econ
03-18 00:00
本研究将千禧年难题P vs NP引入量化金融，探讨了在约94个行业资产池中，严格限定仅投资K种资产的组合优化问题。该约束将离散的资产选择与连续的权重优化耦合，形成一个混合整数二次规划问题，其搜索空间随资产数量n和K呈组合爆炸式增长，属于NP难问题。论文系统评估了贪婪筛选、蒙特卡洛采样和遗传算法等可扩展近似方案的性能，并分析了基数约束如何重塑可达的有效前沿。研究还通过基于Delta的线性化方法，将布莱克-斯科尔斯期权定价模型纳入CAPM一致矩估计框架，为NP难的投资组合优化提供了一个具有透明输入和可扩展衍生品叠加的可复现模板。
投资组合优化p vs np问题基数约束马科维茨模型衍生品定价np难问题
econ
03-18 00:00
本研究通过结合行为观察与信念测度，探究社会关系（无关系、弱关系、强关系）如何影响策略认知。被试成对参与独裁者博弈、最后通牒博弈和蜈蚣博弈，并预测对方行动。研究发现，在受社会规范主导的博弈（独裁者、最后通牒）中，社会距离对行为和信念校准无显著影响。然而，在需要预测特定对手未来行动的序贯蜈蚣博弈中，强关系组表现出更长的合作时间与更晚终止的预期，且信念与行为同步变化。这表明，只有当互动结构使得针对特定伙伴的责任认知成为必要时，社会关系才具有策略相关性。
社会关系策略行为经济博弈信念测度互动结构
econ
03-18 00:00
本文通过稳健机制设计框架，重新审视了存在消费外部性时的经典政策工具选择问题。研究发现，当监管者不确定个体需求与边际外部性之间的相关性时，最优的稳健政策是数量控制（对正外部性设下限，对负外部性设上限）。若已知相关性的符号，则统一的税收或补贴可能最优。该框架也适用于监管不确定性和有成本的甄别情形，为现实中非价格政策的普遍存在提供了基于福利的解释。
稳健机制设计政策工具选择消费外部性数量控制价格管制监管不确定性
econ
03-18 00:00
本研究通过实验室实验（n=126）探究了与AI智能体（GPT-5.2）进行自然语言沟通如何影响人类在无限重复囚徒困境中的合作行为。研究发现：1）人机合作初始水平高，但无法像人人互动那样最终达到近乎完全合作，而是趋于停滞；2）重复沟通在人人互动中显著提升合作，但在人机互动中无显著效果；3）策略估计显示，人机组倾向于“冷酷触发”策略且策略分散，而人组则收敛于“以牙还牙”和无条件合作；4）人机对话包含更多明确的策略承诺，但更少情感与社会信息。结果表明，人类与AI的合作虽高，但缺乏人人互动中建立的信任，其合作由条件性规则而非社会纽带维系。
人机合作重复博弈囚徒困境沟通策略行为实验ai信任
econ
03-18 00:00
研究通过卫星夜光数据构建了1993-2019年间165个国家8088个功能城市区的GDP轨迹，并识别出17种持久且独特的增长模式。这些“增长模式”定义了城市的经济生态位，其共享的波动特征、冲击响应和长期动态超越了国界。研究发现，条件收敛仅发生在同一增长模式内部，而非全球层面。一个有向传播网络揭示，经济冲击沿着结构性相似的路径传导，而非地理邻近性，发达经济体倾向于输出扰动，而新兴经济体则吸收或放大冲击。国家层面的趋同现象是加总后的假象。
城市增长模式经济冲击传导卫星夜光数据结构性相似条件收敛空间不平等
econ
03-18 00:00
本文研究了股东面临的全套所有权税收（包括公司利润税、资本利得税、股息税和财富税）对投资组合选择的影响。研究发现，当满足三个条件时，税收体系整体上保持投资组合中性：1）资本所得税率等于公司税率；2）税收屏蔽率等于无风险利率；3）财富税评估在所有资产间统一。此时，税后超额收益是税前超额收益的均匀缩放（缩放因子为 $(1-\tau_c)(1-\tau_d)$），税收仅改变财富过程的漂移项（表现为平移或缩放），而不改变其扩散系数。当条件不满足时，流量税和存量税产生的扭曲是加性可分的，互不干扰。以挪威双重所得税制校准显示，制度设计已满足前两个条件，主要的扭曲来自非统一的财富税评估，其影响远大于其他税收渠道。
税收中性投资组合选择财富税流量税税收扭曲所有权税收
econ
03-18 00:00
本研究将Frøseth (2026)的Fokker-Planck框架扩展至具有异质性、持续性收益生成能力的投资者群体。当描述对数财富的朗之万方程中的漂移系数在投资者间存在差异时，比例财富税虽然仍表现为统一的漂移平移，但在经济意义上不再中性：其实际税负因能力类型而异，稳态财富分布的形状也随之改变。研究推导了基于对数财富与能力联合空间的扩展Fokker-Planck方程，刻画了漂移平移对称性被打破的条件，并识别了其对资产价格与投资组合配置的影响。该分析将Frøseth (2026)的中性结果与Fokker-Planck动力学，同Guvenen等人(2023)提出的“用进废退”机制等异质性收益文献联系起来。
财富税中性异质性收益fokker-planck方程财富分布资产定价税负归宿
econ
03-18 00:00
研究表明，通过在期刊发表记录上微调语言模型，可以提取出人类专家难以明确表达的“科学品味”——即判断哪些未经验证的想法值得研究的评估能力。在管理学研究提案的四级质量基准测试中，11个前沿大模型的平均准确率仅为31%，期刊编辑专家小组的多数投票准确率为42%，而基于多年发表记录微调的模型准确率最高达到59%，在经济学领域甚至达到70%。这些模型表现出校准的置信度，在其最高置信度的预测上达到100%准确，并能将评估信号迁移到未训练的成对比较和单句摘要任务中。
人工智能科学评估语言模型学术出版研究管理机器学习
econ
03-18 00:00
本文提出几何流形分析（GeMA）框架，用于评估铁路网络、可再生能源资产和国家经济等复杂系统的性能。传统前沿方法（如DEA和SFA）依赖于对生产集的严格假设，难以处理异质性和规模效应。GeMA通过生产力-流形变分自编码器（ProMan-VAE），将生产集表示为联合输入-输出空间中嵌入的低维流形的边界。该方法学习捕捉技术结构和运营效率的潜在变量，效率评估基于习得的流形，内生同行组作为潜在技术空间中的聚类出现，并支持尺度不变的基准测试。在合成数据和四个真实案例（全球城市铁路系统、英国铁路运营商、国民经济、高频风电场数据）中验证，GeMA在经典假设成立时表现可比，在存在显著异质性、非凸性或规模偏差时提供更深入的洞察。
效率评估流形学习变分自编码器基准测试复杂系统非参数方法
econ
03-18 00:00
本研究系统评估了七种主流大语言模型在辅助多项Logit模型设定与估计中的潜力。通过五种实验配置，考察了提示策略（零样本 vs. 思维链）与信息可用性（完整数据集 vs. 数据字典）的影响。研究发现，在结构化提示引导下，闭源模型能生成有效且行为合理的效用函数设定，而开源模型表现欠佳。值得注意的是，仅提供数据字典有时能提升模型内部推理能力。GPT o3是唯一能通过自生成代码正确估计其设定模型的模型。结果揭示了LLMs在离散选择建模中作为辅助工具的潜力与当前局限。
大语言模型离散选择模型多项logit提示工程模型辅助人工智能
econ
03-18 00:00
本研究构建了一个博弈论模型，探讨在唯才是举的选拔系统中，不同社会经济群体对选拔后价值的感知差异如何影响个体努力决策。模型显示，即使选拔过程完全基于可观测的才能，群体间的感知差异也会通过理性选择转化为努力程度的差异，从而在看似“公平”的选拔中导致代表性失衡和社会福利损失。研究进一步提出了一个成本敏感优化框架，量化了通过调整选拔标准或修正感知价值来减少不平等、同时不损害机构目标的可能性。该模型将理性选择与结构性不平等解释联系起来，揭示了技术社会环境如何塑造个体激励。
公平选拔博弈论模型感知偏见社会不平等理性选择激励机制
econ
03-18 00:00
本文提出了一种结构向量自回归模型，其波动过程采用一种新的灵活设定——稀疏异质马尔可夫切换异方差。在该模型中，每个结构冲击的条件方差随时间根据其自身的马尔可夫过程变化，并采用稀疏表示，允许某些制度在样本中零出现。通过定义归一化条件方差的新分布，模型便于吉布斯抽样和识别验证。实证表明，该模型能更精确地估计结构参数，可靠验证同方差性以辅助异方差识别，并具备与随机波动模型相当的优秀预测性能。应用于美国货币政策冲击识别，结果与文献一致。
结构向量自回归马尔可夫切换异方差识别稀疏表示货币政策冲击波动建模
econ
03-18 00:00
针对电动汽车充电时间长、高峰时段易引发充电站拥堵的问题，本研究提出一个两阶段优化分配框架。第一阶段，中央协调器基于排队信息设定各站准入配额，以控制最差站点的延迟。第二阶段，在配额与可达性等约束下，通过求解一个带容量限制的效用最大化分配问题，将车辆分配到各充电站。为高效处理异质性充电需求，研究预先以闭式解计算每对“车辆-充电站”的最优充电量，再将其转化为运输/分配问题求解。此外，研究引入简化参与模型，分析了网络效应、溢出效应与协调成本下的用户采纳阈值。数值实验表明，该方法能显著降低最坏情况下的拥堵，且对平均效用影响有限。
电动汽车充电两阶段优化拥堵控制资源分配网络效应效用最大化
econ
03-18 00:00
本文研究了当网络数据稀疏且存在测量误差时，对中心性度量进行线性回归的性质。主要贡献有三：首先，证明了OLS估计量在稀疏性下可能变得不一致，并发现特征向量中心性回归比度中心性和扩散中心性更易受稀疏性影响。其次，推导了估计量在保持一致性时的渐近分布，发现当目标系数非零时，估计量存在相对于方差可能很大的渐近偏差，导致传统置信区间和t检验失效。最后，提出了针对稀疏含噪网络的OLS偏差校正与推断方法。模拟与应用验证了方法的有效性。
网络计量经济学中心性度量稀疏网络测量误差偏差校正渐近理论
econ
03-18 00:00
本文针对大规模状态空间的动态离散选择模型，提出了一种基于共轭梯度法的模型自适应方法，用于求解策略估值算子的不动点线性方程组。核心创新在于构建了一个模型自适应筛空间，通过迭代地加入前次迭代的残差来扩充空间。理论分析和数值实验均表明，该方法能显著提升性能，其近似误差在筛维度上以超线性速率衰减，优于传统逐次逼近法的线性速率。该方法适用于条件选择概率估计器以及结合策略迭代或牛顿-康托洛维奇迭代的全解估计器。在基于Kantar Worldpanel数据的洗衣粉消费者需求实证应用中，新方法平均求解动态规划问题的速度比传统方法快80%，大幅降低了贝叶斯MCMC估计的计算成本。
动态离散选择大规模状态空间模型自适应共轭梯度法计算效率贝叶斯估计