深度灾难风险感知强化学习：用极值理论优化CVaR训练神经网络策略
研究将极值理论（EVT）的CVaR优化方法扩展到高维神经网络策略，采用超阈值表示与矩估计得到可微的尾部风险目标，其有限样本梯度可直接通过自动微分计算。在含罕见极端市场波动的深度对冲问题中，正常条件下EVT与经验CVaR训练的策略对冲行为相近，而EVT策略在极端情景评估下对冲损失更低。结果表明，当极端风险相关观测稀缺时，EVT可为神经网络策略训练提供实用替代方案。
#大模型
arXiv q-fin.RMAI 评分2222 arXiv q-fin.RMAI 评分2222 教师监督、固定表征与校准：候选评分决策模型的精确风险计算
研究对 Jev 与开源版本 JevAny 的三项训练要素（大模型软目标、冻结预训练骨干、温度校准）在高斯替代模型中做精确风险计算。在 CFPB 的 231,521 条信用卡投诉数据上，用逻辑教师概率训练的学生最终达到教师决策成本，而用结果训练的学生低 8%；30B 模型零样本经重校准后仍劣于教师，偏离一致性条件 17.5 decibans。
arXiv q-fin.GNAI 评分1818 用于统计套利校准后验的摊销神经滤波
神经滤波估计器（NFE）在均值回归过程的模拟路径上训练，单次前向传播即可输出横截面各价差潜在状态的后验。在韩国股票上，扣除成本后传统点估计每个持有期预测值比实现值高约1000个基点，摊销方法将该差距缩小约2至8倍。以与端到端 Attention Factor Model 相同学习因子上的后验确定头寸规模，在期内噪声范围内匹配基准规则下这些因子的夏普比率，且不增加风险。
国际清算银行 · 工作论文AI 评分3131 BIS 工作论文：用大语言模型从财报电话会测度地缘经济压力与企业应对
国际清算银行（BIS）工作论文提出用大语言模型（LLM）读取财报电话会，系统测度地缘经济压力的施加与回应，识别哪国政府对哪些外国目标、用何种工具、针对哪些企业和产品施压。
arXiv q-fin.RMAI 评分1818 模拟借贷市场中 LLM 借款人的共享行动顺序如何影响已执行信贷
一项在模拟抵押借贷市场中的实验发现，共享行动顺序会改变已执行信贷：三个小型开源权重语言模型面对按池价估值抵押品的借款上限，仅两个模型家族发生交易。
美国联邦储备理事会 · FEDS NotesAI 评分3030 美联储 FEDS Note：用 LLM 与半结构模型评估全球货币政策
美联储 FEDS Notes 刊文，用 Claude Haiku 4.5 与词典法对 BIS 数据库 1996-2025 年央行讲话构建鹰鸽情绪指标，并与半结构模型（SSM）估计的货币政策立场作对比。
arXiv q-fin.RMAI 评分2020 CorrFlow：在相关性椭圆体上实现精确且置换等变的流匹配
CorrFlow 通过广义 Fisher 变换将满秩相关矩阵双射映射到无约束坐标，并用图流匹配网络学习经验分布，保证输出始终落在相关性椭圆体上且具备置换等变性。
arXiv q-fin.RMAI 评分3838 面向大语言模型行为刻画与风险管理的分布框架
研究提出一个贯穿模型生命周期的分布框架，用蒙特卡洛模拟构建经验响应分布，并通过语义干预观察分布变化。该框架以借款人分类和音乐专辑推荐两项任务演示，量化分布偏移，并关联模型风险管理与治理，衡量稳健性与控制有效性、刻画残余行为。由于仅依赖观测响应，它也可用于通过商业 API 访问的黑盒模型。
欧洲央行 · 新闻稿AI 评分1212 欧洲央行公布2026年9月9-10日货币政策会议纪要
欧洲央行公布2026年9月9-10日柏林货币政策会议纪要，市场已完全定价本次会议加息，并预计到2027年底累计加息84个基点，高于7月会议时的64个基点。受美伊冲突再起影响，欧洲天然气价格升至2023年初以来最高水平，12月2027年通胀挂钩掉期仅小幅上升，显示2027年通胀将回落但仍高于2%。
arXiv q-fin.GNAI 评分1818 FinVector-Market-4B：LoRA 适配结构化金融任务的对照研究
FinVector-Market-4B 以 rank-16 LoRA 在 22,000 条样本上适配 Qwen/Qwen3.5-4B，并在同一 600 条基准上对比基座与适配模型。
arXiv q-fin.RMAI 评分1818 光子量子求解器在金融风险检测 QUBO 特征选择中的表现差异研究
研究在信用卡欺诈与消费违约检测两个数据集上，对比经典分支定界（Gurobi）、光子熵计算（QCI Dirac-3）与模拟光子玻色采样（Piquasso）三类求解器在十三种特征选择方法下的表现。
美国联邦储备理事会 · FEDS NotesAI 评分2626 美联储 FEDS Note：用 ISM 调查文本与 Claude Sonnet 4.5 测算投入成本压力
美联储 FEDS Notes 提出用 ISM 制造业与服务业月度调查的"价格上涨/下跌"文本构建投入成本压力指数，并用嵌入向量模型 all-MiniLM-L6-v2 与 Claude Sonnet 4.5 两种方法将产品提及映射到约 50 个类 PPI 类别，两者分类结果大体一致。
arXiv q-fin.RMAI 评分2222 Deep kernel hedging：深度核对冲框架
研究提出深度核对冲框架，将深度学习与核方法的结构性归纳偏置结合，对冲函数被限制在由神经网络嵌入参数化核的再生核希尔伯特空间中。该框架在凸损失下最小化正则化经验风险，并通过截断时间增广签名特征纳入路径依赖信息，同时给出联合对冲问题的广义表示定理。为降低大核矩阵计算成本，作者开发可扩展的随机傅里叶特征近似并建立收敛保证，数值结果显示在低数据情形下对冲表现具有竞争力且稳健。
arXiv q-fin.GNAI 评分3636 同一文本、不同数字：基于 LLM 的文本度量在不同模型间的分歧
研究用 7 个不同厂商的 LLM 对 S&P 500 公司财报电话会议记录按 13 项指标打分，跨模型排名相关性平均仅 0.52，跨提供商共有的记录层面差异只占总得分变异的 34%。模型选择显著影响下游推断，系数大小、符号和统计显著性随模型大幅变化。作者建议将 LLM 生成的变量视为依赖模型的测量结果，并跨提供商验证。
arXiv q-fin.GNAI 评分5858 研究：LLM 智能体在银行挤兑与债务展期场景中普遍出现集体脆弱
Zhenhao Fu 在 arXiv 发布论文，用 FRAIL 框架将 LLM 智能体置于银行挤兑、债务展期和奖励型众筹三类动态金融环境中，考察个体决策如何改变他人面临的金融条件。
arXiv q-fin.RMAI 评分2222 融合多源异构数据的深度学习信用风险预警系统设计
一篇论文提出基于异构信息融合的信用风险预警系统，采用深度神经网络与注意力机制结合的模型架构，从交易行为、社交网络等多源数据中提取多维特征，建立企业与个人信用风险的早期识别机制。系统测试显示该方法在预警准确性和及时性上显著优于传统规则引擎方案。
arXiv q-fin.RMAI 评分2222 扩散模型用于动态波动率曲面生成与数据驱动对冲
研究提出扩散模型框架 AD-Seq-Vol 及其微调版本 AD-Seq-Vol-FT，用于生成动态隐含波动率曲面并支持数据驱动对冲。基于 2000 至 2023 年 SPX 期权日度数据，AD-Seq-Vol 产生的静态套利违规少于训练数据和 GAN 基准，AD-Seq-Vol-FT 将违规降至接近零。
欧洲央行 · 工作论文AI 评分4242 欧洲央行工作论文：用基于Transformer的语言模型度量新闻情绪
欧洲央行发布第3283号工作论文，研究用基于Transformer的语言模型度量新闻情绪。论文以作者观点撰写，不代表欧洲央行立场。
arXiv q-fin.RMAI 评分2828 用"网络小猫"简化网络巨灾：网络保险风险中的幂律合理性检验
一项基于30年24起网络巨灾事件数据的研究检验了网络经济损失是否服从幂律分布，并利用LLM从2020-2024年网络保险理赔数据中提取损失低于10亿美元的"网络小猫"事件，以受害人数（按理赔年份加权）作为经济损失代理指标。
arXiv q-fin.GNAI 评分3636 FinRAG-QA：面向欧美银行财报跨机构问答的新基准数据集
研究团队构建 FinRAG-QA 基准数据集，含 999 个从业者编写的问题，覆盖 10 项标准化指标，基于 24 家欧美主要银行 2019-2023 年的 209 份年报与 Pillar 3 报告。
arXiv q-fin.RMAI 评分3434 精算费率厘定中的缩放规律：表格数据与 GLM 基线下的模型选择
一项基于真实车险组合的研究检验了精算费率厘定中是否存在类似深度学习的缩放规律，以样本外 Poisson deviance 评估不同模型家族在训练数据比例递增时的表现。
arXiv q-fin.RMAI 评分2020 条件 Wasserstein GAN 逼近复合损失模型后验分布
研究将复合损失模型的贝叶斯推断表述为摊销后验近似，构建以充分统计量、先验均值与变异系数及先验族混合权重为条件的条件 Wasserstein GAN，用单一共享生成器同时逼近 Poisson 强度与 Pareto 形状参数的后验分布。
国际清算银行 · Bulletin 快评AI 评分6363 BIS 研究：用大模型筛查 AT1 招募说明书与资本规则的差异
国际清算银行（BIS）发布 Bulletin 研究，提出一套基于大语言模型的流程，帮助监管人员对照资本规则审查招募说明书，并对潜在差异排序供其判断。研究将该流程应用于欧洲全球系统重要性银行的 Additional Tier 1（AT1）招募说明书，并在瑞士信贷和 Yes Bank 的匿名文件上验证，找出了后来在 AT1 损失吸收争议中起作用的规则与说明书差异。