本文提出一种新的预测市场模型，使用风险度量来建模市场中的代理人，并引入市场制造商来描述交易过程，分析表明，整个市场有效地达到了全局目标，同时建立了机器学习与市场之间的密切联系。

Mar, 2014

通过多智能体模拟方法探索复杂适应性金融交易环境是量化金融领域中创新的方法。我们设计了一种基于小规模元启发式方法的多智能体模拟方法，旨在代表澳大利亚政府债券交易的不透明双边市场，捕捉银行之间的双边交易特性，也称为 “场外交易”，通常发生在 “做市商” 之间。我们探讨市场刚性对市场结构的影响，并考虑市场设计中的稳定性因素，这扩展了对复杂金融交易环境的讨论，提供了对其动态和影响的更深入的理解。

May, 2024

机器学习任务对输入数据的质量很敏感，但是企业往往难以获得足够的数据集，这些数据集通常在不同的所有者间进行自然分布，这些所有者在实践中可能是下游市场的竞争对手，且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制，为数据共享提供了经济激励，以解决监督学习回归任务中的这些挑战。我们对市场性质进行了全面的研究，并表明当前文献中类似建议暴露了市场参与者的巨大财务风险，而我们的概率设置可以减小这些风险。

Oct, 2023

通过参数的视角，本文以敏感性为基础的技术来提取和对齐不同规模的大型语言模型之间的知识特定参数，并且使用 LoRA 模块作为注入提取的知识到较小模型的中间机制，通过四个基准测试验证了我们提出的方法的有效性，突出强调了影响参数化知识传递过程的重要因素，凸显了模型参数在不同规模的大型语言模型之间的可转移性。

Oct, 2023

我们提出了一种新颖的基于代理的方法来模拟仅通过市场制造商进行交易，并且代理的可见性受到网络拓扑结构的限制的场外金融市场。我们证明了网络拓扑结构与市场制造商的结合可以探索各种市场结构的作用，包括价格行为、市场的形成以及不同市场制造商之间的套利效应。

May, 2024

构建金融交易仿真器的能力，包括重现限价委托簿的动态，能够对许多反事实情景提供洞见，如闪崩、追加保证金或宏观经济前景的变化。近年来，已开发了能够重现交易所许多特征的基于代理的模型，由一组简化事实和统计数据总结。然而，将仿真器校准到特定的交易期间仍然是一个待解决的挑战。在本文中，我们借鉴深度学习的最新进展，特别是使用神经密度估计器和嵌入网络，提出了一种新的市场仿真器校准方法。我们证明了我们的方法能够正确识别高概率参数集，无论是应用于合成数据还是历史数据，而无需依赖手动选择或加权的简化事实集合。

Nov, 2023

该研究提出了一种基于深度神经网络的模型的 Actor-Critic 算法，用于解决市场做市商在企业债券市场中的报价优化问题。

Oct, 2019

本文分析了如何通过学习潜在因素的后验分布来解决隐含最优交易问题，提出了一种 EM 算法的变体来校准模型，演示了此最优策略的性能和与忽略学习的策略的比较。

Jun, 2018

提出一种神经网络架构，它可以学习一组不同数据样本的模型类，从而减少过拟合问题，应用到资产管理中的传统问题 —— 扩散曲线校准问题，并解决了环境、社会及公司治理评级对债券利差的影响问题。

Apr, 2023

为了克服 6G 移动网络中多设备上同时下载不同和高维模型的通信瓶颈，我们提出了模型广播和装配（MBA）框架，通过参数广播减少通信开销和下载延迟，同时提供设备的模型性能保证。与传统模型下载相比，所提出的 MBA 框架在下载延迟方面取得了显著的减少。

Jul, 2023