The Martingale Sinkhorn Algorithm
本文提出了一种适用于任意维度的迭代算法（Martingale Sinkhorn 算法），用于求解在最小矩假设下寻找连接两个给定边缘分布且最接近布朗运动的鞅插值问题，并证明了该算法在边缘分布具有有限 阶矩时能收敛至 Bass 势，从而将现有理论从有限二阶矩情形推广至更广泛的场景。
💰 Category
q-fin.CP
19 篇论文
Stochastic Attention via Langevin Dynamics on the Modern Hopfield Energy
该论文提出了一种无需训练、基于朗之万动力学的随机注意力机制，通过调节温度参数在精确检索与开放生成之间灵活切换，在保持多样性和新颖性方面显著优于传统学习基线，且无需修改现有架构即可应用于检索增强生成和上下文学习。
Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models
该论文针对能源市场中连续发生的机制转换及现有方法缺乏因果解释的局限，提出了一种结合神经因果发现与多变量时序数据的增强型时间序列因果模型（ATSCM），旨在通过可解释的因子和动态因果图实现对电价形成机制的深入理解及反事实推理。
Towards Causal Market Simulators
本文提出了一种结合变分自编码器与结构因果模型的时序神经因果模型（TNCM-VAE），通过引入有向无环图约束和因果 Wasserstein 距离，成功生成了既保留时间依赖性又符合因果机制的金融合成数据，从而显著提升了反事实概率估计的准确性并支持更可靠的金融压力测试与情景分析。
Uncertainty-Aware Deep Hedging
该论文提出了一种基于深度集成学习的确定性感知对冲框架，通过量化模型分歧来指导对冲策略与经典 Black-Scholes 模型的动态融合，从而在考虑交易成本的随机波动率市场中显著提升了风险对冲性能。
A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting
该论文提出了一种基于有向二分图的结构化机器学习框架，利用中美股市交易时间差构建稀疏可解释的特征选择层，研究发现美国收盘价至收盘价的收益率对中国日内收益率具有显著预测力，而反向影响则十分有限。
Risk-Adjusted Harm Scoring for Automated Red Teaming for LLMs in Financial Services
该论文针对金融服务领域大语言模型的安全评估局限，提出了一种结合领域特定危害分类、自动化多轮红队测试及风险感知判罚机制的框架，并引入了风险调整危害评分（RAHS）以量化操作严重性，揭示了高随机解码与持续对抗交互会显著加剧金融披露风险。
SPX-VIX Risk Computations Via Perturbed Optimal Transport
该论文提出了一种基于扰动最优传输的模型无关框架，通过结合费雪信息线性化与偏度粘性比（SSR）动态，实现了无需完全重新校准即可快速、准确地生成 SPX 和 VIX 风险情景并提升对冲表现。
On Utility Maximization under Multivariate Fake Stationary Affine Volterra Models
本文针对非马尔可夫且非半鞅的多变量伪平稳仿射 Volterra 环境，利用随机因子解 Riccati 倒向随机微分方程并结合鞅最优性原理，推导出了 Merton 投资组合优化问题的半闭式最优策略，并通过数值模拟展示了平稳粗糙波动率对策略的影响。
Single- and Multi-Level Fourier-RQMC Methods for Multivariate Shortfall Risk
本文提出了一种结合傅里叶逆变换与随机拟蒙特卡洛（RQMC）采样的单级及多级数值算法，通过在频域利用被积函数的平滑性来高效估算多元短缺风险及其最优配置，显著提升了计算精度并降低了计算成本。
Impact of arbitrage between leveraged ETF and futures on market liquidity during market crash
该研究通过人工市场模拟发现，在价格暴跌情境下，杠杆 ETF 与期货之间的套利交易能够促进两个市场间的流动性互补，具体表现为当一方出现错误订单时，套利机制能引导另一方的卖盘深度和紧密度（或交易量）向受损市场提供流动性支持。
Convergence of Neural Network Policies for Risk--Reward Optimization
本文提出了一种基于神经网络的两步反馈策略框架，用于解决具有不连续状态约束的多周期风险 - 回报随机控制问题，并证明了在增加网络容量和训练样本时，经验最优值依概率收敛于真实最优值，同时通过数值实验验证了其收敛性、控制策略准确性及样本外鲁棒性。
Onflow: a model free, online portfolio allocation algorithm robust to transaction fees
本文介绍了 Onflow，一种基于强化学习和梯度流的无模型在线投资组合分配算法，它能在无需假设资产回报分布的情况下，通过动态调整策略在考虑交易成本时实现优于传统方法的性能，并在零成本下复现马科维茨最优组合。
Finance-Informed Neural Network: Learning the Geometry of Option Pricing
该论文提出了一种名为 FINN 的金融信息神经网络，通过基于动态对冲的自监督学习目标，将金融理论直接融入机器学习，从而在无需依赖期权市场价格数据的情况下，能够一致且稳健地推导出无套利定价、希腊字母及隐含波动率曲面，并适用于缺乏流动性的资产定价。
A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization
该论文提出了一种名为 WaveLSFormer 的可学习小波 Transformer 模型，通过端到端的多尺度分解与风险感知正则化直接优化市场中性投资组合，在长短期股票交易任务中显著超越了传统基线模型，实现了更高的累计收益和夏普比率。
On an Optimal Stopping Problem with a Discontinuous Reward
本文研究了在假设保单持有人以最大化风险中性价值进行退保行为下，具有不连续奖励函数的变额年金最优停止问题，通过建立价值函数的新表示法，揭示了费用与退保罚金函数如何决定退保区域的存在性与形态，并提出了三种新的价值函数表示形式。
Enhanced indexation using both equity assets and index options
本文提出了一种将指数期权作为“人工资产”纳入增强型指数化投资的策略，基于二阶随机优势模型并利用经幸存者偏差修正的 2017 至 2025 年标普 500 数据进行的实证研究表明，该方法能显著提升投资组合的样本外表现。
Autonomous AI Agents for Option Hedging: Enhancing Financial Stability through Shortfall Aware Reinforcement Learning
本文提出了两种基于强化学习的自主 AI 代理框架（RLOP 和 QLBS），通过优先关注短缺概率和下行风险，在 SPY 和 XOP 期权实证中显著降低了尾部风险并提升了实际对冲表现，从而弥合了静态模型校准与动态对冲结果之间的差距。
Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps
本文提出了一种针对随机波动率跳跃扩散模型下零日到期（0DTE）期权微分机器学习方法，通过引入成熟度门控方差修正、多阶段训练及偏微分积分方程残差惩罚，实现了在单次网络评估中同时高精度计算价格与希腊值，并显著提升了跳跃项近似能力、对冲稳定性及计算效率。