Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions
Kyushu Institute of Technology（九州工业大学）
本文提出SVAR-FM框架，利用物理模拟器实现Pearl的do操作，通过物理约束消除混杂路径，利用条件流匹配学习非线性干预条件，理论证明结构VAR在覆盖条件下可识别，并通过四个科学领域实验验证其有效性。
2026-05-11 cs.AI cs.LG
Learning to simulate realistic limit order book markets from data as a World Agent
J.P. Morgan AI Research（摩根大通人工智能研究院）；Balyasny Asset Management, L.P.（巴利亚斯尼资产管理有限合伙公司）
多代理市场模拟器通常需要仔细校准以模拟真实市场，其中包括代理的数量和类型。校准不佳的模拟器可能会导致误导性的结论，在投资银行、对冲基金和交易员研究和评估交易策略时可能会造成严重损失。在本文中，我们提出了一个世界模型模拟器，准确地模拟一个限价订单簿市场-它不需要代理校准，而是直接从历史数据中学习模拟的市场行为。传统的方法无法学习和校准交易者群体，因为历史标记数据与每个交易者策略的细节并不公开。我们的方法建议从历史数据中学习独特的“世界”代理。它旨在模拟整体交易者群体，而不需要对个人市场代理策略做出假设。我们将我们的世界代理模拟器模型实现为条件生成对抗网络（CGAN）以及参数分布的混合，并将我们的模型与以前的工作进行比较。定性和定量，我们表明，所提出的方法始终优于以前的工作，提供更多的现实主义和响应能力。
2022-09-26 cs.GT cs.LG q-fin.CP
Physical Simulators as Do-Operators: Causal Discovery under Latent Confounders for AI-for-Science
Kyushu Institute of Technology（九州工业大学）
本文提出CFM-SD方法，利用物理模拟器作为do-运算符，解决AI-for-Science中潜在混杂因素和真实干预数据的因果发现问题，实验表明其在合成数据和真实科学数据中均表现出色。
2026-05-08 cs.AI cs.ET cs.LG
A Data-driven Market Simulator for Small Data Environments
J.P. Morgan（摩根大通）；The Alan Turing Institute（艾伦·图灵研究所）；University of Oxford（牛津大学）
基于神经网络的数据驱动的市场模拟揭示了一种新的和灵活的方式来建模金融时间序列，而无需对潜在的随机动态施加假设。虽然从这个意义上说，生成市场模拟是无模型的，但具体的建模选择对模拟路径的特征具有决定性意义。我们给出了一个简要的概述，目前使用的生成建模方法和性能评价指标的金融时间序列，并解决了一些挑战，以实现良好的结果，在后者。我们还对比了一些经典的市场模拟方法与基于生成模型的模拟，并强调了新方法的一些优点和缺陷。虽然大多数生成模型往往依赖于大量的训练数据，但我们在这里提出了一个生成模型，它可以在可用训练数据量非常小的环境中可靠地工作。此外，我们展示了如何结合一个简约的变分自动编码器框架的粗糙路径的角度提供了一个强大的方式编码和评估金融时间序列在这样的环境中，可用的训练数据是稀缺的。最后，我们还提出了一个合适的性能评价指标的金融时间序列，并讨论了我们的市场生成器的深度对冲的一些连接。
2020-06-21 cs.LG q-fin.CP q-fin.MF
Demistifying Data and Simulator Assumptions in Supervised Causal Discovery
Zhejiang University of Technology（浙江工业大学）；Microsoft Research Asia（微软亚洲研究院）；Sony Research（索尼研究院）；HKUST（香港科技大学）
本文系统梳理监督式因果发现方法，区分可识别性与泛化性，强调模拟器假设影响预测，并提出匹配指标与测试分布变化的评估框架。
2026-09-30 cs.AI cs.LG
The market drives ETFs or ETFs the market: causality without Granger
本文发展了一种基于深度学习的计量经济学方法来确定金融时间序列的因果关系。这种方法适用于个股每日交易的不平衡，以及向SEC报告的具有纳秒时间戳的ETF。基于我们的方法，我们得出结论，交易所交易基金的交易不平衡比整个市场的交易不平衡更有信息量。典型地，与个股相关的绝对数量的不平衡消息以8：1的比例主导了由ETF引起的不平衡消息。
2022-04-07 q-fin.ST q-fin.TR stat.AP
Time-Causal VAE: Robust Financial Time Series Generator
ETH Zürich（苏黎世联邦理工学院）；University of Tübingen（蒂宾根大学）
本文提出时间因果变分自编码器（TC-VAE），通过因果约束和RealNVP先验生成稳健的金融时间序列，控制因果Wasserstein距离，实验验证其在合成与真实数据上的有效性。
2024-11-05 cs.LG q-fin.CP
Causal Hierarchy in the Financial Market Network -- Uncovered by the Helmholtz-Hodge-Kodaira Decomposition
本文提出利用Helmholtz-Hodge-Kodaira分解将复杂的金融Granger causality网络拆分为旋转和梯度分量以揭示因果层级，发现Covid危机期间贵金属和医药产品是主导驱动因素，为理解市场危机动态提供了有效方法。
2024-08-23 physics.data-an q-fin.ST stat.AP
Deep Hedging: Learning to Simulate Equity Option Markets
J.P. Morgan（摩根大通）
我们构建了基于生成对抗网络（GANs）的现实股票期权市场模拟器。我们考虑了递归和时间卷积架构，并评估了状态压缩的影响。期权市场模拟器是高度相关的，因为它们允许我们扩展有限的真实世界数据集，用于期权交易策略的培训和评估。我们表明，基于网络的生成器在一系列基准指标上优于经典方法，对抗性训练达到了最佳性能。我们的工作首次证明了GANs可以成功地应用于生成多变量金融时间序列的任务。
2019-11-05 cs.LG q-fin.CP q-fin.MF
Invariant Causal Routing for Governing Social Norms in Online Market Economies
Tianjin University（天津大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Peking University（北京大学）；University of Bristol（布里斯托大学）
本文提出不变因果路由（ICR）框架，通过因果推理和不变因果发现，实现在线市场经济中稳定社会规范的治理，提升政策的可解释性和有效性。
2026-03-04 cs.AI cs.CY cs.LG
Mathematical Reasoning via Intervention-Based Time-Series Causal Discovery Using LLMs as Concept Mastery Simulators
Kyushu Institute of Technology（九州工业技术大学）
本文提出CIKA框架，利用LLM自身作为干预模拟器，通过干预能力探针区分因果相关概念，提升数学推理能力。
2026-10-27 cs.AI cs.CL cs.LG
Extending Bayesian structural time-series estimates of causal impact to many-household conservation initiatives
政府机构为公民的保护行动提供经济激励，例如安装高效电器的回扣和房屋改造的补偿。这些节约行动的目的往往是减少公用事业的消耗。衡量激励措施的保护影响对于指导政策很重要，但这样做在技术上很困难。然而，近年来，随着营销人员设法证实其服务的价值，在向消费者营销方面，估计公共外联工作影响的方法有了很大的发展。一种这样的方法使用贝叶斯结构时间序列（BSTS）来将暴露于广告活动的市场与通过匹配过程识别的控制市场进行比较。本文介绍了一个扩展的匹配/BSTS方法的影响估计，使其适用于一般的保护计划的影响估计时，多户数据。这是通过家庭匹配/BSTS步骤来实现的，以获得保护估计，然后使用元回归步骤来汇总结果。一个案例研究家庭草坪清除回扣对多个加州水域的用水量的影响进行说明这种方法的工作流程。
2017-08-08 stat.ME
CausalSim: A Causal Framework for Unbiased Trace-Driven Simulation
MIT（麻省理工学院）
CausalSim提出因果框架，通过张量补全消除迹线偏差，实现无偏模拟，在真实数据上误差降低53%和61%，并揭示ABR算法新见解。
2023-05-05 cs.AI cs.LG cs.NI
A causal interactions indicator between two time series using extreme variations in the first eigenvalue of lagged correlation matrices
本文提出基于滞后相关矩阵最大特征值变异性的双时间序列因果交互识别方法，经实验验证其检测时序结构变化的效果优于Granger因果检验，可用于金融市场风险相关的因果推断。
2025-11-18 q-fin.PM stat.AP
Towards a fully RL-based Market Simulator
J.P. Morgan AI Research（摩根大通人工智能研究院）
我们提出了一个新的金融框架，两个家庭的RL为基础的代理代表的流动性提供者和流动性接受者同时学习，以满足他们的目标。由于参数化的奖励公式和深度RL的使用，每个组都学习了一个共享的策略，能够在广泛的行为上进行推广和插值。这是一个完全基于RL的市场模拟器，复制复杂的市场条件，特别适合研究各种情况下的金融市场的动态。
2021-11-08 cs.AI cs.LG cs.MA
Financial Wind Tunnel: A Retrieval-Augmented Market Simulator
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；IDEA Research, International Digital Economy Academy（国际数字经济学院IDEA研究院）
针对现有市场模拟器仅适配特定任务的局限，研究提出检索增强的FWT模拟器，整合宏微观市场模式，支持多场景可控仿真，还可优化下游量化模型，在复杂波动市场中表现更优。
2025-03-23 cs.CE cs.LG q-fin.CP
Risk-Neutral Market Simulation
J.P. Morgan（摩根大通）
本文建立了一个风险中性的现货和股票期权市场模拟器，在此模型下，联合市场过程是一个鞅。我们利用一个有效的低维表示的市场，保留没有静态套利，并采用神经样条流来模拟样本是免费的条件漂移和高度现实的意义上说，在所有可能的风险中性模拟器，获得的风险中性模拟器是最接近的历史数据的Kullback-Leibler分歧。数值实验证明了该方法的有效性，并突出了漂移消除和模拟器的保真度。
2022-02-28 cs.LG q-fin.CP q-fin.GN
Iterative Causal Segmentation: Filling the Gap between Market Segmentation and Marketing Strategy
AstraZeneca PLC（阿斯利康公司）；AZ Brain
针对因果机器学习中处理变量与混杂变量紧密耦合的难题，本文提出经形式化证明的迭代因果分割算法，以改进市场细分与营销策略制定。
2024-05-23 cs.AI cs.LG
FuNVol: A Multi-Asset Implied Volatility Market Simulator using Functional Principal Components and Neural SDEs
University of Toronto（多伦多大学）；Riskfuel Analytics
本文提出FuNVol，一种结合函数主成分与神经随机微分方程的多资产隐含波动率市场模拟器，通过概率积分变换惩罚减少模型误设，生成无静态套利且与历史一致的曲面，并验证对冲损益的准确性。
2023-12-26 cs.LG q-fin.CP q-fin.ST
ADCB: An Alzheimer's disease benchmark for evaluating observational estimators of causal effects
Chalmers University of Technology（查尔姆斯理工大学）
模拟器为因果效应估计提供了独特的基准，因为它们不依赖于无法验证的假设或干预现实世界系统的能力，但通常过于简单，无法捕捉实际应用的重要方面。我们提出了一个模拟阿尔茨海默氏症的目的是在建模的医疗数据的复杂性，同时使基准的因果关系和政策估计。我们将该系统与阿尔茨海默病神经影像学倡议（ADNI）数据集相匹配，并在比较治疗试验和观察性治疗模式的结果中手工制作组件。该模拟器包括改变因果推理任务的性质和难度的参数，例如潜变量、效应异质性、观察历史的长度、行为策略和样本量。我们使用模拟器来比较平均和条件治疗效果的估计。
2021-11-12 cs.LG stat.ML
Leveraging a Simulator for Learning Causal Representations from Post-Treatment Covariates for CATE
Stanford University（斯坦福大学）
本文针对治疗后协变量导致CATE不可识别的问题，提出SimPONet方法，通过泛化界指导联合利用真实数据与模拟器学习因果表示，并根据模拟器相关性自适应调整其影响，实验验证其优于现有CATE基线。
2025-02-07 cs.LG
FinRL-Meta: A Universe of Near-Real Market Environments for Data-Driven Deep Reinforcement Learning in Quantitative Finance
Columbia University（哥伦比亚大学）；The University of Hong Kong（香港大学）；University of Virginia（弗吉尼亚大学）；Northwestern University（西北大学）；New York University (Shanghai)（上海纽约大学）；IDEA Research（IDEA研究院）
深度强化学习（Deep Reinforcement Learning，DRL）在构建金融市场模拟器方面显示出巨大的潜力。然而，由于现实世界市场的高度复杂性和动态性，原始的历史金融数据往往包含很大的噪声，可能无法反映市场的未来，从而降低了基于DRL的市场模拟器的保真度。此外，基于DRL的市场模拟器的准确性在很大程度上依赖于众多不同的DRL代理，这增加了对市场环境的需求，并对模拟速度提出了挑战。在本文中，我们提出了一个FinRL-Meta框架，该框架为数据驱动的金融强化学习构建了一个市场环境。一是FinRL-Meta将金融数据处理与基于DRL的策略设计管道分离，为金融大数据提供开源数据工程工具。其次，FinRL-Meta为各种交易任务提供了数百种市场环境。第三，FinRL-Meta通过利用数千个GPU核心实现多处理仿真和训练。我们的代码可在https://github.com/AI4Finance-Foundation/FinRL-Meta上获得。
2022-03-02 cs.LG q-fin.TR
Learning In Reverse Causal Strategic Environments With Ramifications on Two Sided Markets
University of Michigan（密歇根大学）
受劳动力市场均衡模型启发，提出因果策略分类方法，发现预期劳动力策略性反应的雇主能提升奖励、技能和公平性，但可能损害劳动力效用并无法防止歧视。
2024-04-20 cs.GT cs.LG stat.ML
A Causal Analysis of CO2 Reduction Strategies in Electricity Markets Through Machine Learning-Driven Metalearners
Isfahan Higher Education and Research Institute（伊斯法罕高等教育与研究学院）；Isfahan University of Technology（伊斯法罕理工大学）；Urmia University（乌尔米亚大学）
本研究采用因果机器学习方法分析电力定价政策对家庭CO2排放的影响，发现激励性定价政策可能意外增加CO2强度，并通过比较X、T、S和R元学习器优化因果分析，为可持续发展政策制定提供了重要见解。
2024-03-21 cs.AI cs.CY cs.LG
Deep Calibration of Market Simulations using Neural Density Estimators and Embedding Networks
Simudyne Limited（Simudyne有限公司）；Hong Kong Exchanges and Clearing Limited（香港交易及结算所有限公司）
本研究利用神经密度估计器和嵌入网络等深度学习技术，提出了一种新的市场模拟器校准方法，能够在不依赖手动选择典型事实集合的情况下，准确识别合成与历史数据的高概率参数集。
2023-11-27 cs.LG q-fin.CP stat.ML
Reinforcement Learning in Agent-Based Market Simulation: Unveiling Realistic Stylized Facts and Behavior
Stevens Institute of Technology（史蒂文斯理工学院）
本文提出基于强化学习智能体的市场模拟框架，验证其能复现真实市场典型事实，并分析智能体在闪崩等外部冲击下的响应行为，为投资者和监管者提供决策预判工具。
2024-03-28 cs.LG cs.MA q-fin.TR
Deep Causal Learning to Explain and Quantify The Geo-Tension's Impact on Natural Gas Market
University of Cologne（科隆大学）；Institute of Energy Economics University of Cologne（科隆大学能源经济研究所）；Information Systems University of Cologne（科隆大学信息系统研究所）
针对现有方法难以评估地缘冲击对天然气市场影响的问题，该研究采用基于深度神经网络的Granger因果关系识别天然气需求驱动因素，并通过反事实分析量化俄乌战争对德国各能源部门的影响，同时开源了相关代码与数据集。
2024-07-15 cs.AI cs.LG
Right Place, Right Time: Market Simulation-based RL for Execution Optimisation
Simudyne UK（Simudyne英国公司）
本文提出基于反应式市场模拟器的强化学习框架，用于优化交易执行策略，在有效前沿上平衡风险与成本，实验证明其优于基线并接近最优。
2025-10-25 cs.AI cs.LG q-fin.CP
Enhancing Financial Market Predictions: Causality-Driven Feature Selection
School of Computer；Mathematical Sciences Adelaide University, Adelaide, Australia
本文提出 FinSen 数据集，整合197个国家15年金融新闻与市场数据，并结合因果情感分数、LSTM和Focal Calibration Loss将ECE降至3.34%，提升金融预测的准确性与可靠性。
2024-08-02 cs.CE cs.CL cs.DB
Causality by Abstraction: Symbolic Rule Learning in Multivariate Timeseries with Large Language Models
Arizona State University（亚利桑那州立大学）
ruleXplain利用大语言模型提取多变量时间序列中的因果规则，通过生成反事实输入轨迹和闭环细化确保规则的可验证性和有效性。
2026-02-19 cs.LG
Designing Reputation Systems for Manufacturing Data Trading Markets: A Multi-Agent Evaluation with Q-Learning and IRL-Estimated Utilities
Department of Systems Innovation, Graduate School of Engineering, The University of Tokyo Tokyo, Japan（系统创新部门，工学研究生院，东京大学东京，日本）
本研究通过多智能体模拟器评估了五种声誉系统，发现PeerTrust在数据价格与质量一致性及防止垄断方面表现最佳，并提出混合声誉机制提升市场稳定性。
2025-11-25 cs.CY cs.GT cs.LG
Dynamic Sparse Causal-Attention Temporal Networks for Interpretable Causality Discovery in Multivariate Time Series
针对多变量时间序列因果发现难题，提出DyCAST-Net架构，结合膨胀卷积与动态稀疏注意力过滤虚假连接，在金融与营销数据集上优于现有模型，提供更精确的因果延迟估计与可解释性。
2025-07-13 cs.AI cs.IR cs.LG
Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization
State Key Laboratory for Novel Software Technology（计算机软件新技术国家重点实验室）；Nanjing University（南京大学）；Meituan（美团）
针对营销预算分配中预测与决策脱节及反事实难题，提出决策聚焦因果学习框架（DFCL），集成ML与OR，经离线与在线测试验证，已部署于美团。
2024-07-18 cs.LG
Market Impact Estimation via Causal Foundation Models
National University of Singapore（新加坡国立大学）
该研究针对经典市场冲击估计模型的偏差问题，提出因果市场模拟器（PFN）等模型，在多类金融数据上验证了其因果估计能力，提升了冲击估计的相关性。
2026-10-12 cs.CE cs.LG q-fin.TR
OnlineWM: Causality-Aware Active Online Learning for Effective World Modeling
The Hong Kong University of Science and Technology（香港科技大学）
OnlineWM提出主动在线学习与因果感知优化框架，通过模拟器交互和反事实学习提升世界模型的动作可控性与泛化能力。
2026-09-22 cs.CV cs.LG
Predicting S&P500 Index direction with Transfer Learning and a Causal Graph as main Input
Université de Montreal（蒙特利尔大学）；Canada Mortgage and Housing Corporation（加拿大抵押贷款和住房公司）
我们提出了一个统一的多任务框架来表示金融市场动态的复杂和不确定的因果过程，然后预测任何类型的指数的运动与应用上的S & P 500指数的月度方向。我们的解决方案基于三个主要支柱：（i）使用迁移学习在所有金融市场之间共享知识和特征（表示、学习），增加训练样本的大小，并保持训练、验证和测试样本之间的稳定性。(ii)结合多学科知识（金融经济学、行为金融学、市场微观结构和投资组合构建理论），通过图形来表示任何金融市场的全球自上而下的动态。(iii)通过潜在变量/节点整合前瞻性非结构化数据，不同类型的上下文（长期，中期和短期），然后使用独特的VAE网络（参数共享）来同时学习它们的分布表示。在12年的测试期内，我们获得了74.3%，67%和0.42的准确性，F1得分和马修相关性，高于行业和其他基准，其中包括三个不稳定和难以预测的子期。
2022-04-28 cs.AI cs.LG q-fin.ST
A causal graph-informed temporal convolution architecture for interpretable retail electricity price forecasting
The Ohio State University（俄亥俄州立大学）；John Glenn College of Public Affairs, The Ohio State University（俄亥俄州立大学约翰·格伦公共事务学院）
本研究提出CG-TCN模型，通过整合因果图与时序卷积网络提升零售电价预测的精度与可解释性，在俄亥俄州数据上的预测误差优于基准模型，可为电力市场相关决策提供支撑。
2026-08-28 cs.LG stat.AP
What Do Foundation Models for Market Microstructure Learn? A Controlled Study with Synthetic Limit Order Books
J.P. Morgan QTR AI Research（摩根大通 QTR 人工智能研究）
该研究通过在潜在参数已知的模拟器订单流上训练GPT式模型，探究市场微观结构基础模型的学习内容，发现其能实现摊销贝叶斯推理，训练regime多样性决定泛化能力，预训练在真实纳斯达克数据上优于从头训练。
2026-10-14 cs.LG
CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
Southwestern University of Finance and Economics（西南财经大学）；Kyoto Institute of Technology（京都技术大学）
针对现有金融预测无法捕捉多模态特性与事件因果关系的问题，提出CAMEF框架，整合文本与时间序列数据，结合因果学习与LLM反事实事件增强技术，构建新数据集并验证了其在金融预测中的有效性。
2025-08-08 cs.AI cs.CE cs.IR
Do we actually understand the impact of renewables on electricity prices? A causal inference approach
Imperial College London（伦敦帝国学院）；Technical University of Denmark（丹麦技术大学）；Halfspace；Aarhus University（奥胡斯大学）；National Energy System Operator（国家能源系统运营商）
本研究采用局部部分线性双机器学习因果推断方法，分析2018-2024年英国数据，揭示风能和太阳能发电对电价的非线性影响及随时间增强的趋势，为政策制定提供新见解。
2025-01-10 cs.LG stat.AP
Multiscale Causal Structure Learning
Sapienza University of Rome（罗马第一大学）；CENTAI（CENTAI研究所）
从观测数据中推断因果结构在揭示系统的潜在动力学方面起着关键作用。本文提出了一种新的方法，称为多尺度因果结构学习（MS-CASTLE），估计在不同的时间尺度上发生的线性因果关系的结构。与现有方法不同，MS-CASTLE明确考虑了以不同尺度表示的多个时间序列之间的瞬时和滞后相互关系，基于平稳小波变换和非凸优化。作为特殊情况，MS-CASTLE结合了名为SS-CASTLE的单尺度版本，其在计算效率、性能和鲁棒性方面优于合成数据的现有技术。我们使用MS-CASTLE研究了2019冠状病毒病大流行期间全球15个股票市场风险的多尺度因果结构，说明了MS-CASTLE如何通过多尺度分析提取有意义的信息，表现优于SS-CASTLE。我们发现，最持久和最强的相互作用发生在中期的时间分辨率。此外，我们确定了在所考虑的时期内推动风险的股票市场：巴西，加拿大和意大利。金融投资者可以利用所提出的方法，根据他们的投资期限，可以从因果关系的角度来管理股票投资组合中的风险。
2022-07-16 cs.LG stat.ME stat.ML
Controllable User Simulation
Google Research（谷歌研究）；Tel Aviv University（特拉维夫大学）
本文提出将可控模拟视为因果推断问题，通过改进模拟器训练方法消除 lookahead 偏差，实现更稳定的评估性能。
2026-11-02 cs.AI cs.CL cs.LG
Predicting Liquidity-Aware Bond Yields using Causal GANs and Deep Reinforcement Learning with LLM Evaluation
School of Computer Science and Engineering, Vellore Institute of Technology, India（印度维杰雷理工学院计算机科学与工程学院）；Indian Institute of Science, Bangalore, India（印度班加罗尔印度科学学院）
本文提出利用因果GANs和SAC强化学习生成高保真的合成债券收益率数据，结合LLM评估提升预测性能，通过统计验证和专家评估证明其有效性。
2026-04-24 cs.CE cs.CL cs.LG
Learning Implicit Causal World Models from Multi-Agent Demonstrations
该研究针对多智能体系统中世界模型因相关性与因果机制混淆导致分布偏移下失效的问题，提出隐式因果世界模型，经评估在协调任务上表现出可解释因果表示且精度随干预强度提升。
2026-07-30 cs.LG cs.MA cs.RO
Advanced simulation paradigm of human behaviour unveils complex financial systemic projection
School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；the Digital Economy Research Center, Tongji University（同济大学数字经济研究所）；Department of Digital Economics, Shanghai University of Finance and Economics（上海财经大学数字经济系）
本文提出了一种基于分层知识架构的智能体行为仿真新范式，通过集成语言模型和专业模型模拟特定场景中的人类行为过程，在期货市场危机和正常条件下的预测中均表现出较低误差，为模拟投资者行为及其对市场动态的影响提供了有效平台。
2025-05-31 cs.LG q-fin.TR
