究了经纪商作为流动性提供者与知情交易者及噪声交易者在部分信息、不对称信息环境下的博弈模型。经纪商通过观察客户交易流量，对隐含的私人信号进行滤波，拥有信息优势，从而获得与交易成本相当的经济价值。基于线性二次型框架和卡尔曼滤波，报告推导了知情交易者和经纪商的最优自适应策略及其唯一性，并通过数值模拟验证了价格信息导致估计信号质量差，而经纪商利用客户交易流的滤波显著提升交易表现。还讨论了不同学习信号源下的策略性能差异及二阶策略效应，为理解经纪商市场内化与外化机制提供理论支持 [page::0][page::1][page::5][page::15][page::23]
本文基于美国联邦土地管理局的木材拍卖数据，研究预售商品中消费期限长度如何影响买家估值及卖方收入。通过结构模型估计不同买家类型的价格敏感度和割伐成本，发现延长消费期限显著提升买家的继续价值和竞标意愿，最终提高卖方收益，且效果依赖于拍卖方式、买家类型组合及标的规模。该研究为设计收益最大化的预售合同和拍卖机制提供实证支持。[page::0][page::1][page::2][page::24][page::25][page::29][page::30]
本报告利用梯度提升机（主要为XGBoost）在汽车贷款信用评分中，挑战并优于传统信用评分模型，显著提升违约捕获率。通过SHAP值揭示模型的可解释性，满足美国和欧洲监管要求，实现合规且高效的信用评分应用 [page::8][page::27][page::28]
本报告提出了TradingAgents，一个基于多智能体大语言模型（LLM）的股票交易框架，模拟真实交易团队运作，涵盖基础面、情绪面、新闻面和技术面分析，同时具备多角度辩论与风险管理机制。通过严格回测，在多只股票上显著超过传统动量和均值回归策略，表现出较高的累计收益率、夏普比率和可控最大回撤，证明多智能体协作与结构化通信在金融交易中的应用潜力 [page::0][page::2][page::5][page::6][page::7][page::11].
本文基于非对称断点方法，构建了加密货币市场尾部风险关联网络，动态分析疫情前后风险传播机制。研究发现疫情加剧了加密货币的系统性风险及风险溢出效应，稳定币如Tether表现出明显的风险分散功能。通过市场价值加权分解，揭示不同币种对整体风险的贡献及疫情期间风险结构演变，为监管机制提供参考 [page::0][page::1][page::3][page::4][page::7][page::8]
