Screening Out the Needy: The Effects of SNAP Work Requirements

本文利用五个州的SNAP行政数据、就业记录以及年龄门槛和县域政策差异构建三重差分模型,发现ABAWD工作要求使SNAP参与率下降约7%,但没有显著提升就业或收入。 退出者主要来自低收入群体,政策反而恶化了福利项目的精准 targeting。 纳入被排除参与者的福利损失后,工作要求每节省1美元预算所造成的参与者福利成本约为2.19美元,表明其社会成本超过财政节约。

本文利用五个州的SNAP行政数据、就业记录以及年龄门槛和县域政策差异构建三重差分模型,发现ABAWD工作要求使SNAP参与率下降约7%,但没有显著提升就业或收入。 退出者主要来自低收入群体,政策反而恶化了福利项目的精准 targeting。 纳入被排除参与者的福利损失后,工作要求每节省1美元预算所造成的参与者福利成本约为2.19美元,表明其社会成本超过财政节约。

本文提出“组织技术阶梯”机制,认为远程办公通过数字基础设施、技术人才与管理能力积累,降低企业后续采用生成式人工智能的成本。基于美国职位发布数据和工具变量识别,远程招聘占比提高10个百分点,会使企业层面的生成式AI职位提及率提高约0.4个百分点,企业内部职业层面的提升约为0.7个百分点;技术、金融及商业服务行业的效应更为明显。研究还发现,远程办公推动技术、管理、协调和决策能力升级,而远程生产率较低、发布返岗要求的企业,其生成式AI响应更强,说明技术互补与组织摩擦共同驱动连续性技术采用。

本论文构建了“Gun Issue Score”衡量州议员在枪支政策上的潜在立场,并用分层 DiD 设计检验2011–2022年间53起大规模枪击事件对州议员投票立场的影响,结果显示在议员所在选区发生的枪击事件总体上并未显著改变其枪支政策立场,95%置信区间排除了超过约±0.2标准差的效果,上述结论在多种鲁棒性检验下保持稳健

本文提出并系统阐述了“随机动力学的拓扑超对称性(STS)”框架:将随机微分方程的广义传递算子(GTO)嵌入上同调拓扑场论,从而把混沌定义为GTO谱半径对应的正“压力”(pressure)并且等价于拓扑超对称性自发破缺,同时指出仅斯特拉托诺维奇(Stratonovich)解释能使随机演化算符与GTO一致并具有明确数学含义

本文提出了非保守性最优传输问题的理论框架,其核心在于引入了质量变化因子以允许传输过程中的质量增减,应用于投资组合的最优再平衡等实际问题。论文证明了最优方案和强对偶性的存在,给出了扰动和二次损失成本情形下的最优映射存在性,并推广了Benamou-Brenier动态表述,实现了较传统最优传输问题的自然扩展,同时阐释了该方法与非平衡、熵正则及非归一化最优传输的关系 .

本文利用双重/偏置校正机器学习(DML)方法,从灵活的非线性交互平均局部效应(APE)模型,识别出影响市场底部的因果驱动因素,核心包括期权隐含风险偏好波动性和市场流动性波动。基于支持向量机(SVM)构建的高频市场底部实时预测模型实现了优异的预测性能(AUC=0.89),并结合SHAP解释了解决模型的黑箱问题。通过比较传统部分线性回归(PLR)模型与APE模型,发现APE校正了线性模型的偏误,揭示了更复杂的非线性关系和互动效应,为资产定价理论提供了高频实证支持。交易模拟显示模型作为恐慌情绪检测器具有经济重要性,但在长熊市表现有限。该研究拓展了因果推断与机器学习在宏观金融和市场时点预测领域的应用

本文探讨如何通过控制算法定价中的信息质量,利用拉普拉斯噪声干扰算法间的隐性价格协调,从而抑制市场中的算法串通行为。研究建立一个基于线性二元需求的博弈模型,分析有限信息对价格、利润及消费者福利的扭曲效应,进而构造基于社交学习的串通动态模型。核心发现表明,适度注入零均值拉普拉斯噪声能显著延缓价格一致的达成过程,抑制超竞争价格的形成,同时在保证利润和福利不受过度损害的前提下,界定了噪声的可行区间,为监管算法串通提供了可操作的前瞻性政策工具

本报告通过将GPT-2及FinBERT等大型语言模型的情感分析与传统技术指标(如MACD、SAR)及时间序列模型(ARIMA、ETS、Prophet)融合,构建S&P 500的交易策略。结果表明,此混合预测方法能显著提升交易表现,混合策略实现5.77%的最高回报,优于基准买入持有策略,凸显情感分析在股票市场中的应用价值

本报告基于2017-2019年纽约市黄出租车的每日乘客量数据,采用ARIMA等多种时间序列模型进行预测,发现乘客数呈线性下降趋势,日均减少约200人。经过趋势和多周期成分剔除,AR(1)模型表现最佳,测试集RMSE为34880,显著优于复杂模型和简易预测方法。研究为政策制定者及交通运营商提供了数据支持与预测工具