2026-11A+++Journal of Financial Economics
1. 时间一致的大语言模型：消除金融文本研究中的前瞻偏差
Chronologically consistent large language models
方向关联机器学习与金融——直接命中：文本因子研究的前瞻偏差是股吧文本、高频行情类研究的致命威胁，该文给出可复制的工程方案。
摘要
大语言模型在社会科学中用得越来越多，但其训练数据会引入前瞻偏差与训练泄露。本文训练了一套“时间一致”的大语言模型 ChronoBERT 与 ChronoGPT，每个时点只使用当时可获得的文本数据。尽管有严格的时间约束，模型在自然语言处理基准上达到甚至超过 BERT，并可与更大的开源权重模型媲美。研究发现前瞻偏差具有模型与应用特异性：即使时间一致模型的语言理解稍弱，上层的回归或预测模型也可以补偿。在用金融新闻嵌入预测次日股票收益的资产定价应用中，ChronoBERT/ChronoGPT 的实时输出取得了与大得多、且可能存在偏差的 Llama 模型相当的夏普比率。本文给出了一套可扩展、实用的缓解训练泄露的框架，让金融与社会科学的回测与预测更可信。
主要贡献
- 提出按时点滚动训练的时间一致 LLM 框架（ChronoBERT/ChronoGPT），把前瞻偏差从“提醒事项”变成可工程化解决的方案
- 证明上层预测模型可补偿语言理解的损失——与“朴素基学习器+集成”的直觉一致，复杂度必须有回报
- 金融新闻→次日收益的资产定价实证：夏普比率与 Llama 相当，可直接迁移到股吧文本、高频新闻研究
DOI: 10.1016/j.jfineco.2026.104374 →
2026-10-07A+Financial Analysts Journal
2. 机器学习分类与组合构建：损失函数重要吗？
Machine Learning Classification and Portfolio Construction: Does the Loss Function Matter?
方向关联机器学习与金融 + 组合决策与市场动态——双命中；“样本外与经济价值是最终裁判”的范例。
摘要
在组合构建中，分类方法在配对的机器学习模型上全面优于回归。梯度提升树、随机森林与神经网络的 stacking 集成，分类版本价值加权年化夏普比率达 2.08，回归版本仅 1.39。这一优势随类别粒度加细而增强，在各子样本与扣除交易成本后依然成立。Spanning 检验显示，控制回归因子后分类仍保留经济意义显著的 alpha，而控制分类后回归的 alpha 大幅缩水。诊断表明，分类的优势来自对收益十分位更精确的分离。
主要贡献
- 方法论卖点鲜明：把“预测问题该做分类还是回归”变成可检验的组合问题，答案是分类
- 给出数量级：夏普 2.08 对 1.39，扣除交易成本后依然成立，经济价值明确
- 双向 spanning 检验设计干净，可直接借鉴到他自己的机器学习组合研究
DOI: 10.1080/0015198x.2026.2726133 →
2026-11A+++Journal of Financial Economics
3. 去掉小字条款：信息披露、产品标准化与消费者结果
Removing the fine print: Disclosure, standardized products, and consumer outcomes
方向关联2024–2026 主线：透明度——披露如何进入借款人决策；金融科技与普惠金融方向（消费信贷信息摩擦）。
摘要
隐藏费用会扭曲消费者决策。监管者历来有两招：(a) 强化披露让费用更显著，或 (b) 标准化产品以限制可收取的费用。本文用智利行政数据与多阶段自然实验，分别识别披露与标准化对还款行为的影响。发现披露使逾期率下降 13.7 个百分点（降幅 40%）、违约率下降 1.68 个百分点（降幅 98%），而标准化没有任何效果。披露对初始贷款条件无影响，说明其作用渠道是还款行为本身：披露改善了借款人对信贷义务的理解。
主要贡献
- 干净的对照识别：披露 vs 标准化的多阶段自然实验，结论是信息渠道（理解义务）而非产品设计
- 数量级惊人：违约率下降 98%，可直接折算成监管收益
- 对“披露有效性”争论的一锤定音，普惠金融政策含义直接
DOI: 10.1016/j.jfineco.2026.104353 →
2026-11A+++Journal of Financial Economics
4. 用机器学习识别 ESG 偏好：来自基金流量的证据
Machine-learning about ESG preferences: Evidence from fund flows
方向关联机器学习与金融——用 ML 做偏好识别的方法论；创新与可持续金融方向。
摘要
本文用约 500 个 ESG 议题指标、跨多家评级机构，为美国主动权益共同基金构建 ESG 评分。在显示性偏好框架下，用机器学习识别驱动基金流量的 ESG 议题，并以 ESG 驱动的流量作为 ESG 表现的代理。预期经基准调整收益用事后实现与事前度量两种方式估计。ESG 更好的基金吸引更多后续申购、业绩差时赎回更少，但预期收益更低——说明流量反映的是投资者的 ESG 偏好而非高收益信念。投资者每年为一只头部 ESG 基金多付 4800 万美元。
主要贡献
- 显示性偏好 + 机器学习识别“哪些 ESG 议题真正驱动资金”，方法论组合新颖
- 把 ESG 偏好折算成钱：每年 4800 万美元，经济价值明确
- 对“ESG 流量是偏好还是收益预期”的识别干净，事前/事后双口径预期收益
DOI: 10.1016/j.jfineco.2026.104361 →
2026-11A+++Journal of Financial Economics
5. 气候监管风险与公司债
Climate regulatory risks and corporate bonds
方向关联主线：不确定性与价格——监管不确定性如何进入债券定价；创新与可持续金融。
摘要
气候风险应影响公司证券的风险评估与定价，尤其对面临潜在监管限制的企业。本文利用对预期气候监管的一次冲击，发现气候监管风险因果性地影响债券信用评级与信用利差。结构信用模型进一步表明，高碳发行人利差上升（在监管更严的地区尤甚）来自企业资产波动率的变化而非资产价值的变化——监管不确定性通过波动率渠道进入证券定价。结论对公司决策、组合管理与政策制定有重要含义。
主要贡献
- 把“监管不确定性”做进债券定价，识别出波动率渠道而非价值渠道——风险与不确定性分开定价的实证呼应
- 因果识别（监管预期冲击）+ 结构模型双保险
- 可持续金融方向的定价证据，组合管理含义明确
DOI: 10.1016/j.jfineco.2026.104363 →
2026-11A+++Journal of Financial Economics
6. 宏观主动债券基金能告诉我们什么：货币政策变化的信息含量
What can macro-active bond funds tell us about monetary policy change?
方向关联主线：信息、不确定性与价格——直接命中（信息优势、宏观分歧）；组合决策方向。
摘要
本文聚焦对货币政策冲击最敏感的主动管理债券共同基金。发现宏观主动债券基金在 FOMC 会议日有显著且持续的超额收益，在宏观分歧与关注度高企时期尤为明显。与其预测能力一致，这些基金在 FOMC 会议前的久期调整能预测 FOMC 日的货币政策冲击，且信息量超出经济数据与资产收益所能提供。这种宏观投资能力还延伸到 GDP 与 CPI 公布日，并在同一基金家族的不同风格基金间共享。
主要贡献
- 信息优势的直接证据：基金持仓调整先行于 FOMC 冲击，可预测政策意外
- “宏观分歧高企时效应更强”——信息价值与不确定性正相关，主线的微观注脚
- 组织维度：投资能力在基金家族内共享，网络信息优势的组织载体
DOI: 10.1016/j.jfineco.2026.104378 →
2026-12A++Journal of Economic Theory
7. 递归期望不确定效用
Recursive expected uncertain utility
方向关联主线：模糊性——2024–2026 主线的理论基石类工作；决策理论的方法论供给。
摘要
Gul 与 Pesendorfer 的期望不确定效用（EUU）理论描述这样的决策者：对一些事件赋予概率，另一些视为不可量化，用各可量化事件上最好与最坏结果效用的概率加权平均来评价前景。本文把 EUU 推广到行动前有信息到达的动态情形。在主观期望效用之外，三个自然要求一般无法共存：行动的价值不应依赖于不确定性如何被描述；收到信号后的选择只应依赖于剩下何种可能；每个实现上优化应得到事前最优的计划。本文刻画的递归推广通过为每个信号（无论是否模糊）配上一套唯一的条件信念系，保住了后两条，同时保留 EUU 对风险与模糊性的处理。对无模糊信号退化为静态 EUU；否则行动价值依赖于信息揭示的方式。一类易处理的子类能容纳 Machina 反射例等多种模糊模型无法解释的选择模式。
主要贡献
- 把 EUU 动态化，解决动态模糊决策的经典三难，理论干净
- “风险与模糊性分开定价”的方法论呼应——EUU 本就区分可量化与不可量化事件
- 可处理的子类能解释 Machina 反射例，可作为模糊性定价模型的决策基础
DOI: 10.1016/j.jet.2026.106249 →
2026-12A+Insurance: Mathematics and Economics
8. 可解释的非寿险定价深度学习模型
An interpretable deep learning model for general insurance pricing
方向关联机器学习与金融——可解释 ML 的方法论卖点；与“预测可黑箱但决策必须开箱”的直觉直接共振。
摘要
机器学习尤其是深度学习在精算建模中展现出优于传统广义线性模型的预测能力，但缺乏可解释性阻碍了其在保险业的落地——“何为可解释”本身也无公认定义，此外定价模型还有光滑性、单调性等实务要求。本文提出精算神经可加模型：为每个协变量及两两交互项各配一个专用神经网络（子网络）独立学习其对输出的影响，并施加架构约束以保证可解释性（稀疏）与实务要求（光滑、单调）。文章先在保险情境下给出可解释性的明确定义并建立严格数学框架；在合成与真实保险数据上与传统精算及前沿机器学习方法对比，多数情形下预测精度最优且内部逻辑完全透明。
主要贡献
- “预测可黑箱但决策必须开箱”的完美注脚：可加结构 + 架构约束，可解释性内生而非事后
- 先定义“何为可解释”再建模，方法论严谨，可迁移到信贷定价等场景
- 精度与透明兼得，对保险定价实务可直接落地
DOI: 10.1016/j.insmatheco.2026.103270 →
2026-10-07A+Financial Analysts Journal
9. 避险还是逃离套利？——危机中的货币资金流
Flight to Safety or Flight from Carry?
方向关联组合决策与市场动态——危机分类学；信息/资金流视角的市场动态。
摘要
本文区分市场承压时期的避险货币与融资货币：用一家大型托管行的外汇远期与主权债资金流数据，研究全球机构投资者在危机中的跨币种再配置。发现瑞郎、日元、美元在动荡期都吸引流入，但角色不同：美元在全球金融危机与地缘事件中吸金，而 2024 年套利交易平仓潮中日元流入激增。本文构建面板回归框架，把危机分类为“避险驱动”或“逃离套利驱动”：“解放日”前后套利动力主导了避险；2022 年末美利率上行后，区分二者变得愈发重要。
主要贡献
- 分而治之的典范：先分类危机类型再谈资金流向，而非一锅烩——与他的方法论直觉一致
- 托管行微观资金流数据 + 面板回归分类框架，方法论可迁移到 A 股资金流研究
- 对 2024 套利平仓、“解放日”等近期事件的直接解读，时效性强
DOI: 10.1080/0015198x.2026.2728601 →
2026-10-06A++Review of International Economics
10. 低碳技术贸易：气候与贸易政策的作用
Trade in Low‐Carbon Technologies: The Role of Climate and Trade Policies
方向关联创新与可持续金融 + 国际维度；地缘经济碎片化（保护主义/关税壁垒）的相关证据。
摘要
实现《巴黎协定》减排目标需要在全球范围内部署低碳技术。本文评估气候与贸易政策在通过贸易促进低碳技术扩散中的作用。利用全面的气候政策数据库与新构建的低碳技术贸易及关税数据库，本文发现新气候政策的出台显著促进低碳技术进口；除无约束力政策外，各类气候政策都刺激低碳技术进口。贸易政策同样是扩散引擎：降低低碳产品关税对进口有显著拉动。反面结果是，更多保护主义措施会阻碍低碳技术传播。
主要贡献
- 新数据库：低碳技术贸易 + 关税的识别型数据库本身即贡献
- 气候政策 × 贸易政策的双引擎框架，政策含义直接
- 保护主义阻碍技术扩散——碎片化议题的实证注脚，特刊相关
DOI: 10.1111/roie.70087 →