物流电商

双渠道闭环供应链异质顾客最优定价策略

闭环供应链定价策略顾客异质性文章构建制造商主导的Stackelberg博弈模型，分析双渠道闭环供应链（DCCLSC）中三类回收模式（制造商主导/零售商主导/合作回收）的定价策略。研究发现：制造商在直销渠道始终设置更低价格（平均低0.3单位）以吸引置换顾客参与以旧换新；制造商主导回收模式价格最稳定，零售商主导需更高补贴（提升40%）；合作回收模式实现最低零售价和最高以旧换新率。主要顾客对直销渠道的偏好强度显著影响策略，偏好每增加10%导致直销价下降5%-8%，制造商补贴提升12%。

内生生产网络的形成：供应链如何从简单学习中产生

生产网络供应链基于代理建模强化学习文章提出了一种基于代理的创新模型，解释企业在不确定性环境下如何通过简单强化学习内生形成生产网络。该模型无需假设均衡状态或完全知识，企业仅根据利润反馈调整价格、产量和采购决策。研究表明，这种学习机制能自发产生稳定的生产网络结构，并有效适应需求变化、供应商关闭、生产率冲击和技术变革等扰动。通过数值模拟验证了模型在异质性技术、规模报酬差异等复杂场景下的鲁棒性，并揭示了上下游冲击传播的非对称性特征。

DiffVolume：基于扩散模型的限价订单簿成交量生成

扩散模型限价订单簿金融生成模型高维数据生成文章提出了一种名为DiffVolume的条件扩散模型，专为生成限价订单簿（LOB）的未来成交量快照而设计。该模型通过结合历史成交量轨迹、时间信息及目标流动性条件，能够生成具有高度真实性的成交量数据。实验表明，DiffVolume在统计特性（如边际分布、空间相关性和自相关衰减）上显著优于传统生成对抗网络（GAN）方法，并能实现基于假设流动性场景的反事实生成。此外，生成的合成数据可有效提升下游流动性预测任务的性能。DiffVolume为高频金融数据建模提供了灵活且强大的框架。

高频期货预测：基于均值不确定性的分类方法

高频交易期货市场数据不平衡机器学习文章研究了基于中国期货市场高频数据的短期平均收益率方向预测问题。针对市场数据不平衡的特点，文章在次线性期望框架下提出了均值不确定性逻辑回归和均值不确定性支持向量机两种分类方法。通过选取中国期货市场流动性最高的15种合约作为实验样本，实证结果表明，与传统的不平衡数据分类方法相比，这两种均值不确定性方法在分类指标和单笔交易平均收益上均表现出显著优势。具体而言，在“上涨/非上涨”预测中，两种方法在80%的期货产品上实现了更高的平均收益；在“下跌/非下跌”预测中，均值不确定性逻辑回归在80%的产品上表现更优，而均值不确定性支持向量机在67%的产品上表现更好。