每日金融论文简报｜2026 年 9 月 24 日

重点关注

重点论文已核阅公开 PDF；数字和结论均是作者报告，未做独立复现。本文严格区分相关性与因果、样本内与样本外、统计显著性与经济显著性、回测与真实可交易结果，不构成投资建议。其余条目标注“仅依据摘要”。

1. LiMT：把流动性信号和多任务学习接入股票预测

• 论文：Hierarchical Multi-Task Learning with Liquidity-Aware Signals for Stock Forecasting（arXiv:2609.25617）
• 作者：Hengyi Yang、Sida Lin、Yiyan Qi、Yankai Chen、Haohan Zhang、Xianhua Peng、Jian Guo
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 许多股票预测模型把跨股票关系、单只股票的时间动态和单一价格方向目标混在一起，且忽略成交量、波动和流动性对组合落地的影响。LiMT 研究联合预测收益、波动和成交量，再把这些预测送入带交易约束的组合优化，是否比单任务模型更能改善预测与组合结果。

方法、数据与基线。 模型由 Market Regime Encoder、时间建模和 Liquidity-Driven Learning 的 mixture-of-experts 组成，最后用 Adaptive Portfolio Optimization 配权。数据是 CSI300/CSI500 成分股的 Alpha158 特征，2008–2020；训练、验证、测试分别为 2008–2014、2015–2016 和 2017–2020，lookback 21 日。基线包括 LSTM、GRU、Transformer、TFT、MASTER、XGBoost、LightGBM、DoubleEnsemble 等 14 个模型；组合回测使用每日排序、10bp 交易成本和单股每日成交额 2% 上限。

论文报告的主要结果。 CSI300 上 LiMT 的 IC/ICIR/超额年化收益/超额信息比率为 0.0575/0.4462/0.1809/2.0414，CSI500 为 0.0496/0.452/0.1529/2.0166，均为表中最高。2017–2020 的 CSI300 long-short 测试中，APO 相对等权的年化收益从 3.99% 升至 10.01%，Sharpe 从 1.22 升至 1.86，订单成功率从 32.13% 升至 38.00%；但最大回撤从 3.73% 升至 4.94%，换手从 20.73% 升至 24.98%，论文还报告风险调整后的日 alpha 为 0.35%、p<0.01。

创新、局限与金融解释。 训练/验证/测试时间切分使该回测具备样本外成分，但 2017–2020 仍是单一市场和单一测试窗口；10bp 成本、成交额上限、top/bottom decile 和 long-short 组合是模拟执行，不是成交所、冲击、排队和容量下的真实可交易结果。日 alpha 的统计显著性不等于经济显著性或因果收益来源，且模型、因子与组合规则仍可能共同调参；建议量化研究、股票预测和交易系统读者先读 §III 数据/模型、表 I–II、§V-C 回测及附录基线定义。

2. Beyond Agent Architecture：LLM 交易系统的执行假设与可复现性

• 论文：Beyond Agent Architecture: Execution Assumptions and Reproducibility in LLM-Based Trading Systems（arXiv:2606.08285）
• 作者：Junyi Yao、Zihao Zheng、Baichuan Li
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；这是论文的综述/审计结果，尚未独立复核。

核心问题。 LLM trading 论文常把 agent 架构写得很清楚，却没有交代信号何时可知、何时成交、成本如何计入和资产池如何形成，导致收益数字难以比较。本文不是提出新的交易模型，而是对执行现实性和复现条件做定向综述与编码审计。

方法与基线。 作者从检索得到的文献中保留 45 篇记录，其中 30 篇 trade-relevant primary studies 进入五维审计：point-in-time/split、held-out evaluation、cost/turnover、execution semantics、artifact availability。编码使用 Y/P/NR 保守规则，由第二作者对 30 篇论文做 150 个字段复核，未解决分歧为 0；另用 10-stock scaffold 对 same-close、next-close、0/10/25bp 条件展示执行假设如何改变结果。这里的比较对象是报告规范，而非不同策略的收益 leaderboard。

论文报告的主要结果。 30 篇研究中，至少部分可恢复的 split/point-in-time 信息为 25 篇，held-out evaluation 为 21 篇，execution timing 为 26 篇，artifact availability 为 18 篇，而 cost/turnover 只有 14 篇；后者是最薄弱的可压力测试字段。作者还指出直接交易研究 14 篇中仅 5 篇提供可恢复成本处理，组合/alpha 研究 11 篇中仅 6 篇提供成本处理和可恢复 artifact。

创新、局限与金融解释。 价值在于把“可复现”和“可交易”拆成可检查的证据字段，避免把架构新颖性误当成经济结果。局限是样本筛选、公开资料缺失和作者编码仍可能遗漏实现细节；审计只能说明论文报告是否可重建，不能证明原论文没有数据泄漏或回测错误。文章本身也没有估计某一字段对收益的因果影响；建议读者先看 §3.3–§3.7、表 5–10 和附录证据矩阵，尤其关注时点、成本、成交语义和 artifact 四个维度。

3. Financially Guided Deep Portfolio Optimization：把金融目标直接写进训练损失

• 论文：Financially Guided Deep Portfolio Optimization（arXiv:2605.28853）
• 作者：Rahul Fernandes、Travis Desell
• 来源与链接：arXiv 摘要页 · PDF · 代码 · 补充材料 DOI
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 传统 predict-then-optimize 先预测收益再求权重，预测误差会在组合优化中放大；论文研究直接对 Sharpe、Omega、CVaR 和 risk parity 等可微金融目标训练网络，能否在困难市场中改善组合结果。

方法、数据与基线。 使用 CRSP 的 50 只固定 S&P 500 成分股，2007–2023；训练集截至 2020-02-06，验证集为 2020–2021，测试集为 2022-01-03 至 2023-11-29 的 480 个交易日。模型用 180 日窗口、251 个特征、softmax 权重，Optuna 每个模型—损失组合 100 次调参；以 bid-ask spread 和再平衡换手计算成本，30 个固定测试 seed 与 equal-weight、S&P 500、MVP、HRP、NCO、ERC 等基线比较，运行在 NVIDIA A100 HPC 集群。

论文报告的主要结果。 AttentionLSTM-CustomLossB 的测试期复合收益为 +7.86%，年化 Sharpe 0.2900（95% CI [0.21834, 0.36172]），MDD −20.21%，CVaR −2.86%；S&P 500 对应为 −4.52%、−0.0240、−25.43%、−2.84%。论文以 30 个 seed 的 paired/one-sample 检验报告相对 S&P 的 Sharpe t₍₂₉₎=8.95、Bonferroni 校正 p<10⁻⁸，相对最强传统 NCO 的 t₍₂₉₎=6.74、p=10⁻⁶；CVaR 与 S&P 的差异不显著。

创新、局限与金融解释。 这是一个带真实 bid-ask 输入的样本外 long-only 证明性实验，不是因果识别，也不是实盘结果；30 个 seed 不是 30 个独立市场样本，t 检验主要反映训练随机性。作者明确承认单一 2022–2023 测试期、固定且全程存活的 50 只股票带来样本外泛化和 survivorship bias 问题，同时没有 short selling、margin 或更复杂的冲击成本；建议读 §III-D、§IV、表 I、统计检验和 §VI 限制，重点看“经济显著性”是否超出该单窗口。

4. Beta-Sorted Portfolios：排序组合的非参数推断边界

• 论文：Beta-Sorted Portfolios（arXiv:2208.10974）
• 作者：Matias D. Cattaneo、Richard K. Crump、Yingjie Feng、Weining Wang
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；理论与经验数字是论文报告，尚未独立复核。

核心问题。 beta-sorted portfolio 在经验资产定价中常用，但其第一步滚动 beta 估计和第二步分组排序叠加后，标准误、收敛速度和 Fama–MacBeth 方差是否仍然可靠。作者把它形式化为带 generated regressor 的两步非参数估计器，并区分非零 beta 与 beta=0 附近的推断。

方法、基线与数据。 理论允许时变 beta、序列相关因子、条件异方差和不平衡面板，提出同时估计共同因子与特异波动的 JN 方差、接近零 beta 的保守区间、data-driven window/portfolio 数，以及能消除共同因子的 butterfly contrast。经验部分使用 CRSP 1965–2019 月度股票，前 120 个月作初始估计；新增 business-credit factor，并与 Welch–Goyal 预测变量和改进的 Fama–MacBeth 方差作对照。

论文报告的主要结果。 business-credit factor 的预测回归样本内 R² 在 1/3/6/12 个月分别为 2.89%/7.87%/10.82%/12.68%，作者称补充材料中的样本外结果保持同方向。beta=-0.75 与 0.75 的高低差估计为 −0.540 个百分点/月；JN 标准误 0.304、双侧 p=0.070，改进 FM 方差 p=0.054，因此至多是 10% 水平的边际统计证据，不是强因果结论或可交易 alpha。对 capital-share factor 的应用则报告没有证据表明其被横截面定价。

创新、局限与金融解释。 论文最重要的贡献是澄清排序组合估计的目标是 sample-average conditional expected return，而非自动得到因果风险溢价；no-arbitrage restrictions 被作为可检验假设而非预先强加。局限是渐近条件、窗口选择和因子模型设定决定有限样本表现，经验部分也不提供扣成本实盘收益；建议读 §1–§5、§6.2 的 business-credit 应用和补充附录的模拟/调参。

5. Can You Delete a Year of Market Data? 用精确重训校验时间序列机器遗忘

• 论文：Can You Delete a Year of Market Data? Machine Unlearning Against Exact Retraining Oracles（arXiv:2609.26242）
• 作者：Junyi Ye
• 来源与链接：arXiv 摘要页 · PDF
• 证据状态：已核阅公开 PDF；结果是论文报告，尚未独立复核。

核心问题。 数据许可到期后，删掉原始记录并不等于删掉模型参数中的影响；论文用“同一架构、不含该年份的精确重训模型”作为 oracle，研究近似 machine unlearning 是否真的接近合法的 counterfactual，而不是把被删除年份预测成噪声。

方法、数据与基线。 任务是 S&P 500 股票 5 日前瞻实现波动率排序，使用 2015–2025 滚动窗口、5 年训练、4 个测试 fold、5 个可删除年份、5 个架构和 3 个删除级别，形成 3,200 个带 10 个 seed 的 paired comparisons；三种 deployable 架构由 HAR benchmark 筛出。比较 finetune、hinge、SCRUB 和 TS-Unlearn，指标包括 forget-set memorization gap、测试 IC 变化和相对 oracle 的 closure；单次 oracle 重训约 3–18 分钟，完整实验约 600 A100 小时。

论文报告的主要结果。 2020 年危机期实现波动率约 38%，是所有架构记忆差距最大的年份；删除它后，三个 deployable 模型在四个 fold 都提高测试 skill，L0/L1/L2 下 2020 的正向 cell 分别为 12/12、12/12、12/12。Transformer 的 oracle 在从未训练过的 2020 年仍有 IC=0.51，reference 为 0.55，说明 oracle 目标不是把被删年份预测成噪声；TS-Unlearn 向噪声移动时测试 IC 从约 0.49 降至 0.42。四个 fold 中只有 TSMixer+hinge 的 closure 0.74–1.18 始终接近 oracle，且没有可测测试 skill 损失。

创新、局限与金融解释。 论文把“删除”定义为可检验的反事实等价，而不是人为压低被删期间的预测；这对合规审计比口号式 unlearning 更有用。局限是单一液态美国股票波动率面板、固定当前 S&P 500 成分股、一个预测任务和五个架构，不能证明删除危机年本身具有因果改善机制；这是风险预测研究，不是 alpha 或交易回测，且方法排名不跨架构/窗口稳定。建议读 §4–§6、表 3–5、图 3–4 和 §8 限制。

金融论文

1. Hierarchical Multi-Task Learning with Liquidity-Aware Signals for Stock Forecasting（arXiv:2609.25617）

• 作者：Hengyi Yang、Sida Lin、Yiyan Qi、Yankai Chen、Haohan Zhang、Xianhua Peng、Jian Guo
• 来源/分类：arXiv · cs.CE
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。论文同时报告预测 IC/ICIR 和带 10bp 成本、成交额上限的 long-short 模拟收益；这些是样本外窗口内的作者回测，不是实际成交或投资建议。

2. Beyond Agent Architecture: Execution Assumptions and Reproducibility in LLM-Based Trading Systems（arXiv:2606.08285）

• 作者：Junyi Yao、Zihao Zheng、Baichuan Li
• 来源/分类：arXiv · cs.AI
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。该文是方法审计，不是交易策略；核心结果是 30 篇研究在时点、持出、成本、执行语义和 artifact 上的报告完整度不均。

3. Financially Guided Deep Portfolio Optimization（arXiv:2605.28853）

• 作者：Rahul Fernandes、Travis Desell
• 来源/分类：arXiv · q-fin.PM
• 链接：摘要页 · PDF · 代码 · 补充材料 DOI
• 简介：重点关注部分已详述。论文的 +7.86% 是 2022–2023 的固定 50 股、long-only、带 bid-ask 成本的样本外模拟；survivorship bias 和单一测试期限制了经济外推。

4. Beta-Sorted Portfolios（arXiv:2208.10974）

• 作者：Matias D. Cattaneo、Richard K. Crump、Yingjie Feng、Weining Wang
• 来源/分类：arXiv · econ.EM
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。它主要是金融计量理论与应用，不能把 beta-sorted 的统计显著性直接解释为因果风险补偿或可交易收益。

5. Liquidity Provision and Rebate Design in Option Markets（arXiv:2609.26606）

• 作者：Samuel N. Cohen、Lyndon Drake、Zihan Guo、Christoph Reisinger
• 来源/分类：arXiv · q-fin.MF
• 链接：摘要页 · PDF
• 简介：研究期权市场做市与交易所 rebate 设计的嵌套优化；以局部—随机波动率下的多只欧式 call、连续 make 控制与 impulse take 控制，加 delta/vega 残余头寸惩罚，提出三步 rebate 设计并用数值实验验证。仅依据摘要，结果是模型内最优和数值验证，不是现实交易所或做市商的因果/可交易绩效。

6. Can You Delete a Year of Market Data? Machine Unlearning Against Exact Retraining Oracles（arXiv:2609.26242）

• 作者：Junyi Ye
• 来源/分类：arXiv · cs.LG
• 链接：摘要页 · PDF
• 简介：重点关注部分已详述。它预测的是股票未来波动率并服务于风险定标/仓位，而不是 alpha；删除效果依赖架构、滚动窗口和 oracle，不能直接解释为市场规律或投资信号。

7. Boundary-Induced Apparent Risk Aversion in Nonergodic Multiplicative Growth（arXiv:2607.28230）

• 作者：Ling Zhang、Boyan Xing、Zhenyu She、Zixiang Xu
• 来源/分类：arXiv · econ.GN
• 链接：摘要页 · PDF
• 简介：研究有限期限乘法增长遇到吸收边界时，为何最优暴露会低于无边界 Kelly 比例；作者给出闭式解，证明可达边界会造成“表观风险厌恶”，并用无拟合参数的精确 lattice propagation 验证。仅依据摘要，这是理论机制，不是投资者偏好或资产回报的因果估计。

8. The Virtue of Sparsity in Complexity（arXiv:2604.17166）

• 作者：Nima Afsharhajari、Jonathan Yu-Meng Li
• 来源/分类：arXiv · q-fin.GN
• 链接：摘要页 · PDF
• 简介：研究 factor sparsity 与模型容量稀疏是否冲突；作者用 nonlinear feature expansion、basis pursuit、column generation 和 GPU 扩展到 4.32 亿候选因子，并报告候选空间足够大时稀疏 pricing kernel 的样本外 Sharpe 和 pricing error 优于 dense ridgeless benchmark。仅依据摘要，无法核查数据挖掘、候选筛选、真实交易成本和独立样本外稳定性。

9. Computable Countermarkets and the Limits of Universal Trading（arXiv:2604.13334）

• 作者：Karl Svozil
• 来源/分类：arXiv · q-fin.TR
• 链接：摘要页 · PDF
• 简介：研究是否存在对所有市场都保证盈利的交易算法；对每个确定性有限精度程序构造其必亏或空仓的正价格路径，并讨论学习规则、未来事件认证和有限数据随机性边界。仅依据摘要，这是计算/理论不可行性结果，不否定在特定信息、风险补偿或市场结构下的条件性策略。

10. Target alignment, dilution and forecast selection when cross-sectional forecasts share a common target（arXiv:2609.26303）

• 作者：Masoud Soleimani
• 来源/分类：arXiv · econ.EM
• 链接：摘要页 · PDF
• 简介：研究共同实现目标下横截面预测的 alignment、dispersion 与 dilution；理论分解预测、模拟并应用于美国股票排名的 LLM forecasts 和 ETF signals，作者报告选择规则可减少 dilution，但没有组合超过 no-information forecast。仅依据摘要，结论是预测选择统计关系，不是因果收益或可交易结果。

11. Conditional Tensor Diffusion: Distributional Counterfactual Learning and Inference（arXiv:2609.25924）

• 作者：Xinbing Kong、Zeyu Li、Junfan Mao、Bin Wu
• 来源/分类：arXiv · stat.ML
• 链接：摘要页 · PDF
• 简介：研究高维 panel/tensor 因果推断中如何恢复缺失 control outcome 的条件分布；CFTDiff 把 treatment mask、Tucker 结构和 conditional diffusion 结合，并给出依赖 Tucker rank 的误差界，在模拟和挪威 iFlex 实验上比较补全方法。仅依据摘要，因果解释仍依赖处理分配、缺失机制和潜在结构假设，需求干预的经济效果不等于投资回报。

12. The Informational Content in Lepto-Variance and Its Relation to Higher Moments（arXiv:2609.25144）

• 作者：Vassilis Polimenis
• 来源/分类：arXiv · stat.ME
• 链接：摘要页 · PDF
• 简介：研究自回归树式 lepto-variance 与方差、偏度、峰度的关系；作者用正态模拟和历史美国股票收益报告约 58% 的历史变异为无法由金融因子解释的 1-bit lepto-variance，正态大样本 lepto-ratio 收敛到 36.3%。仅依据摘要，不能判断该新统计量的估计误差、样本外预测、因子遗漏或经济显著性。

13. Polynomial Scaling is Possible For Neural Operator Approximations of Structured Families of BSDEs（arXiv:2410.14788）

• 作者：Takashi Furuya、Anastasis Kratsios
• 来源/分类：arXiv · math.OC
• 链接：摘要页 · PDF
• 简介：研究非 Markovian BSDE 解算子何时能从一般指数复杂度降为关于 1/ε 的多项式复杂度；方法把半线性 PDE Green function 奇异部分和 Doléans–Dade 指数写入 neural operator 的 inductive bias，给出 uniform approximation 理论。仅依据摘要，这是理论复杂度结果，不提供市场校准或实盘定价验证。

14. Optimal Investment and Consumption in Financial Markets with Integrated Variance Clocks（arXiv:2609.26349）

• 作者：Eduardo Abi Jaber、Florian Gutekunst、Martin Herdegen、David Hobson
• 来源/分类：arXiv · q-fin.MF
• 链接：摘要页 · PDF
• 简介：研究以累计方差为随机时钟的连续市场中无限期投资—消费问题；作者建立由日历时间和随机时钟共同驱动的 IVC-BSDE 存在、唯一性和稳定性，并应用于 rough/hyper-rough Volterra Heston，给出不完全市场最优性与完全市场显式表达。仅依据摘要，未核查参数校准、数值误差、模型风险或真实可交易性。

15. Risk diversification for infinitely divisible distributions（arXiv:2609.25452）

• 作者：Peng Liu、Tiantian Mao
• 来源/分类：arXiv · math.PR
• 链接：摘要页 · PDF
• 简介：研究无限可分分布下 iid 或异质相关风险的凸组合何时出现非分散化或反向分散化；作者用变换 Lévy measure 的次可加/凹性刻画过程，证明对称 1-stable Lévy process 是唯一的对称非分散化过程，并扩展到 compound Poisson、OU 和随机积分。仅依据摘要，这是风险理论结果，不能直接当作资产配置结论。

16. Large Bayesian VARs for Binary, Censored and Count Variables（arXiv:2506.01422）

• 作者：Joshua C. C. Chan、Davide Pettenuzzo、Michael Pfarrhofer、Aubrey Poon、Dan Zhu
• 来源/分类：arXiv · econ.EM
• 链接：摘要页 · PDF
• 简介：研究如何把 binary、censored、count 与连续变量放入同一大规模 VAR；方法用 latent Gaussian、收缩先验、随机波动和带 banded precision 的截断正态 HMC，并在 25 个美国宏观金融变量上做衰退概率、银行失败和 shadow rate 场景分析。作者报告把受限变量当连续变量会扭曲尺度并恶化预测；仅依据摘要，预测改善不等于宏观政策因果或交易收益。

17. The network advantage: benefits of interregional scientific knowledge spillovers on AI patenting（arXiv:2609.26604）

• 作者：Saverio Barabuffi、Jacopo Cricchio、Alberto Di Minin、Guido Pialli
• 来源/分类：arXiv · econ.GN
• 链接：摘要页 · PDF
• 简介：研究跨地区 AI 论文合作网络是否与地区 AI 专利增加相关；作者用 2006–2020 年中国 26 个省级地区的 network econometrics，报告共同发表的 spillover 主要在私营企业主导研发的地区转化为专利，且可能扩大地区差异。仅依据摘要，网络回归相关性不等于 spillover 的因果识别，也不是金融市场论文。

18. Modeling interest rate swap volatility with GARCH processes（arXiv:2609.25965）

• 作者：Michał Balcerek、Michał Wronka
• 来源/分类：arXiv · q-fin.MF、q-fin.ST
• 链接：摘要页 · PDF
• 简介：研究 2007–2023 年 USD 1Y×10Y forward swap rate 的条件波动，用 GARCH、GJR-GARCH 和两状态 MSGARCH，并加入 ATM swaption volatility 与 SRVIX。作者报告 MSGARCH 的 log-likelihood 最高、AIC 最低，BIC 更偏好简约的 GJR-GARCH；一步回测短期准确度相近，但 regime interpretation 更清晰。仅依据摘要，尚未核查滚动窗口、结构断点、样本外经济价值和对冲可执行性。