下面给出对该研究论文的极其详尽的解读与分析,覆盖元数据、逐章要点、图表解读、估值意涵、风险与局限,以及批判性评估与结论性综合。文中每处直接来自原文的结论或推断均在句末标注了对应的来源页码,格式为 [page::页码],如多页内容则并列:2 3 。
元数据与概览
论文题目与核心议题
标题为“Optimal Surplus Management for Insurers under Stochastic Interest Rates and Jump-Driven Liabilities”,作者为 N. Karimi、F. Shokrollahi、M. Shahmoradi,所属单位覆盖伊朗多所高校与芬兰瓦萨大学等。研究聚焦在金融市场(含随机利率与跳跃驱动负债)下的保险公司剩余资本最优管理问题,核心在于动态地将盈余在股票与无风险债券之间进行再分配,并以复合泊松负债与指数型赔付分布来建模赔付。短期利率遵循 CIR 过程,反映利率的均值回归特性。主要结论包括提出的最优投资策略可分解为“我的即时需求(myopic)”与“利率对冲(hedging)”两部分的结构性解。研究还通过数值验证了在利率波动、赔付强度与风险厌恶程度等因素下的策略与剩余分布行为。核心信息与方法论要点来自论文摘要部分。1
研究目标、方法与结论要点
目标:在 CIR 利率与跳跃驱动的负债环境中,最大化终端剩余的指数效用。方法是建立 HJB(Hamilton–Jacobi–Bellman)方程,并通过归一化剩余投影将原本三维的问题降维为一个非线性偏微分方程(PDE 系统),随后进行数值求解与验证。结论强调在利率对冲与剩余状态之间的交互会产生二次项,因此需要近似降维但仍具经济直观性。理论贡献包括将最优投资策略拆解为“myopic demand”与“hedging demand”的可识别结构。数值实验揭示策略与剩余分布对利率波动、赔付强度、风险厌恶等因素的敏感性,强调同时建模随机利率与赔付风险的重要性。上述要点均来自摘要与章节总述。1
结构要点
文章按常规结构展开:引言、 preliminaries、模型设定、随机控制与降维 PDE、数值解法、数值验证与经济含义、结论等,最后给出若干参考文献。研究明确指出其降维是“近似最优”的权衡,非对原三维问题的严格解析求解,但在数值上具有良好稳健性与经济解释力。相关说明在引言与后续各节中均有明确表述。2 , 5 , 6
逐节深度解读
第一部分:Introduction(引言)
关键论点与信息
综述了风险管理与剩余优化在保险数学中的核心地位,以及在再保险、股利分配等方面的经典研究脉络,随后引出在随机波动、跳跃、以及利率与 regime-switching 场景下的前沿研究。作者将研究定位在“资产-负债管理(ALM)”框架之中,强调在有跳跃性负债与随机利率的环境中进行协同的资产配置决策的重要性。该部分还指出本文的创新点在于把 CIR 利率与跳跃式负债耦合进一个完整的 ALM 问题,并通过一个可操作的降维框架(归一化剩余投影)来实现求解。以上定位与创新点来自引言的研究动机与文献回顾段落。2
推理脉络与假设
文献回顾聚焦在动态风险度量、损失风险、以及在 Lévy 市场、随机利率和波动性下的投资-再保险优化等方向,强调了建模的复杂性(跳跃、波动、利率耦合)以及对鲁棒性与分布误差的关注。这些都构成本文建模与求解框架的理论背景。该讨论源自引言对相关工作的梳理与定位。2
结论性要点(来自Introduction的定位性陈述)
研究旨在给出一个在随机利率和跳跃性负债下的最优剩余管理框架,并提出降维后的 PDE 系统与数值实现,以揭示利率对冲与 myopic 动态之间的权衡关系以及对冲需求的经济含义。该点在引言段落及论文后续章节中反复强调。2
第二部分:Preliminaries and Notation(第2节:基础与记号)
关键论点与信息
给出研究中的概率空间、可行控制(admissible investment strategy)的严格定义,以及联系跳跃过程的生成元、以及值函数 V 的定义与意义。指出用于模型分析的核心工具包括跳跃扩展的 Itô 公式、HJB 方程以及与之相关的跳跃项的处理。该节为后文推导 HJB 提供严格的数学基础。核心定义和定理来自本节的定理与定义段落。3
推理脉络与假设
跟随标准的随机控制框架,作者明确设定了跳跃-扩散混合的资产-负债模型与损失过程,并引出 compound Poisson 过程的期望Laplace 转换等工具,以便在后续 HJB 推导中处理跳跃项的非平凡项。Assumption 3.1(赔付分布的 exponential moment 条件)被提出以确保跳跃项在 HJB 中的可含义性与数值稳定性。该 Assumption 及其相关的极限条件在本节被清晰提出。5
结论性要点
定义清楚地把问题置于一个三维状态变量(t, x, r) 的框架内(时间、剩余 x、短利率 r),以便后续对 V(t, x, r) 的结构分析与 HJB 的求解。这一定义直接为后续的 HJB 验证与投資策略推导服务。3
第三部分:Model Setup(第3节:模型设定)
关键论点与信息
市场包含三类资产:货币市场、股票、以及到期时间 Tb 的无风险零息债券。短期利率 rt 服从 CIR 过程,给出 CIR 的均值回归型动态与 Feller 条件保障非负性。股票价格遵循几何布朗运动,且存在股票与利率等的相关性(相关系数 ρSr、ρSL 等)。保险负债通过跳跃-扩散模型来刻画:扩散项用于持续性的小额损失,跳跃项由强度 λ 与独立的随机赔付 Yi(此处为指数分布)组成。赔付大小分布设定为 Exp(ξ) 以便在后续跳跃项的期望计算中有明确解析表达。 Assumption 3.1 要求的 Exponential Moment 条件在此节再次强调以确保跳跃项的数值可处理性。上述创建了一个三源不确定性输入:金融市场风险、扩散型负债风险、以及跳跃型赔付风险。研究目标是构造一个最优策略来对冲与管理这三类风险源。关键方程与动态在本节给出(包括 r 的 CIR、bond 的定价与阿法函数 Ab、Bb、以及风险因子相关性)。主要公式及结论来自本节的模型设定部分。4 , 5
推理脉络与假设
把负债建模为同时包含连续扩散和跳跃的过程,是为了更真实地反映保险业务的现实特征(日常波动与突发巨额赔付)。指数赔付分布(Exp(ξ))的选择方便在跳跃项的期望中获得解析简化(后文在跳跃项的处理里给出 explicit 公式)。这些假设都来自模型设定的直接描述与 Assumption 3.1 的落地应用。5
关键数据点与意义
CIR 条件、长期均值 θ、速度 κ、波动 σr 构成利率过程的核心参数;股票收益 μS、波动 σS、相关性等共同决定资产端的预期收益与对冲效用。赔付强度 λ、赔付分布参数 ξ 共同决定赔付风险的规模与尾部。以上参数构成后续数值实验的基线输入。此处的参数设定是建立数值解的基础。4 , 5
结论性要点
本节把模型的微观动力学建立清晰,为后续 HJB 的推导提供确定性的数学结构与参数化输入。4 , 5
第四部分:Stochastic Control and Reduced PDE System(第4节:随机控制与降维 PDE 系统)
关键论点与信息
目标函数使用指数效用 U(x) = −e−γx,且终端条件为 V(T, x, r) = −e−γx。HJB 方程给出最优控制条件和生成元的形式;跳跃项在指数-幂形式下得到显著简化(跳跃贡献定理)。引出 Exponential representation(Lemma 4.1),即在指数效用下,值函数可写成 V(t, x, r) = − exp(−A(t, r)x − F(t, r)),从而把原本的三维问题转化为对两个标量函数 A(t, r) 与 F(t, r) 的关心。Jump contributions 在 Exp(ξ) 假设下给出明确闭式表达。以上内容建立了后续降维与数值求解的核心框架。6 , 7
推理脉络、证明要点与假设
由于 V 的指数形式,HJB 的控制变量出现为二次型,因此尽管在理论上可得到一个闭式解,现实中考虑利率与负债跳跃的耦合会引入 x^2 的项,导致完全的有限维 PDE 难以实现。于是作者提出“归一化剩余投影”(normalized-surplus projection)的方法:在参考水平 x̄ = 0 处对最优反馈 rule 取值,构造投影投资策略 uproj,并分析在将该策略代入生成器后产生的标准化残差 R。残差在 x̄ 处被消去常数项与一次项(0 与 1)以获得一个闭合的 A(t, r) 与 F(t, r) 的非线性 PDE 系统。该投影残差的首要项来自 CIR 动力中的二次项,表示在把利率波动带入投资决策时的非线性影响仍然存在,但通过投影可以有效控制。上述投影思路、其理论有效性及其带来的近似性质在这一节及后续定量化描述中得到系统化阐述。相关结论与推导在 Corollary 4.1(“Myopic–hedging decomposition”)以及 Propositions 4.4 与 4.5 的论述中清晰给出。10 , 12 , 13 , 14
关键数据点与数据化推断
Corollary 4.1 给出投影策略的两部分结构:一个是 myopic component,另一个是 hedging component,后者来自对利率波动的跨期对冲需求。Remark 4.2、Remark 4.3 进一步解释了 hedging 部分的经济含义:只有在股票收益与利率冲击相关且利率确实是随机的情形下,hedge 需求才非零;否则 hedging 成分为零。这一结论直接来自投影公式对 uproj 的分解性质与相关系数的乘法结构。12 , 13
估值与函数化简的具体 PDE
通过代入 V 的指数形式、对导数进行计算,HJB 的控制项被消除,得到一个关于 A(t, r) 与 F(t, r) 的耦合非线性 PDE 系统(方程(31)-(32)),其中 Φ1、Φ2 为在投影规则下的辅助函数。Appendix A.4 给出 Φ1、Φ2 的具体化简过程。PDE 的边界条件为 A(T, r) = γ、F(T, r) = 0。该降维的核心在于把三维问题降到两维(t, r)的 PDE 系统,同时保留对 x 的投影残差。上述 PDE 的降维思想与结果在论文的 Proposition 4.6 与后续注释中给出。14 , 15
结论性要点
投影方法并非对原问题的精确等价替代,而是一个高效的近似近端解。作者在定理与 Remarks 中反复强调“ϵ-最优性”的概念以及在投影下的误差界限与适用性范围。具体而言,Proposition 4.5 给出在小δ(离投影点的偏离)下的残差阶 O(δ^2) 的界以及对极端情况下的趋势描述。这一结果为后续数值验证提供理论支撑。11 , 11
第五部分:Computational Solution of the Reduced HJB System(第5节:降维 PDE 的数值解法)
关键论点与信息
将 CIR 短期利率区间截断在有限区间 [0, rmax],采用离散网格(时间步 Δt、利率步 Δr),并采用隐式向后差分格式来提高稳定性;对 A(t, r) 与 F(t, r) 在网格上进行反向求解,边界条件包括在 r=0 处的一侧差分以及在 r = rmax 处的零梯度边界。非线性项通过在每个时间层进行固定点迭代来处理,直到收敛。对于跳跃项,利用 Exp(ξ) 的特性设定 A(t, r) < ξ 以确保期望存在,并通过一个小的安全边界 ayamξ 来避免数值不稳定。该节详细描述了数值实现的核心细节与收敛性控制。数值实现的要点来自本节的“数值解法”描述。16 , 17 , 18
关键数据点与实现细节
Baseline 网格:N=500 时间步、M=100 空间步,rmax 的选择要确保经济相关区域包含在截断域内(通常远高于 θ 的若干标准差)。边界条件的实现方式、以及时间步/网格的收敛性测试都在该节给出。作者提出若收敛困难则通过减小 Δt、增加迭代次数或调整 εtol 实现。所有这些都构成数值稳定性的关键设计要点。16 , 17 , 18
结论性要点
数值实现证明了降维 PDE 系统的可操作性,并给出在跳跃与利率波动共同作用下的最优投资策略的数值解。文章强调投影策略是一种“ projected feedback strategy”而非原问题的全局最优解,且该策略的经济含义与可解释性在后续数值分析中得到保留。18
第六部分:Numerical Validation and Economic Implications(第6节:数值验证与经济含义)
关键论点与信息
数值实验的目的是展示模型动力学、降维 PDE 的解以及投影投资策略的经济含义,而不是对市场数据的严格校准。Table 1 给出基线参数,Table 2 验证 Admissibility 条件(A(T, r) < ξ),指出 γ=1.0 情况下最大 A 与 ξ 的差距仅 0.138,接近跳跃项的奇点,提示在高 γ 值下可能出现数值稳定性问题。作者还指出在 γ ≥ 1.17 时,ξ=1.2 的框架将变得不可行,需要提高 ξ 或缩短时间 horizon。这些对数值稳定性与参数敏感性具有重要意义。19 , 20
图表与数值结果
Figure 1:显示 10 年期 CIR 短利率路径的几条样本路径,直观呈现利率的均值回归与状态相关波动性。该图用于直观说明 CIR 的基本性质与对冲需求的背景。图片引用对应页为 page=20。嵌入图片: 。
Figure 2:对比常数分配策略与投影策略在同一条随机路径上的剩余轨迹,显示投影策略有助于平滑资本曲线并降低下行波动。图片页为 page=21。嵌入图片: 。
Figure 3:展示投影投资策略在 t0=0 时的策略面(策略的高维表面,随 x 与 r 变化而变动),强调在利率水平变化时策略的动态响应与对冲需求的跨状态性。图片页为 page=22。嵌入图片: 。
Figure 4:给出不同风险厌恶水平下的指数效用值函数分割切片,展示风险厌虑越高,曲率越大,投资选择越保守。图片页为 page=23。嵌入图片: 。
Figure 5:对 κ 与 σr 的标定目标敏感性表面,揭示不同组合的 κ、σr 可能产生类似的模型隐含利率行为,提示校准中的脊线/平坦区域可能导致参数估计的不确定性。图片页为 page=24。嵌入图片: 。
关键发现与经济含义
Monte Carlo 对比表(Table 5)显示在相同初始剩余 X0=1.0、时间跨度为10年等假设下,投影策略在终端剩余、破产概率与波动性方面均具优势:投影策略实现最小化尾部风险、提升期望终端剩余并降低波动性,与其他基准策略相比具有显著的风险缓释效果。该结论直接来自表格的比较结果。27 , 28
相关的敏感性分析结论
Correlation ρSr 越大,hedging 需求越显著;短 rate 波动 σr 增大时 hedging 需求也增大;赔付强度 λ 越大,保险负债风险上升,最优股票配置倾向于更谨慎(upSroj 降低);风险厌恶 γ 越大,myopic 需求下降(upSroj 的绝对规模下降);均有明确的方向性结论。上述结论来自 Figures 与文本对敏感性分析的描述。24
结论性要点
整体结论强调,投影策略在利率波动及负债跳跃影响下能够实现显著的风险缓释与收益稳健性提升,且策略的“myopic–hedging”分解具有直观的经济解释力。数值验证支持该框架在给定假设下的有效性与稳定性。27 , 28
第七部分:Conclusion(第7节:结论)
关键论点与信息
作者重申,原始问题在严格意义上难以用一个封闭形式进行解析性降维,因利率对冲与剩余状态的耦合引入二次项,导致三维 HJB 的直接解析解不可行。通过 exponential 值函数的广义形式与归一化剩余投影,将问题降维到一个二维 PDE 系统(A(t, r)、F(t, r)),并以投影的反馈规则实现近似最优解。投影策略保留了“myopic demand + intertemporal hedging”的经济结构。数值实验显示参数变化对策略有明确而直观的响应。上述要点来自结论段落及全文总结。28
对研究意义的总结性评价
研究清晰地展示了在一个综合性的随机环境下,如何把一个复杂的三维最优控制问题“近似且可计算地”实现,并给出具有经济解释力的政策结构与数值证据。论文的贡献在于方法论上的折中(降维 + 投影)与在经济直觉(myopic 与 hedging 的分解)上的清晰呈现。28
图表深度解读与对应溯源
Figure 1:CIR 短期利率样本路径
描述:显示十年期限内若干条 CIR 路径,呈现出均值回归的特征以及随 r 增高时的漂移抵消效应。此外,绘图点还体现了利率水平对波动性的状态依赖性(r 越大,扩散项 σr√r 越大)与接近零时的方差减小。文本对 CIR 的直观解释与数值实验背景相呼应。来源页:page=20。嵌入:
Figure 2:Surplus 路径对比(Constant policy vs Projected strategy)
描述:在同一条随机路径下比较一个基线的固定权配策略与投影策略的剩余 Xt 路径。投影策略呈现更平滑、下跌时的缓冲效果,显示其对冲效应在实际路径中的体现。来源页:page=21。嵌入:
Figure 3:投影投资策略曲面(t0=0 时的策略在 x 与 r 的分布)
描述:展示在初始时刻 t0 的投影策略对 x 与 r 的三维依赖,明确利率水平变化时策略的动态响应与 hedging 效用。来源页:page=22。嵌入:
Figure 4:指数效用值函数在不同风险厌恶水平下的切片
描述:呈现 V(x) 的 x 方向切线在 γ = 0.7、1.0、1.4 三种情形下的曲线,显示风险厌虑上升时对剩余投入的保守性抑制效应。来源页:page=23。嵌入:
Figure 5:CIR 参数对校准目标的敏感性表面(κ, σr)
描述:揭示 κ 与 σr 的组合对模型隐含目标的影响,强调存在可能的“脊线/平坦区”,即不同参数组合可能产生近似同样的利率路径行为,提示在实际校准时需要关注参数的辨识与稳定性。来源页:page=24。嵌入:
图像溯源原则
上述每个图像在文中均以相应的相对路径和页码给出,本文按要求给出相应的图片引用,便于读者对照文本与图表的对应关系。示例展示如 Figure 1 的嵌入路径和页码示例已给出上文。
估值分析(方法与数值评估视角)
估值方法
研究并非以传统企业估值(如 DCF、EV/EBITDA)为核心,而是通过对比不同投资策略在相同情境下的终端剩余与风险指标来进行“评估估值”。核心是使用指数效用进行价值衡量,并通过 Monte Carlo 跑大量剩余路径来比较策略优劣(Table 5)。该方法本质上是一种“策略层面的经济价值评估”,而非市场价格的企业价值估算。相关的数值评估与对比结果主要集中在第六节的表格与论述中。27 , 28
关键输入与假设
评估的核心在于相对收益与风险的权衡:初始剩余 X0、时间 horizon、跳跃强度 λ、赔付分布参数 ξ 的影响,以及风险厌恶 γ 的设定等。评估过程中对 γ 的敏感性与 ξ 的边界条件(Admissibility margin)都被明确讨论,显示在现实应用中对参数设定与穷举性有重要制约。上述输入与假设来自数值验证章节的 Table 1、Table 2 以及相关叙述。19 , 20 , 27
结果要点
投影策略在终端剩余、破产概率与波动性方面均优于对比策略,显示了 intertemporal hedging 组件在风险管理中的实质性价值。该结论来自 Table 5 的 Monte Carlo 对比与文本的论述。27 , 28
风险评估与鲁棒性
模型中对 ξ 的上界设置与 Admissibility 条件(A(t, r) < ξ)构成数值实现的核心约束,若 γ 增大导致 max A 逼近 ξ 时,数值求解难度与稳定性会显著增加,甚至需要提高 ξ 或缩短时间 horizon。这一风险点在数值结果的讨论中被明确指出,并提供了定量的界限描述。20
风险因素评估
主要风险点
作为降维近似的“ϵ-近似”框架,存在投影残差带来的偏离原始最优解的问题。Proposition 4.5 给出残差在 x 的平方量级上为 O(δ^2) 的界,这意味着仅在剩余偏离投影点较小的情况下近似才具有良好性。若产生较大超出 δ 的偏离,近似误差可能显著放大。该点直接来自 Proposition 4.5 的结论。11
跳跃项的数值稳定性高度依赖于参数 ξ 的设置与 Admissibility 条件,若 ξ 靠近或等于 A(t, r),跳跃项的期望可能发散,导致数值求解失稳。该风险在 Table 2 的“Admissibility condition verification”与相关讨论中被强调,并给出 γ 的不同取值对边界的影响。20 , 19
投影策略并非原问题的严格最优解,其性质与效用依赖于投影点 x̄ 的选择(本文选择 x̄ = 0),以及对残差的控制。Corollary 4.1 与 Remark 4.4 及 4.5 对投影的局限性进行了明确说明,包含 quadratic 残差的来源及对 PDE 系统的影响。12 , 15
缓解策略与缓释信息
使用的归一化投影提供了一个可操作且经济可解释的框架,允许在可控的近似误差下进行数值求解。研究也强调对参数敏感性(如 κ、σr、ρSr、λ、γ)的系统性分析可以帮助识别校准中的不确定区域与稳定性边界,提示在实际应用中需要对这些参数做稳健性检验与灵敏度分析。相关讨论散布在 Figure 5、Section 6 的敏感性分析描述中。24 , 25
批判性视角与细微差别(审慎与细节)
模型与方法的局限性
该研究的核心创新在于归一化剩余投影下的降维 PDE 求解与投影策略的近似性,但这同样意味着原始三维问题的某些非线性与耦合在投影中被简化,残留的二次项会对某些参数组合产生显著影响,尤其是当 γ 较高或 ξ 接近 A(t, r) 的情形。作者明确指出残差为 O(δ^2),这在经济意义上意味着在剩余波动小的情形下近似可接受,但在极端情形下需要谨慎对待。11 , 15
分析与传播的稳定性
论文强调数值求解的稳定性与网格敏感性测试(Grid convergence tests,Table 3、Table 4 的讨论),这表明结果对离散化参数具有一定依赖,需要在实际应用中进行充分的网格与边界稳健性分析。25 , 26
实证外推的局限性
所有数值结果均为示意性与定性分析,作者明确指出需对实际市场数据进行校准以评估量化相关性与实际可执行性,因此结论的普适性需以未来的实证数据为支撑。19 , 19
一致性与潜在偏差
研究强调“Projected”策略是对原问题的近似最优解,且投影点选择(x̄=0)对结果有直接影响。不同的投影点可能给出不同的策略结构与数值结果,这一潜在不一致需要在将来的工作中加以探讨与比较。10 , 12
结论性综合
最核心发现
在一个同时包含随机利率与跳跃性负债的保险资金管理环境中,通过 exponential 结构的值函数与归一化剩余投影,使得原本三维 HJB 问题被降维为对 A(t, r) 与 F(t, r) 的耦合非线性 PDE 系统,从而得到一个“投影反馈策略”作为近似最优解。该策略具备经济上清晰的分解:myopic 部分由对现时资产收益的直观驱动,而 hedging 部分来自对利率随机性的跨期对冲需求。该结构在理论推导与数值验证中均得到支持。上述核心结论来自第4节到第6节的综合叙述与 Corollary 4.1 的分解结果。12 , 13 , 28
策略含义与实务启示
投影策略在利率波动、赔付强度、风险厌恶等参数变化下展现出不同的动态响应,且对于提高终端剩余、降低破产概率与降低波动性有显著效果。这一结果在 Table 5 的蒙特卡洛对比以及 Figure 3 的策略表面与 Figure 4 的价值函数切片中得到具象呈现,提供了一个直观可操作的框架来理解在复杂环境中的风险管理与资产配置决策。相关证据来自 Section 6 的数值结果与 Figure 1-5 的图表解读。27 , 28 , 22 , 23 , 24
对未来工作的指引
作者提出若干扩展方向:引入随机赔付强度、其他赔付分布、 regime-switching 的利率模型、以及更丰富的金融资产结构等;同时强调需要对实际市场和保险数据进行校准来评估量化相关性与实际应用的可行性。这些方向在结论中被明确提出,作为后续研究的落脚点。28
数据与方法的总体评价
论文以数学严谨的随机控制框架为基础,结合数值 PDE 解法与 Monte Carlo 验证,呈现了一套清晰、具有经济含义的投资源识别框架。降维的理论代价(ϵ-近似)与数值稳定性之间的权衡是文中始终强调的核心取舍点。这些结论贯穿全文,且在各相关章节的要点处有明确的证据与讲解支持。6 , 11 , 19
总之,该研究为保险公司在包含随机利率与跳跃性负债的复杂环境中进行最优剩余管理提供了一条可操作的降维路径与经济解释明确的策略结构。尽管其降维方法属于近似性处理,但通过严格的误差界定、网格收敛性检验与大量的数值对比,展示了投影策略在理论与数值层面的可行性与有效性。此外,研究也坦诚了方法的局限性与对实证数据的需求,指明了未来扩展的方向。这些特征使论文在理论与应用之间建立了清晰的桥梁,具有较高的学术价值与潜在的实践意义。28 , 19
附:各图表引用与图片溯源
Figure 1:CIR 短-rate 路径(页码 page=20),嵌入图像:
Figure 2:Surplus 路径对比(页码 page=21),嵌入图像:
Figure 3:投影策略表面(页码 page=22),嵌入图像:
Figure 4:风险厌恶切片(页码 page=23),嵌入图像:
Figure 5:κ 与 σr 的灵敏度表面(页码 page=24),嵌入图像:
若需要,我可以把以上分析整理成更紧凑的要点摘要或转化成研究要点清单,便于后续引用与演示。