每日金融论文简报｜2026 年 10 月 8 日

重点关注

本期从 18 篇金融候选中选出 6 篇重点阅读。除特别说明外，数字和结论都是作者报告，未做独立复现。下文明确区分相关性与因果、样本内与样本外、统计显著与经济显著，以及历史回测与真实可交易结果；全文不构成投资建议。

1. FactorBench：自动因子挖掘的“高 IC”能否变成可用组合

FactorBench 研究的问题是：遗传编程、强化学习、生成模型和 LLM Agent 挖出的因子，是否真的更能泛化、彼此不同，并在扣除成本后形成经济上有意义的组合。作者把 9 种方法放进同一个 contract，覆盖 GP、AlphaGen、AlphaQCM、AlphaCFG、AlphaForge、AlphaSAGE、R&D-Agent、AlphaAgent 和 QuantaAlpha，在 S&P 100、恒生、沪深 300、FTSE 100、日经 225 五个市场上挖掘约 5,000 个因子。训练期为 2017–2021，验证期为 2022–2023，测试期为 2024–2025；每个市场运行 3 个 seed，共 135 次挖掘，得到 4,914 个候选因子。

作者报告 4,838 个因子可执行、4,698 个可评分。统一评测同时看 20 日收益预测、时间泛化、对 beta/波动/动量/反转/流动性暴露的残差预测力、池内/跨方法 distinctness、与 Alpha101 的相似度，以及组合表现。训练期 IC 较强的方法在验证和测试期往往衰减；LLM 方法训练 IC 较低，并没有因此稳定获得更高样本外 IC。暴露中性化有时会把原始 IC 大幅压低，说明“看起来有效”的部分可能只是风格暴露；因子池越大也不必然越有独特信息。

在作者的默认 ridge 组合、20 日调仓和每美元 10 bp 成本设定下，长期-only 组合的净 CAGR 约为 22.4%–31.2%，Sharpe 约为 1.03–1.31。R&D-Agent 的净 CAGR 最高约 31.2%、Sharpe 约 1.193；AlphaQCM 的 Sharpe 约 1.313、换手最低约 4.74 倍；Alpha101 基准的净 CAGR 约 26.5%、Sharpe 约 1.241。长短组合结果弱得多：R&D-Agent 的 CAGR/Sharpe 约为 6.5%/0.679，AlphaQCM 约为 3.7%/0.668，AlphaAgent 的 Sharpe 为负。论文还报告 R&D-Agent 的原始 IC 约 0.0253，中性化后约 0.0011；AlphaQCM 原始/残差 IC 约为 0.0191/0.0175。

这些数字是历史分割下的统计与回测结果，不是因果效应，也不是可直接买卖的收益承诺。长期-only 组合全额投资，正 CAGR 本身不能证明因子有独立 alpha；论文没有用真实订单冲击、容量、借券约束和完整生存偏差验证 live 可行性，运行时间也从 GP 的约 0.14 小时到 QuantaAlpha 的约 27.90 小时不等。它适合因子挖掘、量化研究和回测审计者。建议先读第 3–4 节、表 1–2 和附录 E 的暴露中性化、成本与组合构建。

2. State-dependent Hawkes：电力连续盘的状态切换是否改变订单自激

论文问的是：荷兰 EPEX SPOT XBID 连续盘在价差、成交量和波动状态改变时，订单与成交的自激结构是否也改变。数据覆盖 2024 年 1–3 月、2,161 个小时合约和约 2,460 万个事件，按每个合约最后四个交易小时的 spread、volume、volatility tercile 构造 low/normal/stressed 状态；作者用带状态的多元 Hawkes 过程区分买卖挂单和买卖成交的基准强度、分支比与残差。

作者报告 stressed/low 状态下的平均强度比约为：新增买单 1.84、卖单 2.30，买成交 1.48、卖成交 1.45，Wilcoxon 检验均 p<0.001；谱半径约为 0.895、0.922、0.893，整体接近临界但 stressed 与 low 的差异并不显著。成交到同侧挂单的分支比约为 0.26–0.39，挂单到成交不超过 0.05，反向跨侧影响约 0.05–0.06；压力状态下买/卖成交的自激从约 0.40/0.39 升到 0.46/0.45。三状态模型的 Wasserstein 拟合距离约 0.308，优于无状态模型约 0.371；但订单事件的 Ljung–Box 通过率只有约 3%–24%，说明单指数核仍无法解释全部聚集。

价值在于把“波动状态”落实为订单流机制，而不是只报告一个全样本 Hawkes 参数。限制是状态划分、事件定义和单指数核都依赖模型设定；样本只有一个市场和一个季度，没有把状态变化转换成净收益、冲击成本或可执行策略。这里的显著性是事件强度的统计显著，不是交易利润或因果政策效应。它适合市场微观结构、电力交易和点过程研究者。建议读第 IV-B–F 节和结论，重点看状态定义、分支矩阵及残差诊断。

3. Latent Continuum：限价簿状态真的是离散 regime，还是低维连续压力

  • 论文：Latent Continuum of Regimes in Limit Order Book Dynamics
  • 作者/来源：Anjali Thawait；arXiv:2610.05740
  • 分类：q-fin.TR、q-fin.CP、q-fin.MF、q-fin.ST
  • 证据状态：已核阅摘要与公开 PDF；结果是 Eurex futures 的历史样本外预测研究，不是因果识别或交易策略收益。

论文用 EURO STOXX 50 期货（FESX）2022–2025 年 987 个清洁交易日的限价簿，按 30/45/60 秒窗口计算协方差，在 log-Euclidean 和 affine-invariant SPD 几何下寻找波动状态的连续表示。作者比较 17 个方法，并把层级结构从 macro 的 4 个状态细化到 micro-sub 的 27/31 个状态，再用下一窗口波动率预测检查细化是否真正有样本外价值。

作者报告有效维度约 1.4，第一主成分解释约 83.66%–85.27% 的变异；在样本内，把宏观带细化到 micro-sub 后方差分离度从约 0.0861 提升到 0.2626，但单次样本外增量 R² 从 0.0391 降到 -0.0813，滚动窗口 pooled 结果也从宏观约 0.02919 降到 micro-sub 约 -0.00124。连续压力指标的一阶自相关约 0.939–0.957，与 VSTOXX 相关约 0.500–0.522；最高压力 decile 的 1% 尾部约为无条件水平的 5.32–5.72 倍，半衰期约 11–15 个窗口。

在日内样本外预测中，LE-SVR 对 10 分钟 horizon 的 R² 在 30/45/60 秒簿窗口分别约为 0.6821/0.7273/0.7483，增量约 0.1096/0.0903/0.0662；但年度增量从 2023 到 2025 明显下降，例如 30 秒窗口约为 0.1721→0.0753→0.0325。下一日预测只有小幅改善：HAR-LOB R² 约 0.8335，HAR 约 0.8298；log-Euclidean 约 0.8374，和 HAR 的 DM p 值约 0.927，不能说明稳定优势。更细的状态因此更像描述性压力刻度，而不是更好的离散 regime。

限制包括市场、合约和样本期有限；SPD 距离、层级划分和模型选择可能影响结论；样本外预测增益也没有被转换成扣成本交易收益。这里报告的是相关预测力，不是压力指标导致未来波动的因果证据。它适合市场微观结构、波动率建模和几何统计研究者。建议先读第 6、8 节和表 8–13，特别看单次切分、滚动窗口和年度衰减。

4. Data-driven measures of HFT：把高频交易拆成供给与需求后，和价差的关系如何

  • 论文：Data-driven measures of high-frequency trading
  • 作者/来源：G. Ibikunle、B. Moews、D. Muravyev、K. Rzayev；arXiv:2405.08101
  • 分类：q-fin.CP、cs.LG
  • 证据状态：已核阅摘要与公开 PDF；论文包含样本外预测和 IV/2SLS 分析，但识别依赖强假设，不能把系数直接读成交易收益或无条件因果效应。

论文认为公开数据通常不能区分 HFT 的流动性供给与需求，于是用 Nasdaq 120 只股票的专有标注数据训练极端随机树，把 24 个公开日内变量映射成 stock-day 级别的 HFT supply/demand measure，再应用到 2010–2023 年 8,314 只美国股票、9,396,251 个 stock-days。作者在 2009 年前后做样本外拆分，并用 Euronext Paris 490 家公司、2010 和 2017 年数据检查跨市场泛化。

作者报告在 Nasdaq 中，需求与供给均值约为 0.331/0.250，相对价差均值约 0.142%；构造的 HFT 指标解释总变异的样本外 R² 在 Euronext/Nasdaq 约为 72%/82%。在 2SLS 设定中，1 个标准差的 HFT demand/supply 与价差的相对变化约为 +38%/-28%，IV 系数约为 0.974/-0.559；供给型 HFT 与公告前信息获取更多相关，需求型相反。COVID 期间需求约增加 5%、供给约增加 13%，且供给与低价差的负相关更强；13D 信息事件中需求约下降 14%、供给约上升 6%。

这里既有机器学习的样本外映射，也有基于滞后价格工具变量的结构化分析，但 IV 的排除限制、专有标注到全市场的稳定映射、拟合指标的测量误差都影响因果解释；供给和需求方程也不能简单相加。论文没有把指标转成扣除冲击、费用和容量后的可交易策略。它适合市场微观结构、HFT 和金融机器学习研究者。建议读第 3–6 节及表 3、6、9–11。

5. WRAP：非平稳市场中的深度对冲，重加权和路径扰动是否互补

  • 论文：Adversarial Training for Deep Hedging in Nonstationary Markets
  • 作者/来源：Philipp J. Schneider、Lukas Looser、Antoine Garin、Shuhan Liu、Daniel Kuhn；arXiv:2610.07162
  • 分类：cs.LG、math.OC、q-fin.CP
  • 代码/配置：匿名实验仓库
  • 证据状态：已核阅摘要与公开 PDF；主要证据来自模拟 Heston/GAD 路径，辅以历史价格拟合的模拟实验，不是 live 对冲结果。

WRAP（Wasserstein-Reweighting Adversarial Perturbation）把两种不确定性分开：先用按时间排序的 drift-aware baseline weights 构造参考分布，再让 adversary 一方面用 φ-divergence 重加权高损失轨迹，另一方面用 optimal transport 扰动市场路径。作者给出小预算一阶展开，把重加权贡献解释为轨迹损失离散度，把 transport 贡献解释为损失对路径扰动的敏感度，并用 OCE/CVaR 或 entropic risk 训练深度对冲策略。

在非平稳 Heston 的五个 seed 结果中，ERM-U 的 far CVaR 为 8.992±0.236；只做 φ 或 OT 时约为 8.128±0.248/7.811±0.397，WRAP-U 为 7.268±0.193，作者相对 ERM-U 报告约下降 9.6%、13.1% 和 19.2%。加入 drift-aware weights 后，WRAP-W 的验证/near/far CVaR 为 5.954±0.029、6.600±0.095、7.221±0.186，换手约 7.483±1.125；WRAP-U 的 far CVaR 为 7.268±0.193、换手约 10.437±2.500。ERM-U 的 far Mean PnL 约 -4.528，而 WRAP-W 约 -4.584，说明尾部风险降低并不等于平均 PnL 同时提高。

在 GAD 市场数据拟合实验中，作者报告 WRAP-U 在十个股票—训练方案组合中有六个降低 test entropic risk，另有三个与 ERM-U 持平，收益依赖股票和训练方案。限制是 baseline 权重只使用时间顺序，预算通过 validation 选择，模拟路径来自参数化生成模型，尚没有足够的真实已实现市场轨迹直接训练和评估；因此这些是分布鲁棒回测/模拟证据，不是对冲策略的因果优势或真实可执行收益。它适合深度对冲、DRO 和非平稳金融机器学习研究者。建议先读第 2–5 节、表 1、表 9 和结论中的 limitations。

6. 企业间 AI 人才流动：在线职业档案能否揭示企业 AI 网络与价值

论文从在线职业档案重建企业间 AI 人才流动网络，研究 AI 人才是否集中在少数核心企业、网络位置是否与企业价值相关。数据约含 2010–2022 年、58 个国家和 5.35 亿条就业记录；作者用企业/国家网络指标、控制变量与固定效应，再以匹配企业和事件研究观察人才流动后的估值变化。

作者报告 AI 人才流动高度集中，但核心网络仍可被其他企业争夺；网络中心性与企业 EV 在控制后保持正相关，匹配事件样本中发生 AI 人才流入的企业随后 EV 更高。这里的统计显著不等于经济上可复制的 alpha：职业档案存在选择偏差、企业披露和人才定义误差，人才流动也可能是增长预期、融资或管理质量的结果。事件研究的识别仍依赖平行趋势、匹配充分性与没有同步冲击等假设，没有 live 投资组合或交易成本结果。

它适合企业金融、人力资本、技术扩散和网络分析研究者。建议先读数据构造、网络指标、识别策略和稳健性章节，特别关注人才定义、匹配企业与事件窗口；若要做金融推断，应把 EV 关联和可交易收益分开。

金融论文

1. FactorBench: A Portfolio-Aware Benchmark for Automated Factor Mining（arXiv:2610.06947）

  • 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 简报保留交叉索引。
  • 作者/来源：Zhuohan Wang、Carmine Ventre；来源为 arXiv；分类：q-fin.PM、cs.LG
  • 研究问题/方法/结果/限制：统一 contract 比较 9 种方法、约 5,000 个因子和 5 个股票市场，作者报告长期-only 历史回测净 CAGR 约 22.4%–31.2%，但没有范式在泛化、独特性和组合表现上持续占优；详细样本外、暴露中性化、成本、容量和 live trading 限制见上文。
  • 相关链接：摘要页 · PDF · 代码

2. Reliability of AI Agents: Rater Effects, Drift, and the Return to an Evaluation Program（arXiv:2610.07003）

  • 作者/来源：Liu Zhang、Mark Esposito；来源为 arXiv；分类：econ.GN、q-fin.EC
  • 证据状态：仅依据摘要。

论文研究生产环境 AI Agent 评测中的评分者差异、评分漂移与持续评测价值，分析 2,611 个 rubric-scored production interviews。摘要报告 reviewer 差异约 0.79 个标准差，2026 年 3–8 月经漂移调整的 reliability 提升约 0.53 个标准差，技术支持工单相对每月下降约 10%。这些是评测项目中的观察性变化，不是 Agent 改进导致工单下降的因果证据；摘要未给出随机分配、成本、外部业务指标和样本外稳定性。

3. Competition with a Common Purpose（arXiv:2610.08455）

  • 作者/来源：Christian Jaag；来源为 arXiv；分类：econ.GN、q-fin.EC
  • 证据状态：仅依据摘要。

这篇论文用理论模型分析具有共同目的的组织之间竞争，区分通过提高总 surplus 的 lift 与转移既有 surplus 的 shift。作者报告不完全 alignment 会使竞争更偏向 shift，因而可能增加筹资或分配冲突而非共同目标；摘要没有市场数据、实验或可识别的金融回报，不能把理论机制直接当成公司估值因果结论。

4. Modelling Regime Shifts in Continuous Intraday Electricity Markets with State-dependent Hawkes Processes（arXiv:2610.08169）

  • 重点论文：详细分析见上文“重点关注”第 2 篇。
  • 作者/来源：Ayoub Jhabli、Tarek AlSkaif、Kwabena E. Bennin、Bedir Tekinerdogan、Axel Naumann、Joost M. E. Pennings；来源为 arXiv；分类：q-fin.TR
  • 研究问题/方法/结果/限制：2,161 个荷兰 XBID 小时合约、约 2,460 万事件的 state-dependent Hawkes 模型显示压力状态改变事件自激，但残差仍有聚集；这是统计强度与拟合研究，不是收益、因果或可交易性证据。
  • 相关链接：摘要页 · PDF

5. A Functional Representation of Credit Behavior for Probability of Default Modeling（arXiv:2610.07888）

  • 作者/来源：Jonas Brunholm、Bjarne Højgaard、Thomas D. Nielsen、Orimar Sauri；来源为 arXiv；分类：q-fin.RM、stat.ME
  • 证据状态：仅依据摘要。

论文把账户类型、余额和额度的月内路径表示成函数，并按相对时间对齐，再用于 Probability of Default 建模。作者报告 functional logistic 与 XGBoost 表现相当且优于普通 logistic，同时保留较强的监管可解释性；摘要没有给出完整样本外校准、压力期稳定性、违约选择和成本，因此不能把相对准确率直接转成资本或投资收益结论。

6. The Agentic ETF: How Agentic Trading Becomes an Asset Class（arXiv:2610.06856）

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

这篇论文提出由 Agent 研究、组合构建、风险和执行层组成的六层 agentic trading stack，并以 ScalarField.io 为参考讨论产品化。摘要中的“到 2030 年数千亿美元至低万亿美元 AUM”是作者明确标注假设的情景估计，不是市场事实；没有回测、基准、交易成本、live 记录或因果证据，因此不能把概念框架当成资产类别收益预测。

7. Understanding Interfirm AI Talent Flow Networks through Online Professional Profiles（arXiv:2610.08264）

  • 重点论文：详细分析见上文“重点关注”第 6 篇。
  • 作者/来源：Donghang Li、Yunhan Zheng、Alok Prakash、Shenhao Wang、Jinhua Zhao；来源为 arXiv；分类：cs.SI、econ.GN、q-fin.EC
  • 研究问题/方法/结果/限制：约 5.35 亿条、58 国、2010–2022 年就业记录显示 AI 人才网络集中且中心性与 EV 正相关；这是观察性关联和事件研究，不是 AI 人才流入带来超额收益的因果或可交易证明。
  • 相关链接：摘要页 · PDF

8. Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course（arXiv:2610.07097）

  • 作者/来源：Canh Thien Dang、An Nguyen；来源为 arXiv；分类：cs.AI、econ.GN、q-fin.EC
  • 证据状态：仅依据摘要。

论文用两个 cohort、170 名学生和 340 个 marks 的 difference-in-differences 比较专家核验 AI 学习材料。作者报告分数平均增加约 2.34/50，低于 upper-second 的比例下降 24.7 个百分点，底部五分位学生的增益约为四分之三；去掉低分学生后平均效果不稳健。这里的设计涉及教育结果而非金融资产，摘要未给出预注册、完整置信区间、长期结果和其他课程外部效度，不能外推为生产率或投资收益。

9. Latent Continuum of Regimes in Limit Order Book Dynamics（arXiv:2610.05740）

  • 重点论文：详细分析见上文“重点关注”第 3 篇。
  • 作者/来源：Anjali Thawait；来源为 arXiv；分类：q-fin.TR、q-fin.CP、q-fin.MF、q-fin.ST
  • 研究问题/方法/结果/限制：FESX 的 SPD 限价簿几何显示连续压力维度比更多离散状态更稳健，日内波动预测有样本外增益但下一日增益很小且年度衰减；没有扣成本交易结果，也没有因果解释。
  • 相关链接：摘要页 · PDF

10. Data-driven measures of high-frequency trading（arXiv:2405.08101）

  • 重点论文：详细分析见上文“重点关注”第 4 篇。
  • 作者/来源：G. Ibikunle、B. Moews、D. Muravyev、K. Rzayev；来源为 arXiv；分类：q-fin.CP、cs.LG
  • 研究问题/方法/结果/限制：机器学习从公开日内变量推断 HFT supply/demand，作者报告其能解释 Nasdaq/Euronext 的高比例样本外变异，并与价差、信息获取相关；IV/2SLS 的因果解释依赖排除限制，指标也没有被验证成可执行交易收益。
  • 相关链接：摘要页 · PDF

11. The Noise Is the Signal: Correlated Sampling Error Is Rank-Informative for Proxy Metric Selection（arXiv:2610.08194）

  • 作者/来源：Sandro Provenzano；来源为 arXiv；分类：econ.EM、econ.GN、q-fin.EC、stat.ME
  • 证据状态：仅依据摘要。

论文在 262 个实验、69 个 proxy 上研究相关抽样误差是否能帮助选择代理指标。作者报告共享抽样误差与 proxy ranking 的 Spearman 约 0.65，分半留出数据约 0.93；但误差校正有时反而损害排序。这里评价的是 proxy 的统计排序，不是资产收益或因果效应，摘要也没有说明金融市场外部验证和经济成本。

12. Vine Copula VAR:From Recursive Margins to Joint Forecast Inference（arXiv:2610.07589）

  • 作者/来源：Hunter Ng、Yubo Tao；来源为 arXiv；分类：econ.EM、math.ST、stat.ML、stat.TH
  • 证据状态：仅依据摘要。

Vine Copula VAR 构造递归边际与联合预测区间，处理重叠估计带来的不确定性。作者报告 terminal margins 比递归中间步骤更关键，logit 区间改善下尾覆盖，并以宏观数据做应用；摘要未给出交易结果、因果冲击或跨制度样本外稳定性，且平稳边际假设限制金融外推。

13. Adversarial Training for Deep Hedging in Nonstationary Markets（arXiv:2610.07162）

  • 重点论文：详细分析见上文“重点关注”第 5 篇。
  • 作者/来源：Philipp J. Schneider、Lukas Looser、Antoine Garin、Shuhan Liu、Daniel Kuhn；来源为 arXiv；分类：cs.LG、math.OC、q-fin.CP
  • 研究问题/方法/结果/限制：WRAP 同时做 drift-aware 重加权和 Wasserstein 路径扰动，模拟非平稳 Heston 下 far CVaR 相对 ERM-U 下降约 19.2%；历史价格拟合实验只在部分股票/方案改善，仍不是 live 对冲或因果结果。
  • 相关链接：摘要页 · PDF · 代码/配置

14. Investing Is Compression（arXiv:2604.10758）

  • 作者/来源：Oscar Stiffelman；来源为 arXiv；分类：cs.CE、q-fin.PM
  • 证据状态：仅依据摘要。

论文用 Kelly、universal portfolio、熵和 divergence 分解投资，并给出赢家比例的上界，试图说明组合选择可被看作压缩/信息利用问题。摘要没有市场样本外回测、容量、费用或 live 执行，属于理论框架；即使存在历史例子，也不能把熵界直接当成投资建议或超额收益。

15. The Evolution of Technology Portfolios and Firm Profitability in the European Power Sector（arXiv:2601.22167）

  • 作者/来源：Robin Fischer、Anton Pichler；来源为 arXiv；分类：q-fin.GN、econ.GN、econ.EC
  • 证据状态：仅依据摘要。

论文合并约 1,300 家欧洲企业、发电厂与 2002–2023 年财务数据，研究可再生/化石技术组合与利润。作者报告 2018 年前两类技术盈利相近，之后可再生技术组合的 ROA 约高 3.2 个百分点，碳价/天然气约解释 60%；这是观察性相关，摘要没有足够的外生政策设计、完整投资回测或可交易组合证据。

16. When Is the Gini Loading More Prudent? Tail Structure and the Ordering of the Standard Deviation and the Gini Mean Difference（arXiv:2601.12414）

  • 作者/来源：Nawaf Mohammed；来源为 arXiv；分类：q-fin.RM
  • 证据状态：仅依据摘要。

论文在尾部结构条件下比较标准差和 Gini mean difference 的 prudence/loading 排序，主要是理论风险度量与分布条件分析。没有市场样本、保险组合回测或因果结果；其结论适合解释风险度量选择，不足以直接推导资产定价或投资组合收益。

17. Information geometry of Lévy processes and financial models（arXiv:2507.23646）

  • 作者/来源：Jaehyung Choi；来源为 arXiv；分类：math.ST、cs.IT、math.DG、math.IT、math.PR、q-fin.MF、stat.TH
  • 证据状态：仅依据摘要。

论文从 Lévy triplets 推导 alpha-divergence、Fisher information 与 alpha-connection，并讨论 tempered stable、CGMY、variance gamma、Merton 等金融模型的几何结构，另涉及 bias reduction 和 Bayesian predictive priors。摘要没有经验校准、样本外定价、对冲误差和交易成本，所以这是金融数学/统计理论，不能直接读成价格预测或策略回测。

18. Exponential investors with weakly mean-reverting prices（arXiv:2610.08631）

  • 作者/来源：Balazs Hoffmann、Miklos Rasonyi；来源为 arXiv；分类：q-fin.PM、math.PR
  • 证据状态：仅依据摘要。

论文在连续时间弱均值回复价格下研究指数效用投资者，给出 certainty equivalent 约按 T^(2β+1) 增长的渐近结果及渐近最优策略。它是模型内的理论最优性，不是对真实价格过程的样本外检验、回测或可交易收益；弱均值回复、连续交易和无/简化成本等假设需要先于任何实际解释被验证。

每日论文
#论文 #金融
每日金融论文简报｜2026 年 10 月 8 日
https://www.polarishaw.top/2026/10/08/daily-finance-papers-2026-10-08/
作者
Polaris
发布于
2026年10月8日
许可协议