每日金融论文简报｜2026 年 9 月 30 日

重点关注

本期从 18 篇候选中选出 6 篇重点阅读。金融论文中的预测、收益和风险数字均是作者报告的结果；下文区分相关性与因果性、样本内与样本外、统计显著性与经济显著性，以及回测/模拟与真实可交易结果。本文不构成投资建议。

1. LiveOption：让期权交易智能体接受结构化、可执行的压力测试

• 摘要页 · PDF
• 作者：Haochen Luo、Yifan Li、Binh Minh An、Xiaolong Luo、Zhengzhao Lai、Yuan Zhang、Chen Liu；来源：arXiv；分类：cs.AI、q-fin.CP。
• 研究问题。 现有金融智能体评测大多围绕股票方向预测，难以覆盖期权的非线性收益、多腿组合、保证金、行权与到期等约束。LiveOption 问的是：在结构化、按时间推进且有执行约束的环境里，LLM 智能体能否形成有效且风险可控的期权决策？
• 方法与基线。 论文搭建按时间回放的经纪商模拟器，维护现金、持仓、期权链、新闻、日历、保证金、手续费、指派和到期状态；智能体由分析器与执行器组成，动作通过后端校验。测试包括组合覆盖、财报事件和 0DTE 日内交易；使用 2025 年数据、6 个模型、1,235 次主运行和 684 次成对消融。评测同时看动作有效性、决策质量、风险特征和收益结果，并比较是否提供 Greeks、是否有多时间尺度行情与是否保留组合状态。
• 关键结果。 在组合覆盖任务中，6 个模型的对照买入并持有超额收益均为负；对冲任务中 5/6 个模型降低最大回撤，降幅约 1.45–8.33 个百分点，但 Qwen 反而增加约 0.52 个百分点，不能据此推出风险调整后的优势。财报任务的均值和中位数收益均为负、利润因子均低于 1；0DTE 任务各模型中位数均为负（约 -3.20 至 -0.26），均值约 -0.73 至 +0.14，95% 置信区间都包含 0。把价差半宽等交易摩擦纳入后，0DTE 汇总均值从约 -0.216 降至 -0.452 个百分点，论文报告的检验显著（p=.013），但仍没有模型取得正向结果。去掉 Greeks 和多时间尺度行情后，成交次数从 29.5 降至 4.4；去掉组合状态后最大回撤从 4.4 升至 12.4。
• 判断边界。 这些是作者在专有数据和 2025 年回放环境中的模拟结果，不是实盘成交，也不是因果识别；后截止日期设计只能降低已知污染风险，不能证明没有数据泄漏。覆盖任务里“降低回撤”也不等于产生收益，0DTE 的右偏均值更不能替代中位数或含成本结果。研究创新在于把可执行性、风险和结果放进同一结构化评测，而不是声称 LLM 已经能赚钱。
• 适合谁读。 做金融智能体、期权执行或评测设计的人。建议优先读任务定义和指标、各任务结果表、交易成本/消融分析，以及 limitations；重点检查数据可得性、时间切分和模拟器假设。

2. RADAR：检索相似市场状态的扩散式 SDF 组合模型

• 摘要页 · PDF
• 作者：Kelvin J. L. Koa、Xinyang Li、Ke-Wei Huang；来源：arXiv；分类：cs.LG、q-fin.CP、q-fin.PM。
• 研究问题。 随市场状态变化，价格与新闻的多模态噪声和非平稳性会让固定噪声假设失效。RADAR 试图学习带有风险结构的市场表示，并检验检索历史相似状态、再用条件扩散生成表示，是否能改进随机贴现因子（SDF）组合。
• 方法与基线。 样本为 2011 年 6 月至 2020 年 6 月的 377 只 S&P 500 新闻重叠股票，滚动四年训练、90:10 验证、随后一年样本外并逐年滚动；输入 60 天、预测 7 天。价格/新闻编码器用 GRU、加性注意力和双线性融合，检索 top-10 相似状态；比较 StockNet、HAN、NGAT、iTransformer、RATD，以及等权、BSV、DKKM、MLP、LinAttn 等组合基线。作者还报告不使用新闻、不使用价格、移除检索/扩散和更换候选组合的消融。
• 关键结果。 论文表中 RADAR 的 Sharpe 为 1.062、Sortino 1.352、Calmar 0.924、累计收益 2.502、年化收益 0.285、最大回撤 0.308、波动率 0.271；等权 Sharpe 为 0.795，SDF 基线为 0.505。去掉新闻后 Sharpe 为 0.650，去掉价格后为 0.797，只保留扩散相关变体约 0.411，说明结果并非“扩散”三个字单独带来。作者报告相对 SDF 的月度/HAC/DM/LW 检验 p 值约 .0046/.0036/.0035/.0189，bootstrap p=.0032；CAPM 年化 alpha 18.71%（p=.016），FF alpha 15.47%（p=.035）。
• 判断边界。 这是严格滚动切分下的样本外回测，但仍是回测，不是实盘可交易收益；摘要和全文给出的结果没有把完整交易成本、容量、滑点和实时延迟纳入可执行证明。统计显著性不自动等于扣费后的经济显著性，CAPM/FF alpha 也不等于因果收益来源。FNSPID 新闻数据稀疏、表示可解释性有限，且可能存在研究者自由度，因此应把这些数字看成作者报告的 OOS 证据，而非已验证的投资优势。
• 适合谁读。 关注资产定价、机器学习组合和状态依赖风险的人。建议读数据切分与信息时点、模型/组合基线、主表和消融、显著性检验及成本讨论。

3. Taming the Greeks：把组合风险暴露直接写进期权策略训练目标

• 摘要页 · PDF
• 作者：Wee Ling Tan、Stephen Roberts、Stefan Zohren；来源：arXiv；分类：q-fin.PM、cs.LG、q-fin.CP、q-fin.TR。
• 研究问题。 只优化风险调整后收益的神经网络可能产生不可控的组合 Greeks。论文问：在历史数据上直接加入可微的风险敏感度惩罚，能否在降低方向性暴露的同时改善样本外表现？
• 方法与基线。 数据来自 2010–2023 年 Nasdaq-100 成分股期权；以静态、Delta 中性的 ATM 跨式组合为实例，采用滚动扩展的五年训练与五年样本外评估、多随机种子。训练目标将收益损失与两种 Delta 惩罚结合：暴露归一化惩罚（ENP）和 Greek-ratio drift 惩罚（DP）；对比未正则化网络、LSTM 及规则/强化学习相关基线，并做惩罚强度、交易成本和风险暴露消融。
• 关键结果。 论文表中未正则化基线的年化期望收益约 0.399、波动率 0.187、最大回撤 0.222、Sharpe 2.131；不同正则化版本 Sharpe 约 2.255–2.339，DP L1 最高。基线平均净 Delta 约 0.127，DP L1 约 0.056；方向性暴露下降，但不能把 Sharpe 改善直接解释为因果收益。加入交易成本后，DP L1 的 Sharpe 从零成本的 2.339 降到 50bp 时约 1.574、100bp 时约 0.860；过强惩罚会崩溃，某个强度的 Sharpe 约 0.935。作者还报告未提供 Greeks/多时间尺度行情的对照会明显减少成交与组合状态质量。
• 判断边界。 五年滚动样本外是 OOS 设计，但仍是历史回测；零成本结果的经济意义不能脱离 50–100bp 敏感性、流动性、价差和市场冲击。论文研究的是一阶方向性暴露，并没有证明多 Greeks、实际成交或对冲融资都可实现；正则化的参数选择也可能引入模型选择偏差。建议把“降低风险暴露”和“提高回测 Sharpe”作为两个分别需要验证的命题。
• 适合谁读。 做期权策略、可微风险控制和深度资产管理的人。建议先看风险惩罚定义与时间切分，再看主表、暴露统计和交易成本/惩罚强度消融。

4. 从期权价格估计时间变化的 SDF，并预测股票风险溢价

• 摘要页 · PDF
• 作者：Kenichiro Shiraya、Tomohisa Yamakami、Akira Yamazaki；来源：arXiv；分类：q-fin.MF、q-fin.ST。
• 研究问题。 能否只用 S&P 500 期权价格及其隐含的市场变量，估计一个随波动率变化、形状稳定但非单调的 SDF，并改善股票超额收益的样本外预测？
• 方法与基线。 作者用期权隐含的利率、股息和标的价格构造时间变化波动率缩放的 SDF，以 GMM/Hansen–Jagannathan 等工具估计和检验；使用扩展窗口，在 2009 年 12 月之后进行样本外预测。比较历史平均、Martin bound（M-Bound）、Campbell–Yogo 类界（CYL-Bound）等基线，并按到期日 30–360 天评估。
• 关键结果。 作者报告 SDF 在浅度虚值看跌一侧呈 hump，随到期变长更接近 W 形；表中相对于历史平均的样本外 (R^2) 随期限从 30 天约 1.80% 到 360 天约 22.57%，相对于 M-Bound 在 360 天约 25.46%，相对于 CYL-Bound 在 360 天约 11.47%。但按本文全文讨论，短期限差异较弱、区间较宽，预测证据并非在所有期限都稳健；文中也强调整体证据仍需谨慎解读。
• 判断边界。 这些是 SDF 预测检验，不是交易策略收益；样本外预测的统计优势不等于可交易的经济利润，也不提供因果识别。结果依赖 SDF 规格、隐含变量质量、期限和基准界的构造，宽置信区间会削弱强结论。创新是把期权横截面信息与时间变化波动率联系起来，而不是证明存在无风险套利。
• 适合谁读。 做资产定价、期权隐含信息和 SDF 估计的人。建议看识别假设、SDF 形状图、样本外 (R^2) 与基准界比较、GMM/J 检验和局限性。

5. Exact Trade-Level Attribution of FRTB-IMA Capital：把资本归因推进到交易级

• 摘要页 · PDF
• 作者：Yuhe Sui；来源：arXiv；分类：cs.CE、q-fin.RM。
• 研究问题。 FRTB-IMA 在交易台聚合层面计算市场风险资本，但风险管理和验证需要回答某笔交易、某个历史日期或某个组合分组贡献了多少资本；Expected Shortfall、压力缩放、不可建模风险因子、违约风险、历史和标准法层叠后，简单的今日 Delta 不够用。
• 方法与基线。 论文把完整资本计算写成计算图，在一次前向计算后用单次反向传播，把 Expected Shortfall 对偶权重、floor/max 的活动分支、违约分位数等局部规则传播到交易和观察日期。它同时给出局部边际、移除归因、会计 ledger、来源 ledger 和对冲选择等口径；在不可微的监管 tie 上用精确线性规划识别可实现的边际顶点，而不是任意选一个梯度。验证基线是逐笔重算/暴力重算和一组对账约束。
• 关键结果。 在 14 个平滑的 96 交易合成组合上，过去观察日期承担的资本份额中位数为 61%，范围 21%–99%；ledger 对账的相对误差约 (5.6\times10^{-16})。在 42 个 tie 组合中，作者报告了边际不唯一的可实现顶点；对 6 个符合条件的美式期权组合，认证式重定价与暴力重算一致。这里的“精确”是相对于实现的计算和给定规则，不是监管机构规定的唯一归因答案。
• 判断边界。 这是计算方法和合成数据验证，不是交易回测，更不是资本政策变化的因果证据；没有实盘时延、生产交易台分组或真实数据审计。对账误差很小只能证明程序内部一致，不能证明模型输入、监管解释或业务分类正确。创新在于处理跨历史状态和非光滑分支，而不是给出更高投资收益。
• 适合谁读。 做市场风险、资本计量、模型验证和自动微分的人。建议先看计算图和齐次性假设，再看 past-date identity、tie 处理、合成书验证与适用范围。

6. Synthetic American Option Pricing：用 Jump-HMM 和随机隐含波动率构造可复现实验器

• 摘要页 · PDF · 代码
• 作者：Julia Sun、Zheyu Jin、Jiawei Zhang、Jeffrey D. Varner；来源：arXiv；分类：q-fin.CP、cs.LG。
• 研究问题。 模拟股票路径本身没有给出每个日期、每个行权价的美式期权隐含波动率。论文构造一个可复现的模拟器，把期权 IV 曲面、Jump-HMM 股票路径、Heston 风格方差更新和二叉树定价接起来，并检验复杂波动率更新是否真的改善价格预测。
• 方法与基线。 用 31 只股票报价拟合参数化和神经 IV 曲面，股票路径来自带收益上限的 Jump-HMM；每天让隐含方差向曲面预测部分靠拢，股价下跌时加入抬高 IV 的冲击，再用二叉树输出价格和敏感度。比较全量更新、冻结 IV、不同拟合粒度和“假设已知未来股票路径”的诊断；训练数据和 indicative market feed 覆盖多个窗口，股票模型使用 2014–2024 数据。
• 关键结果。 按作者报告，逐股票神经曲面的拟合 RMSE 约 9.73，单一参数曲面约 12.48；但在后续 Goldman Sachs 与 Eli Lilly 期权价格预测中，随机 IV 只略优于冻结 IV（例如 GS MAE 4.19 对 4.21、LLY 11.59 对 11.62），17 个预测起点只有 6 个 GS、9 个 LLY 改善。自适应波动率让 LLY 的 CRPS 从 29.60 降到 28.57、另一个窗口从 35.60 降到 33.81，却使 GS 变差；观察到的未来股票路径能显著改善误差，但这是诊断而非可用预测。直接生成的 IV 曲面仍出现 1,818 个检查中 178 个超过 0.01 美元的凸性违例。
• 判断边界。 论文的主要结论是复杂 IV 动力学没有击败简单基线；它是模拟器和假设比较，不是可交易策略。数据窗口短、报价为 indicative、路径和 IV 之间存在重叠/假设，未充分覆盖提前行权、跨行权价一致性和实际成交。拟合更好的 IV 曲面也不等于预测收益更高；需要完整期权历史和跨行权价一致的数据才能替代市场数据。
• 适合谁读。 做美式期权定价、模拟数据和波动率曲面的人。建议读 IV 曲面构造、方差更新/二叉树、同路径消融、后验价格预测和凸性检查。

金融论文

1. LiveOption：结构化期权交易智能体评测

• 摘要页 · PDF
• 作者：Haochen Luo、Yifan Li、Binh Minh An、Xiaolong Luo、Zhengzhao Lai、Yuan Zhang、Chen Liu；来源：arXiv；分类：cs.AI、q-fin.CP；跨主题：AI / 金融。
• 论文报告。 LiveOption 将期权交易建模为有资本、保证金、手续费、指派和到期约束的结构化序列决策，覆盖组合覆盖、财报事件和 0DTE 三类任务，并用动作有效性、决策、风险和结果四层指标评估智能体。作者在 2025 年数据上测试 6 个模型，发现多数场景不能取得有竞争力的收益；对冲任务部分模型降低最大回撤，但财报和 0DTE 结果整体弱，不能将模拟结果解释为实盘盈利能力。
• 证据边界。 论文正文已检查；结论属于作者在单一数据提供方和回放模拟器中的样本外式场景实验，不是因果估计或真实可交易结果。详见上文重点关注第 1 篇。

2. RADAR：检索增强扩散模型与 SDF 组合

• 摘要页 · PDF
• 作者：Kelvin J. L. Koa、Xinyang Li、Ke-Wei Huang；来源：arXiv；分类：cs.LG、q-fin.CP、q-fin.PM。
• 论文报告。 RADAR 用相似历史状态检索构造条件噪声分布，再通过扩散模型融合价格和新闻表示，用于 SDF 组合；作者在 2011–2020 的 377 只股票上做滚动训练与一年样本外评估，报告 Sharpe 1.062 和优于所列基线的风险调整指标，并给出消融和统计检验。
• 证据边界。 论文正文已检查；这是作者报告的回测和样本外统计结果，不能替代含完整成本、容量和实时执行的实盘验证，也不构成因果收益归因。详见上文重点关注第 2 篇。

3. From Word Counts to Context：文本语义表示是否改善资产定价主题

• 摘要页 · PDF
• 作者：Kevin Foley、Jonathan Hartadi、Shivesh Prakash、Swapnil Vatsal；来源：arXiv；分类：cs.CE、q-fin.PM、q-fin.ST。
• 研究问题与方法。 论文用同一批 394,661 篇文章和同一套下游组合流程，比较 LDA 与冻结 sentence transformer + k-means 在主题词连贯性和资产定价中的差异，改变的是文本层、文章长度和主题词排序。
• 作者报告的结果与边界。 Transformer 分支的 NPMI 和观察到的 Sharpe 更高；进一步的球面聚类和多期限暴露组合报告 excess-return Sharpe 1.03，但作者明确说现有检验不能建立 outperformance。数据时点、样本外与更广泛数据仍需加强，因此这是相关性/探索性回测，不是文本语义导致超额收益的因果证据；未验证真实可交易成本。仅依据摘要。

4. Taming the Greeks：带风险敏感度惩罚的期权组合

• 摘要页 · PDF
• 作者：Wee Ling Tan、Stephen Roberts、Stefan Zohren；来源：arXiv；分类：q-fin.PM、cs.LG、q-fin.CP、q-fin.TR。
• 论文报告。 论文在 Nasdaq-100 期权的历史数据上，把暴露归一化和 Greek-ratio drift 惩罚写入深度策略目标，对静态 Delta 中性跨式组合做扩展窗口样本外测试。适度正则化降低实现的方向性暴露，并报告高于未正则化基线的风险调整表现；加入 50–100bp 交易成本后优势明显收缩，过强惩罚会损害表现。
• 证据边界。 论文正文已检查；结果是历史回测，不是实盘或因果效果，且主要针对一阶方向性风险与单一组合设定。详见上文重点关注第 3 篇。

5. FinAutoRubric：用专家指导自动生成金融研究智能体评测标准

• 摘要页 · PDF
• 作者：Hoyoung Lee、Suyeol Yun、Jack Haverty、Yunju Cho、Meesong Kim、Daekyung Park、Sumin Kim、Jihoon Kwon、Jasmine Jia Geng、Andrew Chin、Yin Luo、Edward Tong、Yu Yu、Zach Golkhou、Minkyu Kim、Igor Halperin、Young Cha、Alejandro Lopez-Lira、Chanyeol Choi、Yongjae Lee；来源：arXiv；分类：cs.AI、q-fin.CP；跨主题：AI / 金融。
• 研究问题与方法。 金融研究智能体的答案会随信息截止日、机构标准和任务变化，固定逐题 rubric 难以扩展。FinAutoRubric 让专家提供可复用指导与 Task Bank，由智能体和代码执行逐题生成、复核、验证，失败时升级人工；作者基于 3 个专家撰写的金融基准比较 rubric 与专家评分的一致性，并发布包含 100 个问题、78 个任务、8 个资产类别的 benchmark。
• 作者报告的结果与边界。 摘要称生成的 rubric 与专家评分接近强基线，覆盖更多预期值，和人工评分一致，内部分析师盲评更偏好该结果；较早模型生成的 rubric 仍有改进空间。这里衡量的是研究回答的评测标准质量，不是投资预测准确率、收益或交易执行；专家数据、模型代际和人工复核成本也限制外推。仅依据摘要。

6. Evolution of Market Microstructure in the Age of AI：市场微观结构的技术演进综述

• 摘要页 · PDF
• 作者：Irene Aldridge；来源：arXiv；分类：econ.EM、cs.GT、q-fin.GN、q-fin.TR。
• 论文报告。 这是一篇综述，从交易大厅、电子限价订单簿和高频交易，追踪到批量拍卖、暗池、AMM、区块构建者以及能够发现和竞争资源的 AI 智能体。作者把市场设计的约束概括为从理性、速度、交易排序控制转向参与者可报告信息的维度，并讨论高频交易、可提取价值、自动做市和算法合谋。
• 证据边界。 文章的主要贡献是组织既有机制和不可能性结果，不能理解为新实证策略、因果识别或可交易 alpha；“AI 代理经济”仍需要协议、激励与市场分配层的实证验证。仅依据摘要。

7. Economic Governance of Autonomous Agents and Robots：自治经济的因子来源核算与社会自动化基金

• 摘要页 · PDF
• 作者：Toqeer Ali Syed、Ali Akarma、Adeel Ahmad、Muhammad Umair Younus；来源：arXiv；分类：econ.GN、q-fin.EC。
• 研究问题与方法。 论文针对软件智能体、生成式模型和机器人使产出与人类工时脱钩、传统税基可能收缩的问题，提出 CivicDividendOS：用 Autonomous Economic Activity Passport 绑定企业责任主体，用 Factor-Origin Ledger 分解劳动、AI、机器人、数据和资本的边际来源，再通过 Social Automation Contribution、Human Earned-Income Shield 与 Public Automation Wealth Fund 回收和分配自动化收益。作者以城市物流场景形式化，并提出宏观政策 digital twin 评估协议。
• 作者报告的结果与边界。 摘要主要报告体系结构和政策机制，没有提供真实税收、就业、福利或市场价格的因果估计；所谓“因子来源”仍依赖模型定义和数据治理，不能把城市物流示例当成政策效果。仅依据摘要。

8. Estimating the Stochastic Discount Factor from Option Prices and Predicting the Equity Premium：时间变化波动率缩放的 SDF

• 摘要页 · PDF
• 作者：Kenichiro Shiraya、Tomohisa Yamakami、Akira Yamazaki；来源：arXiv；分类：q-fin.MF、q-fin.ST。
• 论文报告。 论文只用 S&P 500 期权价格及其隐含变量估计时间变化波动率缩放 SDF，报告浅度看跌一侧的 hump 随期限形成更清晰的 W 形，并在样本外预测股票风险溢价时超过历史平均、Martin bound 等基准。作者将形状解释为恒定市场价格风险下的随机波动率动力学。
• 证据边界。 论文正文已检查；这是 SDF 预测的样本外统计比较，不是因果收益或真实交易结果，预测 (R^2) 也不自动转化为扣成本后的经济显著性。详见上文重点关注第 4 篇。

9. MUFASA：自演化多智能体符号发现用于金融基本面分析

• 摘要页 · PDF
• 作者：Kelvin J. L. Koa、Filip Orestav、Shengqiong Wu、Michael J. Wooldridge、Ke-Wei Huang；来源：arXiv；分类：cs.MA、cs.AI、cs.LG、q-fin.CP；跨主题：AI / 金融。
• 研究问题与方法。 金融估值允许多种合理视角、市场非平稳且反馈噪声高，直接使用科学符号回归会失效。MUFASA 让不同专门智能体分别发现估值方程，由元协调器读取市场状态，再用准确率、稳定性和尾部风险等统计摘要记忆过去迭代，动态调整策略。
• 作者报告的结果与边界。 摘要称在多个国家数据上，相比经典金融方法、金融大模型和符号回归取得 state-of-the-art 估值表现，同时输出可解释方程、迭代知识和上下文策略权重。没有提供足够的样本外切分、交易成本、容量、实盘执行或统计检验细节，因此不能从摘要把“state-of-the-art”理解为稳定可交易优势；仍需核查是否存在数据 snooping、模型选择和跨国口径差异。仅依据摘要。

10. Exact Trade-Level Attribution of FRTB-IMA Capital：交易级资本归因

• 摘要页 · PDF
• 作者：Yuhe Sui；来源：arXiv；分类：cs.CE、q-fin.RM。
• 论文报告。 作者把 FRTB-IMA 资本计算写成计算图，用一次反向传播把 Expected Shortfall、压力缩放、分支和历史状态传到观察日期与交易，并在监管 tie 时用线性规划报告可实现边际。14 个合成 96 交易组合的过去日期资本份额中位数为 61%，相对误差约 (5.6\times10^{-16})。
• 证据边界。 论文正文已检查；这是相对于实现规则的算法精确性与合成验证，不是监管规定的唯一归因，也不涉及收益、回测或真实交易。详见上文重点关注第 5 篇。

11. Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility：美式期权模拟定价

• 摘要页 · PDF · 代码
• 作者：Julia Sun、Zheyu Jin、Jiawei Zhang、Jeffrey D. Varner；来源：arXiv；分类：q-fin.CP、cs.LG。
• 论文报告。 论文把 Jump-HMM 股票路径、神经/参数 IV 曲面、Heston 风格方差更新和二叉树组合成美式期权模拟器。神经曲面拟合报价较好，但在 GS/LLY 未来价格预测上只略优于冻结 IV，简单的“不变价格”基线很强；观察未来路径能降低误差只是诊断，不能用于真正的前瞻预测。
• 证据边界。 论文正文已检查；这是模拟与预测基线比较，不是实盘报价或交易策略，且 IV 曲面仍有跨行权价凸性违例、报价窗口短和参数假设。详见上文重点关注第 6 篇。

12. Return-Decay Residuals and Tail-Risk Forecasting：回报衰减残差与尾部风险

• 摘要页 · PDF
• 作者：Chorok Lee；来源：arXiv；分类：q-fin.PM。
• 研究问题与方法。 论文区分同月重叠统计、未来预测证据和“拥挤交易”经济含义；用 Gaussian counterexample、美国八因子重构，以及欧洲、日本、亚太（除日本）六因子区域样本，对比冻结/年度重估、不同表示和评分规则，并用 sequential bounds 处理依赖与非平稳性。
• 作者报告的结果与边界。 高斯反例可产生 1.61 的同月崩溃风险比，却没有未来收益预测；美国原规格没有稳健优势，区域 2015–2024 与 2025–2026 年 8 月的 48 个区间都包含 0。作者据此认为结果对表示、目标和评分规则敏感，不能证明拥挤或前瞻预测价值；这是方法审计与否定性证据，不是可交易信号。仅依据摘要。

13. Representation Risk in Pretrained Image Encoders：预训练视觉表示本身的模型风险

• 摘要页 · PDF
• 作者：Morgan Nordstrom、Vamuyan Sesay、Matthew D. Webb；来源：arXiv；分类：econ.GN、q-fin.EC。
• 研究问题与方法。 论文把“预训练编码器选择”视为表示风险：在相同 head、维度控制和 group-safe split 下，十个冻结编码器对房价、赛马、乳腺组织、胸片、年龄和水稻病害可能给出不同的样本外结论；候选编码器用独立验证集选择，并实现 LOOKAGAIN-ML 工作流。
• 作者报告的结果与边界。 例如房价任务中 SigLIP 2 的测试 (R^2) 为 .629，ResNet50 为 .396；赛马 DINOv2 为 .105，另一个基线为 .029；肺炎准确率 .979，年龄任务 MAE 4.786 年。没有编码器在所有任务最好，固定切分的收益在赛马和水稻上较小，重复切分也发现赛马特征组合不稳定。该结果强调预测不确定性和模型选择成本，不是金融收益或因果结论；摘要未说明下游资本资产定价或真实交易验证。仅依据摘要。

14. Source Exclusion in Regime-Gated Forecasting：源变量排除的跨市场审计

• 摘要页 · PDF
• 作者：Chorok Lee；来源：arXiv；分类：q-fin.RM、q-fin.ST。
• 研究问题与方法。 源变量可能同时进入滞后系数和 regime gate；只删滞后块不等于在拟合、过滤和调参时彻底排除信息。论文审计 HML→SMB，并扩展到 30 个因子方向、4 个区域面板，用 shared-gate ablation、complete exclusion、confidence sequence、模拟干预与独立实现重放。
• 作者报告的结果与边界。 240 个未加权时间比较中有 42 个点估计符号相反，但 2,400 个时间端点没有在同时置信序列下确定方向；776 个处于声明分辨率范围内的区间可由预测接近度解释。作者认为证据对源排除方式和推断分辨率敏感，相关市场、回溯数据版本与外部暴露限制确认。它更接近稳健性与可审计性研究，而不是发现了一个因果因子关系或可交易 alpha。仅依据摘要。

15. Forecasting Intraday USD/CAD Exchange Rate with News-Derived Monetary-Policy Signals：新闻货币政策信号与日内汇率

• 摘要页 · PDF
• 作者：Maya Kodeih、Aliaa Alnaggar、Mucahit Cevik；来源：arXiv；分类：cs.AI、cs.LG、q-fin.CP；跨主题：AI / 金融。
• 研究问题与方法。 论文把央行新闻转成时间工程和 LLM 提取的结构化沟通信号，用滚动窗口树模型预测 USD/CAD，并以控制 false discovery rate 的归因方法区分时点、沟通活动和情绪渠道。
• 作者报告的结果与边界。 摘要称货币政策沟通包含可测的预测信息，贡献集中在少数信号，沟通时点最强，活动度正向，LLM 情绪在组层面提供补充。这个结论是预测相关性，不是沟通信号导致汇率变化的因果识别；还需要核查新闻发布时间、实时可用性、交易成本、滚动样本外收益和多重检验后的经济显著性。仅依据摘要。

16. Information Latency：信息延迟的理论与经济后果

• 摘要页 · PDF
• 作者：Gaurav Subedi、Ratna K. Shrestha；来源：arXiv；分类：econ.TH、econ.GN、q-fin.EC。
• 研究问题与方法。 论文定义决策时刻与最近一次状态观测之间的时间差为 information latency，利用连续时间 Markov 过程和 Ornstein–Uhlenbeck 基准推导条件方差随延迟上升、但趋向有限上界；稀有状态下不确定性可能在中间延迟达到峰值。CARA-normal 模型进一步连接风险溢价、中介竞争和合同续约。
• 作者报告的结果与边界。 关键结论是平均延迟或平均更新频率不足以描述信息质量，更新规律性本身重要；正延迟在无法直接承诺时甚至可能是次优的。文章是理论模型，没有用市场数据估计风险溢价，也没有提供样本外或真实交易检验；结论依赖过程正则性、偏好和合同设定。仅依据摘要。

17. What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning：用强化学习可学性测量职业暴露

• 摘要页 · PDF
• 作者：Philip Moreira Tomei、Bouke Klein Teeselink；来源：arXiv；分类：econ.GN、q-fin.EC。
• 研究问题与方法。 既有 AI 暴露指标多测任务重叠，而非 AI 当前能否通过训练学会任务。作者与强化学习专家制定 rubric，让 LLM 标注 17,951 个 ONET 任务的训练可行性，汇总为 RL Feasibility Index，并用已确认部署案例验证。
• 作者报告的结果与边界。 指数与一般 AI 暴露在职业群体上明显分叉：电厂操作员、铁路列车员、航空货运主管的 RL 可行性高但一般暴露低；音乐家、医生、自然科学管理者相反。这个结果是基于标注的能力/可学习性推断，不是实际部署、就业变化或生产率的因果估计；LLM 评分、专家 rubric 与未来模型能力都可能影响结果。仅依据摘要。

18. Modeling ROI in Chronic Disease Management：把依从性和政策时点纳入慢病管理 ROI 模拟

• 摘要页 · PDF
• 作者：Jinho Cha、Eunchan Daniel Cha、Emily Haneul Yoo、Hyoshin Song；来源：arXiv；分类：q-fin.GN。
• 研究问题与方法。 论文用连续时间随机模型模拟疾病进展、随时间变化的患者依从性和政策时点，以按收入分层的 MEPS 数据校准十年医疗成本，并在依从性增量 delta 与政策成本 gamma 网格上计算 ROI。
• 作者报告的结果与边界。 摘要称早期、适应性干预 ROI 最高；当 delta≥0.20、gamma≤1.5 时 ROI 超过 20%，最低与最高收入层之间有 32% 的 ROI 差距，相对基线每位患者预计节省 312 美元，随机依从性和通胀敏感性下结论保持。上述数字是模型模拟的政策情景，不是实际实现的投资回报或因果节省；参数校准、收入分层、依从性行为和成本定义决定外推范围。仅依据摘要。