量化投资论文周报

摘要

论文把商品期货市场表示成分层图结构，上层是标的品种，下层是不同到期合约，并显式建模期限之间和品种之间的相关关系。在此基础上，作者提出分层图学习方法，先预测期货价格变动，再把预测映射成 calendar spread 持仓。实证结果显示，该方法在 CME 商品期货上同时提升预测表现和交易表现，并说明“跨期限结构信息”对统计套利是有增量价值的。

策略

这是本周最直接、最像真实可交易策略的一篇。它本质上是在做“跨期限相对价值 + 图结构特征提取”，适合能源、金属、农产品等有稳定 term structure 的品类。相比单合约方向预测，这类策略更容易中性化大盘 beta 和宏观方向暴露，更贴近真实 CTA / commodity relative value。

数据

逐日或日内期货主连与多期限合约价格、成交量、持仓量、展期日历、品种层级映射、交易成本与保证金参数。

实现

先别直接上 GNN，建议先做 rule-based 基线，例如 carry、roll yield、期限价差均值回复，再用简单图模型看是否稳定增益。实盘上优先从日频或低频跨期开始，重点控制合约换月、流动性断层和不同期限成交成本。

风险

商品跨期套利容易受仓储、交割、政策和季节性冲击影响；图模型可能只是更复杂地拟合传统期限结构；不同品种之间可迁移性未必强。

摘要

论文比较“回归预测收益”与“分类预测收益分位/方向”两种常见机器学习建模方式，发现分类在匹配模型族的前提下普遍优于回归。作者构建的 stacking ensemble 在价值加权组合上取得更高年化 Sharpe，且在多分类设定、不同样本切片和扣除交易成本后依然成立。诊断结果显示，分类器优势主要来自对高低收益分位更清晰的区分能力。

策略

这篇对横截面选股最实用。很多团队默认做回归预测下一期收益，但论文提示分类目标可能更贴近投资组合排序任务本身。对实际策略而言，若最终动作是“选前 10% 做多、后 10% 做空”或做多 top bucket，那么先预测 bucket/排序比硬做点预测更合理。

数据

股票横截面因子、收益标签、行业/市值暴露、交易成本、调仓频率设定、可融券约束。

实现

可以直接在现有 alpha 研究框架里增加一个实验分支，把回归标签改成二分类或分位数多分类，并保持同一特征集、同一模型族、同一再平衡框架做 A/B test。建议重点比较 rank IC、top-bottom spread、换手率和交易成本后净 Sharpe。

风险

分类提升未必能跨市场复制；类别定义与阈值选择会显著影响结果；若分位标签使用不当，可能在样本较小区间造成标签噪声放大。

摘要

论文比较传统收益率曲线预测模型与多种神经网络架构在美国与欧洲零息国债期限结构预测上的表现，并把宏观变量纳入模型。作者不仅评估 RMSE、MAE、方向准确率，还用真实的债券量化交易策略检验经济意义。结论是神经网络整体优于传统方法，其中美国市场最优方案是“DNS 因子降维 + 宏观 AE 特征 + 直接预测 NN”。

策略

这是少数同时兼顾统计指标和交易指标的利率 ML 论文。可直接映射到 duration overweight/underweight、曲线陡峭化/平坦化、国债期货择时或债券 ETF 轮动。比纯收益率预测论文更有价值，因为作者明确检查了能否转成可执行组合。

数据

零息收益率曲线、国债期货或现券价格、宏观变量、央行事件日历、交易成本和保证金。

实现

优先在美国国债期货或主流债券 ETF 上做简化版复现，不必一开始处理完整曲线。先做 2s10s、5s30s 等少数关键期限差的方向预测，再决定是否扩展到完整 term structure。

风险

利率 regime 切换时模型稳定性可能骤降；宏观变量发布时间与修订问题容易引入未来函数；真实交易收益高度依赖杠杆、carry 和滚动成本处理。

摘要

论文提出用于美国大盘股定价/因子投资的 Transformer 变体 SERT，并把预训练 Transformer 引入资产定价场景。作者在疫情前、疫情期和疫后一年三个阶段比较不同 Transformer 架构，发现 SERT 在剧烈波动阶段取得更高的样本外解释度，同时其 trend-following 风格策略在下行冲击期间能更好对冲尾部风险。

策略

这篇更像“用序列模型做高波动环境下的横截面定价与风险控制”。如果你现在已有日频股票 alpha 流程，可以把它理解成一种更适合非平稳市场的特征提取器。论文里最有价值的不是 Transformer 本身，而是它在极端波动市场下仍保持策略有效性的证据。

数据

个股收益、因子暴露、价格量数据、行业/市值信息、交易成本、疫情等高波动阶段标记。

实现

不要先照搬复杂结构，建议先验证“预训练 + fine-tune”是否优于从零训练，以及是否确实提升高波动 regime 的 top-bottom spread。可先在中美股横截面上把目标简化为 next-month 排序。

风险

论文表现可能部分来自样本期的特殊市场环境；复杂序列模型成本高、可解释性弱；若交易频率较高，Transformer 增益未必覆盖执行成本。

摘要

论文研究盘口预测里“推理算力与预测损失”是否存在类似 scaling law 的前沿关系。作者在 FI-2010 等数据上发现，预测损失与结构化前向计算量之间可由幂律较好刻画，但 latency 与 compute 并不等价。基于这一点，论文提出更偏硬件友好的 FastBiNLOB 架构，以更低延迟达到或超过已发表 SOTA 的部分指标。

策略

这篇的核心不是再堆一个更准的 LOB 模型，而是把“模型效果”和“实时延迟预算”放到同一个优化框架里。对做高频/超短线的人，这比单纯多 1-2 个基点准确率更重要。真正能交易的盘口模型，必须把推理时延、吞吐和硬件部署成本一起考虑。

数据

L2/L3 订单簿、逐笔成交、消息流时间戳、训练与推理硬件延迟指标、成交后收益标签。

实现

如果没有撮合级环境，先把论文思路降级为“准确率-延迟”双目标模型选择流程。不要只比 F1 或 cross-entropy，必须同时记录端到端特征生成、模型推理和下单路径延迟。

风险

公开数据与真实交易所 feed 差距很大；硬件友好不代表实盘净收益更高；盘口预测信号半衰期极短，任何额外系统开销都可能吞噬优势。

摘要

论文系统比较多种预训练时间序列基础模型与从零训练的金融预测基线，在五只美股上用 rolling-origin 方案评估收益率预测。结果显示，预训练模型在任务级排名上通常更强，但相对 random walk 的统计显著优势很少，说明它们更像是“降低建模成本的实用先验”，而不是稳定制造 alpha 的通用引擎。

策略

这篇很有现实意义，因为它对 foundation model 在金融上的预期管理比较克制。结论不是“TSFM 没用”，而是“能省研究时间，但不要指望直接带来显著 alpha”。如果你的团队在做通用序列模型平台，这篇适合拿来做资源配置决策。

数据

单资产或多资产价格序列、收益标签、walk-forward 切分、随机游走基线、交易成本。

实现

优先把它当研究效率工具，而不是直接当生产信号。先比较 TSFM 生成特征、zero-shot/low-shot 预测与现有轻量模型在小样本资产上的表现，再决定是否接入完整研究栈。

风险

样本只覆盖少量美股；收益率预测极弱，统计显著性不足；若忽视随机游走基线，很容易高估 foundation model 的真实价值。

摘要

论文指出很多 retrieval-augmented LLM 金融预测基准都混入了“决策时点不可见”的信息，因此高估了模型能力。作者用严格按月末决策时点可获得的数据构建了一个宏观驱动的美股风格因子排序系统：只允许模型看到滞后宏观变量、近期宏观事件摘要和当时真实可用的 CPI nowcast，再通过 macro-analog retrieval、critic rule 压缩和 actor 打分形成七类风格因子排序。

策略

这篇最重要的贡献是研究设计，而不是单纯业绩。若你在做宏观择时、风格轮动或 LLM 投研 agent，这篇可以直接作为评估模板。它提醒我们：真正有意义的实验，不是喂给模型“日期对齐后的完美数据”，而是喂它交易当日早上真的能看到的版本。

数据

实时可获得的宏观时间序列、发布时间戳、风格因子收益、事件摘要文本、历史 analog 库。

实现

把“decision-time observability”写进所有宏观/LLM 策略回测流程。先做非 LLM 的 kNN / analog baseline，再加 LLM，看增益是否只体现在极端排序桶而非整体相关性。

风险

样本窗口仍偏短；LLM 增益可能主要来自 retrieval 和数据工程而非模型推理；宏观信号本身频率低、换手成本低但容量受风格拥挤影响。

摘要

论文重新审视 HMM 在股票收益建模上的常见批评，认为传统 Gaussian HMM 之所以难以复现波动聚集，并非因为状态转移结构不够复杂，而主要是因为边际分布不够厚尾。作者提出连续 HMM 框架，允许 Gaussian、Student-t、Laplace、GED 等不同重尾发射分布，并证明在多个美股样本上，一个解释性较强的 HMM 已足以兼顾路径模拟、波动聚集和 regime-conditional VaR。

策略

这篇非常适合做风险生成器和 regime overlay，而不是直接做方向预测。它可用于情景模拟、尾部压力测试、仓位缩放和多资产 copula 风险建模。对中低频股票策略团队来说，这类“简单但稳”的状态模型往往比更复杂的深度生成模型更实用。

数据

日频或更高频股票/组合收益、波动指标、行业分组、VaR 回测标签、多资产相关结构数据。

实现

先用现有策略净值或资产收益序列做 HMM 风险层，而不是直接上个股 alpha。建议比较 Gaussian HMM、Student-t HMM 和 bootstrap 场景器在 VaR 违约率、回撤预警和仓位控制上的差异。

风险

状态数和分布族选择仍会带来模型风险；regime 切换在极端事件中可能滞后；用于 alpha 生成时解释力会迅速下降。

摘要

论文使用 AAPL 的 Nasdaq TotalView-ITCH 市场逐笔订单数据，在没有 broker tag 的情况下重建 metaorder，并检验市场冲击是否服从经典的平方根定律。结果支持 `I ∝ (Q/V)^{1/2}` 形式，并显示该结论对重建设定较稳健；同时订单流具有长记忆，而价格保持近似扩散，这与市场冲击普适性理论一致。

策略

这不是 alpha 发现论文，而是执行建模的关键底层证据。无论做 VWAP/TWAP/POV、智能拆单还是组合再平衡，冲击函数标定都会直接影响容量评估和交易后业绩归因。对于股票执行团队，这篇比很多“更聪明的预测模型”更直接有用。

数据

逐笔委托与成交、订单簿重建、成交量分桶、波动率估计、执行轨迹。

实现

可先在自有成交数据上检验平方根冲击是否成立，再区分流动性时段、事件日和不同参与率做分层回归。若缺少 parent order 标签，可先用组合层面近似拆分，至少得到容量上界。

风险

单一股票结果未必泛化到全市场；metaorder 重建误差会传导到冲击参数；真正决定执行质量的还包括队列位置、择时和其他参与者行为。

摘要

论文研究商品 ETF 在重尾收益分布下的组合优化，比较 buy-and-hold、均值方差和 CVaR 目标下的滚动优化组合，并结合 ARMA-GARCH 边际分布与 Student-t copula 的动态情景。结果显示，保守型的 minimum-risk 与 CVaR 组合通常比 tangent 组合表现更稳，在交易成本加入后，低换手的动态 CVaR 方案仍保持更好韧性。

策略

对商品配置或多资产 CTA 风险层很有参考价值。论文强化了一个常识但常被忽略的结论：在重尾商品资产上，预期收益误差常常比风险建模误差更致命，因此以 CVaR/下行风险为主的保守优化更容易实盘存活。

数据

商品 ETF 或商品期货收益、波动率、相关结构、交易成本、换手率统计、滚动窗口参数。

实现

如果你做商品组合，先把论文思想迁移到“信号后组合层”，例如在已有方向信号上叠加 CVaR 约束与换手惩罚，而不是直接让优化器决定所有头寸。建议把 STARR、Calmar 和尾部回撤恢复时间纳入评估。

风险

ETF 层面的结论不能完全代表期货层；样本期若偏特定商品周期，结果会不稳；CVaR 优化容易对尾部估计误差敏感。

摘要

作者用树模型在传统特征交互中系统挖掘“被忽视的条件关系”，显示许多看似失效的经典 anomaly 并未真正消失，而是需要在行业、估值、波动或状态变量条件下重新分层后才重新显著。核心贡献不是再发明一个黑箱模型，而是把异常的“失效”解释为样本混合与条件异质性。

策略

这类结果最适合用于现有多因子框架的二次筛选层，而不是单独做纯信号。可把原始 value/momentum/quality 因子先按树模型给出的条件分桶，再只在高置信子样本内建仓，目标是提高信息比率并压低拥挤暴露。

数据

股票日频/月频收益；基本面特征；行业分类；波动率/流动性指标；可选的卖空约束和交易成本代理。

实现

不要直接照搬论文里所有条件节点，先在你自己的可交易股票池上做稳定性筛选；用滚动窗口重训；对子策略设置最低容量和换手上限；组合层用行业中性和 beta 中性约束。

风险

样本内交互过拟合；交易成本侵蚀；异常拥挤后衰减；条件分桶导致容量下降。

摘要

论文把传统 pairs/stat-arb 框架改造成“滚动协整 + 动态波动率目标”的状态感知版本。作者强调协整关系并不稳定，若静态估计会在 regime shift 中失效，因此用滚动更新对关系重估，再配合波动率目标控制杠杆，10 年回测给出约 17.76% 年化收益和 0.85 Sharpe。

策略

这是最直接可落地的一篇。可在大盘股股票对、行业 ETF 对、或同主题 basket 上实现。关键不在于 cointegration 本身，而在于用再训练频率和 vol targeting 让策略避免在结构断裂期越摊越大。

数据

成分股历史日频或更高频价格；公司行为调整数据；借券成本；融券可得性；交易成本；可选行业/主题标签。

实现

实盘上优先从行业内股票对和 ETF 对起步；用 walk-forward 选择形成期与持有期；把协整显著性、半衰期、成交额约束写进入场条件；vol targeting 建议叠加组合层最大净敞口和单对最大损失限制。

风险

协整关系失稳；借券和做空约束；集中于少数高相关对；高换手下冲击成本被低估。

摘要

论文主张把偏度暴露作为一等公民来管理，而不是只看均值和方差。作者展示经过偏度管理后的组合在月度收益、稳定性与分散化效果上优于经典均值-方差方案，说明“左尾形状”本身可以成为组合优化的独立目标。

策略

适合做在多资产配置、CTA 子组合、或股票因子组合的 overlay。最现实的用法不是追求正偏度本身，而是用偏度约束减少回撤型爆仓风险，尤其适合带杠杆的 vol-target 或 carry 组合。

数据

各资产或子策略收益序列；高频或日频收益用于稳定估计偏度；协方差矩阵；成交量/容量指标。

实现

先在现有组合优化器中加入滚动偏度约束或惩罚项；不要直接用三阶矩做高维优化，可先对子策略做降维后再优化；与 CVaR 约束联用更稳健。

风险

偏度估计噪声大；极端值敏感；在高维组合里三阶矩不稳定；过度追求正偏度可能牺牲容量。

摘要

论文把原油价格状态与 VIX 状态联合建模，作为股票、国债、对冲基金风格和相关风险资产的条件信号。核心观点是单看风险厌恶或单看大宗商品都不够，二者联合状态更能解释跨资产收益的条件分布。

策略

适合做成宏观 regime overlay，而不是主 alpha。可以用 Oil trend / Oil shock 与 VIX level / slope 的四象限来切换股票、久期、商品、trend-following 和 defensive carry 的权重。

数据

WTI/Brent 价格；VIX 水平与期限结构；主要资产 ETF/期货收益；宏观日历；可选资金流数据。

实现

尽量简化状态数，避免从 4 态扩展到过多细分；先做周频或日频配置切换，减少噪声交易；回测时要加入 regime 滞后和换仓冲击；最好与已有宏观 nowcasting 信号做 ensemble。

风险

状态变量解释力随样本时期变化；原油与宏观风险的结构关系可能漂移；切换模型过度离散导致 whipsaw。

摘要

论文不直接提出单一交易因子，而是评估优化后的 agentic AI 系统在资产定价研究中的增益，重点在研究流程自动化、假设生成、特征工程和实验编排。它更像“研究生产率工具”的实证评估，而不是一篇标准 alpha 论文。

策略

对买方更现实的价值在 research stack。它可缩短因子生成、文献回顾、特征组合和失败实验淘汰周期，提高研究吞吐量。短期内更适合作为研究员副驾驶，而不是直接接实盘执行权限。

数据

内部研究数据库；特征库；回测框架；实验日志；因子库；模型评估基准。

实现

先把 agent 约束在“生成候选假设、写实验配置、整理失败原因”这三类任务；所有绩效声明必须经过独立回测；保留人工审批和研究审计 trail；不要把 agent 直接接入订单路由。

风险

数据泄漏； benchmark cherry-picking；生成式模型幻觉；研究自动化放大伪发现速度。

摘要

论文针对北交所历史样本短、个股覆盖窄的问题，测试能否把大模型或大市场学到的收益预测能力，通过 LoRA 形式迁移到数据稀缺市场。作者给出的结论是：跨市场迁移学习对新市场的 return predictability 有早期但有意义的提升证据。

策略

这篇最有价值的地方是“新市场/小股票池/新产品”的冷启动建模。对实盘而言，不一定局限北交所，任何新上市板块、跨境小众市场、甚至新期货品种都可能复用“先迁移后微调”的框架。

数据

北交所历史行情与成交额；源市场训练样本；新闻/公告文本；基本面特征；行业映射；交易成本与涨跌停约束。

实现

不要直接把 A 股大盘的标签映射到北交所，先对微盘、流动性和涨跌停做域适配；LoRA 微调层要轻量，避免在小样本上过拟合；实盘建议只做评分排序，不做端到端仓位输出。

风险

域偏移严重；小市值冲击成本高；停牌/涨跌停约束扭曲标签；文本信号可得性不稳定。

摘要

论文试图把 Black-Scholes 的价格目标与 implied volatility 目标统一到同一个可微分训练框架里，用 differentiable Jäckel operator 打通 price loss 和 vol loss 之间长期存在的不一致。对期权研究与做市而言，重点不是新模型本身，而是训练目标和校准目标终于可以更稳定地兼容。

策略

它更像波动率研究与做市基础设施升级，而不是方向性 alpha。适合期权做市、曲面插值、风险中性密度估计、波动率套利和 delta-vega 风控。若你已经有曲面模型，这篇值得直接进研发 backlog。

数据

全链期权报价与成交；无风险利率与股息；标的高频价格；现有 IV 曲面和 Greeks；异常报价过滤规则。

实现

先离线替换曲面训练损失函数，再看对 pricing error、no-arbitrage 约束和 Greeks 稳定性的改善；与 SABR/SSVI 或神经曲面做 A/B 测试；优先关注深虚值和短期限区域的稳定性。

风险

研究收益更多来自基础设施，不一定立刻转化为净交易利润；高质量期权数据清洗要求很高；模型复杂度上升。

摘要

论文研究 robo-advisory 平台在为大量个性化客户组合做再平衡时，执行层面如何产生“客户间不平等”。核心结论是：个性化配置的收益未必在执行层平均分配，撮合顺序、批量化方式和市场冲击会让不同账户承受不同的隐性交易成本。

策略

对量化团队的启发不在 alpha，而在 execution design。若你管理 SMA、模型组合、或多账户同策略执行，这篇几乎直接对应“公平成交与成本分配”问题。也可反向用于优化内部 crossing 和 rebalance 排程。

数据

订单级交易日志；账户级目标权重；成交时间戳；盘口和冲击成本估计；内部撮合记录。

实现

把“同信号多账户”问题建模为批处理优化；增加 VWAP/POV 排程与账户轮换公平性约束；记录每次再平衡的实现偏差并做 ex-post cost attribution；若有内部 crossing，优先净额撮合后再外部成交。

风险

执行公平性和总体成本最小化可能冲突；订单批处理在极端市况下放大滑点；监管与受托责任要求高。

摘要

论文直接挑战“定价误差更小就更赚钱”的默认假设。作者指出，机器学习期权定价模型常以 RMSE 或误差下降作为胜利标准，但这并不自动转化为交易利润，尤其在零售场景中，点差、冲击、持仓约束与筛选规则会主导最终 PnL。

策略

这篇很适合用来审视你当前的期权研究 KPI。若团队仍以 pricing error 为主目标，论文提醒应切换到 decision-aware objective，例如 mispricing decile hit rate、交易后净 alpha、库存风险占用等。

数据

零售期权报价与成交；订单方向；盘口点差；持仓限制；Greeks；标的高频价格。

实现

把模型评估拆成两层：先看 pricing fidelity，再看 executable PnL；建立最小可成交边际、库存上限和交易后滑点过滤；最好按期限、moneyness、流动性分层评估，而不是只给一个全样本 RMSE。

风险

零售期权样本噪声高；报价可成交性与理论价格偏离大；过度追求“可交易 mispricing”会把模型推向极端尾部样本。

摘要

论文关注“波动在日内何时到来”这一时间结构，而不只看全天聚合后的 realized variance。核心意思是，日内方差到达时序本身包含额外预测信息，能改进未来 realized variance 预测，相当于在 HAR 一类框架之外再加入 timing layer。

策略

这对 vol-target、期权对冲、日内保证金和 intraday risk throttle 都有直接价值。若你已有波动率模型，最现实的增量是把时段分解特征接进去，而不是完全重写预测器。

数据

高频成交或 midquote；交易时段切片后的 realized variance；新闻/事件时间戳；期权隐含波动率可作为辅助。

实现

先做 5 分钟或 15 分钟网格，构造开盘段、午后段、尾盘段的 variance arrival 特征；与标准 HAR-RV 做 horse race；若用于实盘风险控制，务必区分普通日和事件日。

风险

高频噪声与微观结构偏差；不同市场交易时段结构差异大；模型在低波动环境下边际收益可能有限。

摘要

构建多智能体 LLM 股票交易仿真环境，尝试模拟宏观、政策、基本面和新闻等外部因素对交易行为和盈利的影响，并强调避免测试集泄露。

原因

更偏仿真平台与行为模拟，离可验证的真实 alpha 仍有明显距离。

摘要

给出带固定、比例和非线性交易成本时的 CRRA 消费投资最优边界近似公式，描述 no-trade region 与最优消费率。

原因

偏连续时间控制与渐近分析，离直接实现策略还差一层工程转化。

摘要

用随机神经网络估计美式期权 exposure profile 与单边 CVA，并与 LSM 比较，显示在高维问题中更节省计算成本。

原因

更偏定价与对手方风险计算，不是典型投资交易策略论文。

摘要

把可投资市场组合拆成 body/tail 两条腿，用来检验因子模型在不同收益分布区域上的定价能力是否一致。

原因

方法论价值高于直接交易价值。

摘要

在时变 Heston 模型下定价美式期权与 flexible forward，并提出较快的谱方法求解提前行权边界。

原因

偏 sell-side 定价基础设施，而不是 buy-side alpha。

摘要

在非概率、路径逐点的连续时间框架下研究 long-only 组合分配，并扩展 universal portfolio / aggregating algorithm 到连续时间。

原因

理论深、落地慢，短期难直接复现成赚钱策略。

摘要

基于历史期权价格检验 model-free super-hedging 的保守程度，并据此构建带下行风险控制的交易策略。

原因

更偏期权相对价值与对冲误差套利，适用范围相对窄。

摘要

提出按收益分布不同区域定制投资目标的动态配置框架，下行尾部导向策略提供更强 downside protection，高分位导向策略追求更高均值收益。

原因

论文更偏产品目标函数设计，不是单一策略信号论文。

摘要

在 Bayesian learning 的均值方差投资框架里引入对观测价格路径的鲁棒性惩罚，得到闭式 robust policy，并解释 robustness price。

原因

更像鲁棒控制理论推进，和实际交易信号之间还有工程鸿沟。

摘要

论文评估一个 CPU/GPU 组合优化引擎在机构再平衡场景下的求解速度、可行性和审计记录能力，强调 deadline-bounded rebalancing。

原因

更偏基础设施性能评测，不是策略研究本身。

摘要

研究 AI 是否能从分析师选择/评价场景中识别“人类技能”信号，对 buy-side 研究员筛选、委外经理评价和 analyst ranking 有启发。

原因

题目很有意思，但本周可访问材料里修订时间与摘要细节的核对不如重点名单稳健，因此放入备选。

摘要

从 Chiarella-Bouchaud 与 passive share 反馈角度讨论被动资金、趋势跟随和价格发现变薄后的市场脆弱性，并提出 fragility gauge。

原因

宏观市场结构启发强，但距离可直接交易策略还有一层模型落地转换。

摘要

用 walk-forward LSTM 重新检验跨国市场信息传导，重点是牛熊环境下信息跨境传播强度是否变化。

原因

方法和主题都相关，但离可直接交易的信号工程还需要更细的执行与成本讨论。

摘要

讨论在经纪驱动、制度噪声更大的新兴市场中，机器学习模型为何因 concept drift、regime switching 和 structural break 失效。

原因

对模型治理价值高，但更像失败案例总结，交易框架贡献偏方法论。

摘要

把气候风险溢价与 regime-dependent tail risk 放进 jump-diffusion 期权定价框架，试图解释尾部风险如何进入期权价格。

原因

衍生品定价视角有启发，但本周可核对到的作者与正文细节不够完整，因此列入备选而非重点。