每日金融论文简报｜2026 年 10 月 6 日

重点关注

本期从 18 篇金融候选中选出 5 篇重点阅读。重点论文已打开 arXiv 摘要页和公开 PDF；数字和结论均是作者报告，未做独立复现。下文明确区分相关性与因果识别、样本内与样本外、统计显著性与经济显著性、历史回测/仿真与真实可交易结果；任何内容都不构成投资建议。

1. 私人财富管理中的嵌套委托：先把客户目标、经理利益和证据边界写清楚

论文研究客户把财富管理委托给经理、经理再把工作委托给 AI 时，信息和目标如何在两层委托中丢失。作者把客户结果与经理结果分别定义在“投资组合—服务工作流”对上，再用法律义务、授权条件、证据充分性、流动性/损失/容量约束和参考服务底线决定可行集合；权重只在可行集合内表达客户与经理之间的取舍。四类构造委托覆盖企业出售流动性、退休提款、外汇负债和集中持仓，使用 2014–2025 年 144 个月的 ECB 汇率和政府收益率观察，同时加入作者构造的增长场景和概率。

在八个原始/修正决策状态中，作者报告遗漏客户负债造成 2 次流动性违规，遗漏经理条款造成 2 次监督容量违规，误译客户权重改变 4 个仍然可行的选择。四个委托的声明权重下，六个状态选择了比客户最优服务更高的服务层级，客户让渡约 1,178–2,264 欧元，经理净收益增加约 3,062–10,381 欧元。三种指令形式在共享数值、证据和批准控制下都完成 32/32 个终端决策；显式联合目标形式提出 26 个问题，专业措辞与嵌套委托形式各提出 20 个。把选择固定在 2022 年真实汇率/收益率路径并保留构造增长场景后，作者报告客户经济量平均比参考服务低 77,967 欧元、经理净收入高 8,816 欧元。

这里的贡献是把“AI 是否听懂 mandate”分解为披露、翻译、约束、证据和执行问题；但数字依赖构造的效用、权重、服务费用和情景，不能解释成现实经理行为的因果效应。所谓 2022 年后续路径也不是滚动样本外预测或可交易回测，而是把历史观察嵌入同一构造模型的条件比较；没有客户级数据、真实订单和现场批准结果。适合金融机构 AI 治理、适当性审查和多 Agent 工作流设计者。建议先读第 3–6 节、第 15–18 页的表 3–4，再看后续路径与证据控制章节。

2. MintEval：交易代码能运行，不代表执行了你描述的策略

论文切入的是金融 Agent 的一个静默失败：代码能够编译、回测也能画出曲线，但实际执行的风险规则并不是交易者描述的规则。MintEval 先从可组合模块程序化生成参考策略，再把策略反向改写成口语化交易指令，要求模型重写代码；参考程序与生成程序在相同 BTCUSDT 15 分钟数据和摩擦设定下逐 bar 执行，比较仓位、止损/止盈和交易动作，而不是代码相似度或利润。ActionMatch 是主指标，TradeF1、绝对实现差异和 silent failure 作为补充；作者刻意差分掉 alpha，使它测实现忠实度而非策略好坏。

MintEval v0 有 800 个任务，按执行测量的状态跨度 τ 分层。低成本模型最高平均 ActionMatch 为 0.544，完全复现任务最多 0.087；在 200 个任务的开放设置子集上，Claude Opus 5.5 的 ActionMatch 为 0.889、完全复现 0.575，但仍有 0.275 的任务属于编译成功而行为不等价的静默失败。即使模型把策略规格读对，1,767 个完全规格匹配的编译运行中仍有 79.2% 的 ActionMatch 低于 0.9；同一策略模块菜单下，读懂规格几乎不再是瓶颈。作者还发现状态跨度增加会降低匹配，检查到未来数据、把当前 bar 纳入突破窗口、每根 bar 重新锚定止损等错误。把一个现有代码阅读 judge 原样用于这些代码时，它接受了全部被判定为静默失败的样本。

它把金融 AI 的“实现短缺”从预测误差中分离出来，适合作为上线前的行为回放测试。局限是 v0 只有单一 BTCUSDT、一个数据窗口、800 个合成任务和四类模型，指令由 LLM 改写且没有人类基线；不测延迟、真实撮合、盘中成交和真实策略分布，参考库还可能偏向同一家族模型。这里没有因果识别、样本外收益或真实交易结果，甚至多数参考策略在成本后会亏损；不能用 ActionMatch 推导投资价值。建议读第 3–5 节、表 1–3 和第 7 节限制。

3. PPO 在解析可解的经纪商—交易者博弈中，正确奖励仍可能学不到正确动作

作者把 PPO 放入一个有解析解的连续时间经纪商—交易者博弈，让 PPO 选择交易速度，同时面对知情交易者和随机非知情订单流。论文先从连续时间收益推导离散奖励，用网格细化与精确的一步恒等式检查实现，再用解析动作作为 reference，比较 FFNN 与 LSTM 的 PPO、监督学习诊断、critic 对临近动作的排序，以及部分信息下的 certainty-equivalent 控制器。每个 PPO 设置训练 400 万次 transition、5 个训练 seed，并按 50 条验证路径选 checkpoint。

在没有非知情流时，验证选出的 PPO-FFNN 可以接近 reference；加入随机非知情流后，测试的 PPO-FFNN 和 PPO-LSTM 都明显不准，尽管监督学习表明 actor 的表示能力足够。表 2 中零流监督/诊断的 FFNN LQ loss 为 0.045±0.031，LSTM 为 0.688±0.687；随机流下 PPO 的 critic 不能稳定判断相邻动作的优劣，潜在奖励塑形带来的平均 payoff 增加 1.57，95% 区间为 [-5.00, 8.14]，并不构成可靠改善。部分信息下，基于可观测历史的因果 certainty-equivalent 控制器接近 reference，而 PPO 收益更低、动作误差更大。把执行成本减半后，冻结解析策略并训练残差 PPO，五个 seed 都改善，平均增加 0.00519，但只填补了相对新成本 reference 差距的 2.22%。

这篇论文的价值是用可知最优策略把“奖励写对”“actor 有容量”和“critic 真会排序”拆开；它同时提醒我们，不要把训练仿真收益当成经济显著性。局限包括单一解析博弈、人工设定的订单流和成本、有限 seed 与网格/验证路径，部分信息仍是理想化的历史可观测状态；没有真实订单簿、成交冲击、样本外市场时期或 live trading。这里的比较是模型内控制误差和 payoff，不是因果政策效果、风险调整超额收益或投资建议。建议先看第 3–4 节、表 2–4 和图 3，再读部分信息讨论。

4. MBOFormer：订单事件历史让小模型在低延迟下保留预测力

论文研究短周期限价订单簿方向预测中，能否用市场逐笔订单（level-3/MBO）历史替代更大模型和采样后的 level-2 快照。MBOFormer 是 7,203 参数的因果 Transformer，MBOFusion 加入慢速时间上下文分支；基线包括 DeepLOB、BiNCTABL、MLPLOB 和不同规模的 TLOB。实验覆盖 EPEX Spot 连续电力市场、NASDAQ AAPL 7 天数据和 NYSE BAC 58 天数据，四个预测 horizon，每个配置用三个随机 seed。

作者报告两种 L3 模型之一在 12 个市场—horizon 组合中的 11 个取得最高平均 macro-F1。h=10 时，MBOFormer 在 EPEX/AAPL/BAC 的 macro-F1 分别为 0.651/0.665/0.735，高于 1.20M 参数 TLOB 的 0.617/0.653/0.731；对 EPEX 的最佳 L3—L2 差距为 0.659 对 0.621，而 AAPL 和 BAC 只有 0.009 和 0.002。单线程 Apple M2 CPU、batch=1 的 2,500 次前向中，MBOFormer p50 为 0.479ms、p99 为 0.791ms、序列化状态 39kB；相对 1.20M 参数 TLOB 与 3.14M 参数 MLPLOB，作者报告中位延迟分别约快 5.1 倍和 8.1 倍，FLOPs 少 113 倍和 260 倍。

重要的负面信息是：更大 TLOB 参数量没有稳定增益，时间上下文分支也不是所有市场都有效；三市场差异不足以识别究竟是流动性、价差还是场所特征造成。数据虽有时间切分和样本外测试，但只有三个市场、三个 seed，无法给出跨时期统计显著性；延迟排除了预处理、传输和决策执行，生产共址硬件不同。macro-F1 也不等于扣除成本后的可交易利润，论文没有 live execution 或交易成本后的经济显著性。适合低延迟模型、LOB 表示和电力市场预测研究者。建议看第 3–4 节、表 1–2、附录 B 的完整测试结果。

5. 加密货币执行中的 MoE：稳定性、尾部风险与训练规格可能被混为一谈

论文比较 vanilla DDQL、按 K-means 分区的 K=2/4/8 专家、容量匹配的单网络，在 Binance 5 分钟聚合限价订单簿上做订单执行。训练使用 1 月 9–14 日，测试严格留出 1 月 16–20 日；每个配置训练 100 个独立 seed，固定相同的 500 个测试 episode，以区分 seed 波动、平均 implementation shortfall、跨 seed 分散度和单策略 CVaR-95。作者还拆解奖励定义、探索退火和 replay buffer 保留规则，避免把架构差异误认成稳定性收益。

100-run 样本外结果中，DDQL 平均 IS 为 1.08bp，MoE K=8 为 1.05bp，配对差为 -0.03bp、95% 区间 [-0.15,+0.09]，不能证明经济上优于 DDQL；TWAP 为 0.39bp，即时清算为 0.21bp，所有学习配置都高于两个简单基线。K=8 的跨 seed 标准差最低（0.37 对 DDQL 的 0.50），但未通过家族误差校正且在规格改变后收窄；其 CVaR-95 比 DDQL 高 11.5bp，置换检验 p=0.006，说明跨 seed 稳定与单策略尾部风险不是同一概念。25/600 训练运行坍缩为几乎不交易的策略；在设备匹配的分解中，探索退火把 DDQL 的坍缩从 12/100 降为 0/100（McNemar p=4.9×10⁻⁴），而奖励与退火合用又恢复到 19/30，三项一起为 48/100。

作者的结论不是“MoE 能赚钱”，而是训练规格主导了失败模式。模拟器无交易反馈、按五分钟均值聚合、只处理买方簿，深度外推使即时清算近乎无成本；因此 0.01bp 等改进不应被解释为现实执行能力。单一品种、两周样本、固定 500 个窗口、部分分解只有 30 seed，也限制了统计推断；这是历史回放的样本外窗口，不是因果实验或真实可交易结果。适合研究 RL 执行、重复 seed、尾部风险和模拟器审计的人。建议读第 4–5 节、表 2–3 和第 6.1 节限制。

金融论文

1. Multi-Agent AI as a Nested Principal-Agent Problem in Private Wealth Management: Mandate Representation and Evidence Control in Switzerland, Germany and Austria（arXiv:2610.02863）

  • 重点论文：详细分析见上文“重点关注”第 1 篇；本论文同时属于 AI 主题，AI 简报只保留交叉索引。
  • 作者/来源：Walter Kurz、Reinhard Magg、Florian Kollberg、Wojtek Stricker、Stefan Marx、Frank Reinhardt、Velimir Dedić；来源为 arXiv/Swissi AI Journal；分类：q-fin.GN、cs.MA
  • 相关链接：摘要页 · PDF · DOI · 期刊页面

2. Landscape-Dependent Performance of Photonic Quantum Solvers in QUBO Feature Selection for Financial Risk Detection（arXiv:2610.03161）

  • 作者/来源：Nirvik Sahoo、Paul Robert Griffin；来源为 arXiv；分类：quant-ph、cs.LG、q-fin.RM
  • 证据状态：仅依据摘要。

论文比较 Gurobi、光子熵计算 Dirac-3 和模拟光子玻色采样 Piquasso 在金融风险分类特征选择中的表现，数据为 ULB 信用卡欺诈（30 个特征）和 AmEx 消费者违约（159 个特征），覆盖 13 种特征选择方法。作者报告 ULB 上 Dirac-3 的 MI-Spearman 用 13/30 特征达到全特征模型的平均 F1=0.873±0.023，AmEx 只有接近全特征预算时各范式才接近 F1=0.80；同一方法的 Gurobi 与 Dirac-3 差异多数落在运行波动内，但某些“优化最优”解泛化较差。摘要没有说明完整时间外切分、统计检验和经济收益；F1 是分类指标，不是信用组合或交易结果，也不能据此证明光子求解器的因果优势。

3. MintEval: Do LLMs Implement the Trading Strategy You Asked For? A Behavioural-Equivalence Benchmark for Natural-Language-to-Strategy Code（arXiv:2610.03080）

  • 重点论文：详细分析见上文“重点关注”第 2 篇。
  • 作者/来源：Siyu Wang、Yifan Wang、Yuecheng He；来源为 arXiv；分类：cs.SE、cs.CL、cs.LG、q-fin.TR
  • 相关链接：摘要页 · PDF

4. FinNextAssist: Towards Professional Financial Deep Research Assistant（arXiv:2610.03174）

  • 作者/来源：Xiangyu Li、Fengbin Zhu、Xuan Yao、Siyu Liu、Xiaoluan Liu、Chao Wang、Huanbo Luan、Xiaofen Xing、Xiangmin Xu、Richang Hong、Tat-Seng Chua；来源为 arXiv；分类：cs.MA、q-fin.CP
  • 证据状态：仅依据摘要。

FinNextAssist 面向专业金融深度研究，把工作拆为 Task Planner、Evidence Compiler、Reasoning Engine 和 Report Assembler，并加入处理跨市场表格的 TabAgent 与处理异构金融数据的 HeteroAgent。作者在 FinDeepResearch、Finance Agent Benchmark 和 FinTMMBench-Web 上报告整体优于强闭源与开源深度研究 Agent，消融实验也支持各组件在不同市场和语言中的作用。摘要没有提供具体分数、数据来源覆盖、时间切分、引用正确率、成本或人工审计方案；这是研究报告 benchmark 的结果，不是因果投资研究、样本外收益或可交易策略证明。

5. When a Correct Reward Is Not Enough: Diagnosing and Guiding PPO in an Analytically Solved Broker-Trader Game（arXiv:2610.03598）

  • 重点论文：详细分析见上文“重点关注”第 3 篇。
  • 作者/来源：Siu Tung Wong、Carlo Campajola；来源为 arXiv；分类：q-fin.TR、cs.AI
  • 相关链接：摘要页 · PDF

6. Right Order, Wrong Scale: Auditing LLM Judges for Occupational AI Measurement（arXiv:2610.02492）

  • 作者/来源：Harry Lyu、Neil Thompson；来源为 arXiv；分类：cs.AI、cs.CL、cs.CY、cs.LG、econ.GN、q-fin.EC
  • 证据状态：仅依据摘要。

O*NET-BENCH 用 45,796 名工人评分构建测试集，审计 6 个模型家族的 33 种 LLM judge 配置、4,501 个测试评分，问题是“排序一致”能否支持职业层面的接受率和聚合测量。作者报告 25 种配置的 tie-aware pair accuracy 至少为 0.60，但 judge 估计的可接受率从 3.0% 到 97.9%，而职业匹配工人的整体值为 61.1%；交叉验证校准虽能减少均值偏差，校准分数最多只能解释 8.5% 的个体工人评分方差。论文在任务和工人不重叠的验证切分上复现了点式/列表式协议的反转。它是测量有效性研究，不是金融市场因果证据、投资收益或实时决策结果；摘要也没有完整介绍不同职业样本的外部代表性。

7. Event History Over Scale: Compact Transformers for Low-Latency Limit Order Book Forecasting（arXiv:2610.02917）

  • 重点论文：详细分析见上文“重点关注”第 4 篇。
  • 作者/来源：David Schaurecker、Lasse B. Strand、Kevin O’Sullivan、Robert Jakob；来源为 arXiv；分类：q-fin.CP、cs.CE
  • 相关链接：摘要页 · PDF

8. Axient: Canonical Protocol-Graph Composition for Leveraged Event Markets: Single State Authority, Atomic Composition, Durable Sagas, and Exactly-Once Recovery（arXiv:2610.02834）

  • 作者/来源：Maksym Nechepurenko；来源为 arXiv；分类：q-fin.TR
  • 证据状态：仅依据摘要。

Axient 研究杠杆事件市场中多个合约各自正确、但组合后没有唯一金融执行路径的问题，提出 canonical protocol graph，让每个金融域只有一个状态权威，并用原子开仓、结算确认债务 saga、储备/担保损失瀑布、能力约束、全局暂停和 exactly-once 恢复协调状态转移。作者在明确假设下形式化证明 authority uniqueness、原子闭合、损失守恒、收据幂等和恢复安全，并以 12 个 Financial Interaction Assertions、84 个证据位置和可复核归档做本地实现评估。摘要没有真实链上生产流量、外部对手或经济损失数据；形式化性质不是收益、风险或因果效果，未来外部运行假设也未被验证。

9. Expected Utility Regret Rule: Minimax and Bayes Optimal Portfolio Choice（arXiv:2610.02290）

  • 作者/来源：Masahiro Kato；来源为 arXiv；分类：econ.EM、cs.LG、math.ST、q-fin.MF、stat.ML、stat.TH
  • 证据状态：仅依据摘要。

论文提出 Expected Utility Regret（EUR）规则，在最大化期望效用的组合选择中同时选择组合类别和权重，目标是控制相对于 oracle 投资者的期望效用 regret。作者在正则参数收益模型下报告，单一 EUR 规则可以达到 minimax 和 Bayes 下界及其首项常数，而不需要使用定义 Bayes 标准的先验；均值—方差和风险平价可作为特例。这个结论是渐近理论和模型假设下的结果，不是样本外市场检验、因果识别或扣除费用后的可交易收益；摘要没有经验校准、有限样本覆盖和模型错设分析。

10. Optimal Fees for Liquidity Provision in Automated Market Makers（arXiv:2508.08152）

  • 作者/来源：Steven Campbell、Philippe Bergault、Jason Milionis、Marcel Nutz；来源为 arXiv；分类：q-fin.TR、econ.GN、math.OC、q-fin.CP、q-fin.EC、q-fin.PM
  • 证据状态：仅依据摘要。

论文在 AMM 与中心化交易所并行、交易者选择更优价格、套利者利用价差的动态约化模型中研究 LP 费用；作者用大规模仿真、比较静态和市场数据校准刻画波动率、交易量、流动性进入与费用之间的关系。摘要报告正常市场下利润最大化费用接近 CEX 交易成本且相对稳定，高波动期较高费用能保护被动 LP；竞争性进入下 TVL 最大化费用通常略低于 CEX 成本，动态阈值费用可改善模型中的 LP 结果。市场数据校准不是因果识别，仿真也不是真实可交易回测；摘要未说明样本外窗口、具体成本和外部验证，因此不能把最优费用直接当成 DeFi 操作建议。

11. When defaults cannot be hedged: xVA calculations via local risk-minimization（arXiv:2502.12774）

  • 作者/来源：Francesca Biagini、Alessandro Gnoatto、Katharina Oberpriller；来源为 arXiv；分类：q-fin.MF、math.PR、q-fin.PR
  • 证据状态：仅依据摘要。

论文研究银行和对手方违约跳跃无法用交易证券或 CDS 对冲时的对手方信用风险与融资风险定价，使用 local risk-minimization 并通过 BSDE 计算最优策略。它针对实践中缺少对手方可交易信用工具的场景，贡献是定价/对冲的数学框架；摘要没有市场校准、样本外误差、交易成本和实际对冲表现，因此理论策略不等于可交易收益，也没有因果或经济显著性结论。

12. Mixture-of-Experts for Cryptocurrency Order Execution: Training Stability, Tail Risk, and Failure Modes（arXiv:2610.03369）

  • 重点论文：详细分析见上文“重点关注”第 5 篇。
  • 作者/来源：Alexander Ardaiz、Varun Budati、Ali Habibnia；来源为 arXiv；分类：q-fin.TR、cs.LG
  • 相关链接：摘要页 · PDF

13. Shapley-based Structural Analysis of Neural Calibration for Stochastic Volatility Models（arXiv:2610.03076）

  • 作者/来源：Sha’in Afzali、Serena Della Corte、Antonis Papapantoleon；来源为 arXiv；分类：q-fin.CP
  • 证据状态：仅依据摘要。

论文用 SHAP 与 νSHAP 分析 Heston/rough Heston 随机波动率模型的神经校准映射，不只比较参数预测误差，还研究隐含波动率曲面哪些区域真正影响参数恢复。作者报告短期限和 smile wings 持续占主导，两个 Shapley 方法揭示了输入冗余，并能据此缩减 rough Heston 的输入维度而保持校准精度。摘要没有市场样本外校准、报价噪声、交易成本或对冲结果；解释性重要性不是因果敏感度证明，不能推导交易信号。

14. Error Propagation in Dynamic Programming: From Stochastic Control to American Option Pricing（arXiv:2509.20239）

  • 作者/来源：Andrea Della Vecchia、Damir Filipović；来源为 arXiv；分类：stat.ML、cs.LG、q-fin.CP、q-fin.PR、stat.AP
  • 证据状态：仅依据摘要。

论文研究离散时间随机控制中，用 RKHS/KRR 非参数回归和 Monte Carlo 估计 continuation value 时，误差如何从到期日向初始阶段传播；作者给出误差分解和逐期控制，并把框架应用到美式期权定价。它的价值是把数值近似误差和动态规划传播放到同一理论框架，但摘要未提供具体市场校准、样本外价格误差、计算预算和对冲表现。美式期权例子是定价算法示范，不是可交易或因果结果。

15. Optimal Investment and Consumption in a Stochastic Factor Model（arXiv:2509.09452）

  • 作者/来源：Florian Gutekunst、Martin Herdegen、David Hobson；来源为 arXiv；分类：q-fin.MF、q-fin.PM
  • 证据状态：仅依据摘要。

论文在不完备随机因子模型中研究幂效用投资者的无限期投资与消费，有限状态因子下给出适定性和数值算法，扩散因子下用二阶常微分方程的 sub-/supersolution 理论证明 HJB 解存在，并首次覆盖 Heston 模型的相应验证。作者还把连续与离散情形联系起来，给出快速离散近似。摘要没有经验数据、样本外表现、交易费用校准和真实投资组合，因此理论最优策略不能直接转为投资建议或可交易超额收益。

16. PreFER: Interactive Robo-Advisor with Scoring Mechanism（arXiv:2610.03406）

  • 作者/来源：Yuwei Wang、Hoi Ying Wong；来源为 arXiv；分类：q-fin.MF
  • 证据状态：仅依据摘要。

PreFER 把客户对建议的评分视为接受概率，通过交互反馈用类似逆强化学习的方式推断隐含风险偏好，再用 Predictable Forward Exploratory Reward 过程生成更新市场条件下的建议。作者在 CARA 偏好下报告，交互次数足够大时，即使评分带噪声也能识别当前风险厌恶，并用 acceptance-rejection 机制传递偏好。这里是理论/模型化的个性化建议框架，摘要没有真实客户实验、长期样本外组合、交易成本、因果效应或 live 结果，评分也不等于真实风险承受能力。

17. No Women No Innovation? The Effect of Women on Boards on Hard and Soft Innovation in SMEs（arXiv:2610.03250）

  • 作者/来源：Francesca Pascale、Saverio Barabuffi、Giulio Ferrigno；来源为 arXiv；分类：econ.GN、q-fin.EC
  • 证据状态：仅依据摘要。

论文用 2015–2024 年 2,762 家意大利创新型中小企业的纵向数据和 2SLS，研究女性董事会代表性对硬创新（技术创新）与软创新的影响。作者报告，工具变量模型下硬创新出现稳健正向的因果估计，反转了基准回归的负系数，提示选择偏差很严重；软创新的正向影响在不同设定下更稳定。这里的“因果”取决于工具变量相关性、排除限制和纵向设定，摘要没有说明工具变量、第一阶段、标准误、稳健性和外部有效性；结果是企业创新，不是金融回报、投资组合收益或交易策略，也没有样本外预测。

18. Axient: Manifest-Bound Evidence for On-Chain Financial Protocols: Seven-Layer Derivation, Correlation, Tamper Rejection, and Reproducible Claim Promotion（arXiv:2610.02838）

  • 作者/来源：Maksym Nechepurenko；来源为 arXiv；分类：q-fin.TR、cs.DB
  • 证据状态：仅依据摘要。

这篇配套论文关注链上金融协议如何避免把单元测试、交易回执、截图、服务响应和 hash 拼在一起就宣称完整工作流已被证明。作者提出由执行 manifest 绑定系统身份、角色、schema 和 release，再用七层证据、共同 correlation identity、溯源、负控制、历史 replay、独立审查和 conjunctive claim-promotion 规则约束证据。形式化结果说明复制 hash 不能证明独立派生，案例保留 12 个 FIA、84 个 ACTUAL_EVIDENCE 位置和可被独立 verifier 接受的归档。它验证的是证据链与防篡改/幂等性质，不是市场风险、收益或因果效果；本地 cohort、未来外部操作假设和真实链上压力都没有在摘要中验证。

每日论文
#论文 #金融
每日金融论文简报｜2026 年 10 月 6 日
https://www.polarishaw.top/2026/10/06/daily-finance-papers-2026-10-06/
作者
Polaris
发布于
2026年10月6日
许可协议