本文通过量化墨西哥银行系统的四个市场层次对系统性风险进行量化，揭示了单层面视角可能低估总体系统性风险 90% 的事实，进而探究了所有市场层次下墨西哥银行系统的系统性风险特点以及全国范围的预期系统性损失。作者们表示，现今时期预期系统性损失比 2007-2008 年金融危机之前高出至少 4 倍，并且个人交易的系统性风险贡献甚至比相应的信用风险高出千倍，这将给公众带来巨大风险。

May, 2015

本研究针对高维网络模型的估计问题，采用 Granger 因果模型框架，利用稀疏边缘和内在节点分组结构的假设，引入削减版本的 Group Lasso 估计器，发现了网络节点之间的 Granger 因果交互作用，并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较，评估了该方法的性能。

Oct, 2012

提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

Jun, 2021

本文提出了一种基于神经网络方法的动力学系统研究方法，避免了传统模型建立过程中的假设。实验表明，该方法能够正确检测时间序列系统的动态信息流，尤其是在涉及冗余变量的情况下具有显著的优越性。

Jul, 2015

本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架，该框架除了关系推断外，还允许检测格兰杰因果效应的符号并检查其随时间的变化，通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能，并在推断交互符号方面取得更好的表现，这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。

Jan, 2021

本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

提出一种新颖的方法来准确估算低秩和结构稀疏高维 VAR 模型中的网络 Granger 因果交互作用，该方法采用核范数和 lasso（或 group lasso）惩罚的组合正则化框架，证明了该方法的估计误差速率的非渐近性上界，并演示了该方法在合成和真实数据上的表现优于标准稀疏 VAR 估计。

Dec, 2018

本文旨在将分布式计算文献中的各种概念、形式主义和结果整合到一个统一框架中，我们将其称为时间变化图表（TVG），并概括性地介绍它们的分类和应用。

Nov, 2010

本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

Nov, 2013

通过可视化分析方法，对贷款担保网络风险进行管理，包括对企业违约风险、高风险群体、违约传播路径等进行分析，帮助政府和银行监控担保网络的违约情况和防范系统性金融风险。

Apr, 2017