本研究提出 LR-Robot:一个结合人类监督与检索增强生成(RAG)的实时、可迭代的大型语言模型驱动系统化文献综述框架,支持多维度分类、文献关系映射与主题演化分析,并在期权定价文献上进行实证演示,展示了在保证方法严谨性的同时显著提升文献综述效率与可追溯性
Table: 模型性能(带约束条件,平均值)
| Model | Average Accuracy | Average F1 | Self-consistency |
|---|---|---|---|
| GPT-4o | 0.8273 | 0.7906 | 0.914 |
| Gemini Flash 2.0 | 0.8327 | 0.8152 | 0.947 |
| DeepSeek8b | 0.7187 | 0.7090 | 0.672 |
| DeepSeek V3 (API) | 0.7857 | 0.7010 | 0.978 |
| DeepSeek R1 (API) | 0.8403 | 0.8175 | 0.888 |
Table: 模型类型出现频次(允许多标注)
| Model Types | Occurrence | Proportion |
|---|---|---|
| (1) Analytical Models | 3956 | 66.58% |
| (2) Numerical Methods | 4038 | 67.96% |
| (3) Multi‑Factor & Hybrid | 1682 | 28.31% |
| (4) Market Imperfections | 373 | 6.28% |
| (5) Calibration & Estimation | 213 | 3.58% |
| (6) Machine Learning/Data‑Driven | 1492 | 25.11% |
| (7) Behavioral/Alternative | 377 | 6.34% |
| (8) Emerging/Others | 158 | 2.66% |
Table: 部分中心性排名(摘要)
| Rank | Degree Centrality / PageRank / Betweenness |
|---|---|
| 1 | Black & Scholes (1973) / Black & Scholes (1973) / Broadie & Detemple (2004) |
| 2 | Heston (1993) / Heston (1993) / Bakshi et al. (1997) |
| 3 | Merton (1976) / Merton (1976) / Carr & Wu (2003) |
元数据与概览(引言与报告概览)
逐节深度解读
图表(Fig.1)展示
表格与模型性能(Tables 1–4)
多维分类的实现细节(Prompts)
图表深度解读(应用与发现)
Fig.2(期刊分布):图示说明 Quantitative Finance 与 Journal of Futures Markets 等期刊在期权定价文献中占比较高,暗示研究集中于金融工程与衍生品方向;该分布可能影响网络分析中权威来源的权重。
表 5(Underlying label 频次):在被判定为“关注模型”的 5,942 篇论文中,“Not Specified”数量最高(3,347),表明大量论文探讨通用模型或未在摘要明确资产类;Stocks (1,144)、Indices (405)、Interest Rates (281) 次之;Cryptocurrencies 仅 11 篇,显示该新兴资产在期权定价理论文献中占比极低。该频次分布提示研究偏重经典资产与通用建模而非新兴资产。
表 6(Option type 频次):显示有 2,142 篇论文未明确期权类型(Not Specified);在明确类型中 European (1,128)、Exotic (890)、American (815) 的频次相当,表明研究覆盖标准期权与复杂路径依赖工具。该结果提示研究社区对 Exotic 选项(如 Asian、Barrier)给予显著关注。
表 7 与 Fig.3(Model type 分布与 chord diagram):Table 7 显示 Analytical Models (3,956, 66.58%) 与 Numerical Methods (4,038, 67.96%) 在文献中出现频率最高,Machine Learning (1,492, 25.11%) 和 Multi‑Factor (1,682, 28.31%) 处于次要但非边缘地位,而 Calibration、Market Frictions、Behavioral、Emerging 等仍较少(分别 3.58%、6.28%、6.34%、2.66%)。Chord diagram(Fig.3)进一步可视化多标签共现,最强的共现对为 (1)&(2)、(1)&(3)、(1)&(5),说明解析性理论常与数值实现、多因子扩展与标定工作结合,体现理论→数值→经验验证的研究链。 ,
引用网络分析(Section 4.2、Table 8–9、Fig.4–5):
估值/方法论分析(对框架本身的“估值”)
风险因素评估(作者识别与本分析补充)
批判性视角与细微差别(审慎观点)
结论性综合(综合归纳)
补充(重要图表汇总)
最後说明:以上分析严格基于论文文本、表格与图表内容展开,重点解构了作者的论证链、数据处理、模型评估与可视化分析,并对方法的优势与潜在局限提出了审慎的评估与改进建议。 ,,
2603.17723.pdf