Increasing Systemic Resilience to Socioeconomic Challenges: Modeling the Dynamics of Liquidity Flows and Systemic Risks Using Navier-Stokes Equations
用 Navier–Stokes 方程刻画流动性与系统性风险以增强经济韧性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以系统性风险、极端金融情景及流动性危机为研究对象，最直接对应尾部与系统性风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用 Navier–Stokes 方程刻画流动性与系统性风险以增强经济韧性
- 研究问题
- 能否用改造的 Navier–Stokes 方程刻画经济系统的流动性流动、压力和极端情景，并支持系统性风险评估及预测？
- 方法与思路
- 作者将十三项宏观金融参数纳入方程，结合计量检验、Fourier 分析、随机模拟与人工智能校准，并使用格鲁吉亚数据进行检验。
- 材料陈述的贡献
- 摘要称，模型能描述流动性动态、系统性风险和极端情景，并通过参数敏感性模拟探索金融平衡与危机预测的应用。
- 阅读关注点
- 应核对物理变量与经济量的映射、量纲和参数识别、预测验证方式，以及与既有风险模型比较时使用的指标和基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供检验统计量或预测误差，不能据此确认物理类比有效或模型优越。
原文摘要
Modern economic systems face unprecedented socioeconomic challenges, making systemic resilience and effective liquidity flow management essential. Traditional models such as CAPM, VaR, and GARCH often fail to reflect real market fluctuations and extreme events. This study develops and validates an innovative mathematical model based on the Navier-Stokes equations, aimed at the quantitative assessment, forecasting, and simulation of liquidity flows and systemic risks. The model incorporates 13 macroeconomic and financial parameters, including liquidity velocity, market pressure, internal stress, stochastic fluctuations, and risk premiums, all based on real data and formally included in the modified equation. The methodology employs econometric testing, Fourier analysis, stochastic simulation, and AI-based calibration to enable dynamic testing and forecasting. Simulation-based sensitivity analysis evaluates the impact of parameter changes on financial balance. The model is empirically tested using Georgian macroeconomic and financial data from 2010-2024, including GDP, inflation, the Gini index, CDS spreads, and LCR metrics. Results show that the model effectively describes liquidity dynamics, systemic risk, and extreme scenarios, while also offering a robust framework for multifactorial analysis, crisis prediction, and countercyclical policy planning.