2026-10-22A+Annals of Operations Research
1. 少闲聊、多建仓：生成式语言模型组合构建的新框架
Cut the chit-chat: a new framework for the application of generative language models for portfolio construction
方向关联机器学习与金融直接命中：把生成式模型的输出从离散情绪标签概率化为连续排序变量，方法论卖点清晰，样本外风险调整收益是最终裁判，且开源实现可复现
摘要
现有生成式语言模型在组合构建中的应用，多利用模型的对话功能预测预期收益；已有文献把模型输出归为离散标签，却忽略了情绪的强度。本文证明，这种做法对横截面组合构建并非最优。本文提出 Logit Extraction 方法：提取模型赋予情绪标签的概率，从而构建连续取值的排序变量。结果表明，Logit Extraction 显著提升了风险调整收益，优于以往的离散标签做法。本文还在 Python 包 TokenProbs 中开源了 Logit Extraction 的实现。
主要贡献
- 提出 Logit Extraction：提取模型对情绪标签的概率，构建连续取值的组合排序变量
- 证明离散标签做法对横截面组合构建并非最优，连续排序显著提升风险调整收益
- 开源 Python 包 TokenProbs，方法可直接复现与检验
DOI: 10.1007/s10479-026-07418-0 →
2026-10-23A+++Review of Financial Studies
2. 另类资产的崛起
The Rise of Alternatives
方向关联组合决策与市场动态：养老金从公开股票转向另类资产的配置变迁，核心解释是信念形成——投资顾问、同行与 1990 年代经验如何塑造机构投资者的风险认知
摘要
自 2000 年代以来，美国公共养老金积极地把风险投资从公开股票转向私募股权、对冲基金等另类资产——不同基金的转向程度差异很大。本文探讨了一系列可能的解释，并认为，对另类资产风险调整收益的信念发挥了核心作用。养老金的信念受到投资顾问、同行以及 1990 年代经验的影响。风险追逐动机、支出需求与基金治理等其他需求侧渠道的实证支持较弱。本文还考虑了供给侧因素以及对数据的代理问题解释。
主要贡献
- 系统梳理美国公共养老金转向另类资产的配置变迁及其基金间差异
- 论证信念是核心解释：投资顾问、同行与 1990 年代经验塑造了养老金对另类资产的看法
- 对风险追逐、支出需求、治理等替代解释给出较弱的实证支持，并讨论供给侧与代理问题解释
DOI: 10.1093/rfs/hhag091 →
2026-10-26A++Journal of Financial and Quantitative Analysis
3. 合成信息驱动的内幕交易信号
Synthesizing Information-Driven Insider Trade Signals
方向关联信息、不确定性与价格主线：把分散的内幕交易信号合成为可交易的横截面预测变量，并辨析信息优势的来源是解读能力而非监管差异
摘要
本文提出一种新方法，用于合成推测由信息驱动的内幕交易信号，考察其在股票横截面上的表现。结果发现，由此得到的简单复合策略通常能预测全球样本中的收益。这种可预测性在等权重组合、短持有期和内幕买入信号中最强，且随着全球分散化进一步提升。跨国分析表明，各国内幕交易限制的差异对复合策略表现的解释力有限。总体而言，结果与内幕人士的短期信息优势一致，这种优势可能源于对非私人新闻的娴熟解读。
主要贡献
- 提出合成信息驱动内幕交易信号的新方法，得到简单有效的复合策略
- 全球样本中可预测收益，等权重、短持有期、内幕买入信号最强，全球分散化进一步提升表现
- 跨国证据表明监管限制差异解释力有限，信息优势更可能来自对非私人新闻的解读能力
DOI: 10.1017/s0022109026103366 →
2026-11A+++Journal of Accounting and Economics
4. 追踪投资者的心思：投资者问询与关键审计事项披露
Tracing investors' minds: Investors’ inquiries and key audit matter reporting
方向关联信息与透明度主线叠加中国制度情境：用证监会投资者互动平台的问询数据度量投资者信息需求，看审计师的披露决策如何回应散户的信息需求
摘要
本文考察审计师在确定关键审计事项（KAM）披露时，是否考虑了投资者的信息需求。本文用证监会设立的投资者互动平台（IIP）上投资者提交的问询这一独特数据集度量投资者信息需求。在主题层面，投资者对某一主题的问询越多，审计师越可能把该主题披露为关键审计事项。在总量层面，投向会计议题的问询占比越高，关键审计事项的数量越多、披露篇幅越长。重要的是，在关键审计事项报告制度引入后，管理层的附注披露变得更贴合投资者问询的热点，这进一步支持本文的解释：所记录的效应反映的是审计师对投资者问询的回应，而非仅仅镜像管理层披露的变化。总体而言，本文结果表明，审计师在关键审计事项披露中考虑了投资者的信息需求。
主要贡献
- 用证监会投资者互动平台问询数据度量投资者信息需求，提供新的信息需求测度
- 主题层面：问询越多的主题越可能被披露为关键审计事项；总量层面：会计议题问询占比高则关键审计事项更多更长
- 关键审计事项制度后管理层附注更贴合问询热点，支持审计师回应需求而非仅镜像管理层变化的解释
DOI: 10.1016/j.jacceco.2026.101907 →
2026-11A+Journal of Empirical Finance
5. 信用评级报告内容的动态
The dynamics of credit rating report content
方向关联信息主线：评级字母之外的文本——措辞、长度、数字细节与不确定性——本身就是可定价的信号，且能预测未来的评级行动，与股吧文本等数据家底的研究思路相通
摘要
本文表明，信用评级报告包含超出字母评级本身的有价值信息。利用 3,352 份穆迪评级行动报告，本文分析了报告的清晰度、长度、数字细节、不确定性与独特性，发现股票市场对评级报告内容有反应，且报告内容能预测未来的评级行动。分析师固定效应约占报告风格变异的 20%，说明个别分析师重要但并非主导。在《多德-弗兰克法案》之后，报告变得更长、更清晰，尤其是在评级偏离预期时，这与诉讼风险上升的解释一致。本文结果表明，字母背后的文字与股票市场反应相关，并随监管制度系统性变化。
主要贡献
- 证明评级报告文本内容超出字母评级本身：市场有反应，且内容能预测未来评级行动
- 分析师固定效应约占报告风格变异的 20%，个体风格重要但非主导
- 多德-弗兰克法案后报告更长更清晰，尤其在评级偏离预期时，与诉讼风险上升一致
DOI: 10.1016/j.jempfin.2026.101782 →
2028A++Statistica Sinica
6. 大型深度神经网络的不确定性量化：基于后处理 StoNet 建模
Uncertainty Quantification for Large-Scale Deep Neural Networks via Post-StoNet Modeling
方向关联方法论卖点：预测可黑箱，但不确定性必须开箱——后处理式区间 honest 且比共形方法更短，复杂度有回报的判据可直接套用到金融预测模型
摘要
深度学习革新了现代数据科学，但如何准确量化大型深度神经网络（DNN）预测的不确定性，仍是一个未解决的问题。为此，本文提出一种新颖的后处理方法：把预训练的大型深度神经网络最后一层隐层的输出输入随机神经网络（StoNet），再在验证数据集上用稀疏惩罚训练 StoNet，并为未来观测构建预测区间。本文为该方法的有效性建立了理论保证；其中，稀疏 StoNet 的参数估计一致性是该方法成功的关键。大量的实验表明，本文方法能够构建诚实的置信区间，且区间长度短于共形方法，校准表现也优于其他事后校准技术。此外，本文表明，StoNet 的构造为把线性模型的稀疏学习理论与方法移植到深度神经网络提供了一个平台。
主要贡献
- 提出后处理式不确定性量化框架：预训练网络隐层输出接 StoNet，稀疏惩罚训练后构建预测区间
- 建立理论保证，稀疏 StoNet 参数估计一致性是有效性的关键；实验中区间 honest 且短于共形方法
- StoNet 构造为把线性模型稀疏学习理论与方法移植到深度神经网络提供了平台
DOI: 10.5705/ss.202024.0294 →
2026-10-25A++International Statistical Review
7. 异方差误差下大规模多重检验的经验贝叶斯方法
Empirical Bayes Method for Large‐Scale Multiple Testing With Heteroscedastic Errors
方向关联方法论卖点：放宽结构假设仍能控制错误发现率——多重检验与因子筛选场景下可直接借鉴，与风险和模糊性分开定价的方法论直觉相通
摘要
本文研究正态均值推断问题：检验多个方差不等的正态随机变量的均值。已有大多数经验贝叶斯方法建立在限制性假设之上，例如方差的缩放逆卡方先验、非零均值分布的单峰性。然而，一旦这些假设被违反，已有方法往往无法把错误发现率（FDR）控制在目标水平，或功效大幅损失。为克服这些局限，本文提出新的经验贝叶斯方法 gg-Mix：它仅假设正态均值与方差相互独立，而不对它们的分布施加任何结构性限制。本文通过大量数值研究全面评估了 gg-Mix 的错误发现率控制与功效，证明其表现优于已有方法。最后，本文把 gg-Mix 应用于三个真实数据例子，进一步展示了它的实际优势。
主要贡献
- 提出 gg-Mix 方法：仅需均值与方差独立的假设，对分布不施加结构性限制
- 数值研究表明 gg-Mix 在错误发现率控制与功效上均优于已有方法
- 三个真实数据应用进一步验证了该方法的实际优势
DOI: 10.1111/insr.70073 →
2026-11A++European Journal of Operational Research
8. 图卷积分支定界法
Graph convolutional branch and bound
方向关联机器学习方法论：用学习到的启发式替代手工启发式，局部节点评分优于全局盲目搜索，分而治之的直觉与复杂度必须有回报的判据都对得上
摘要
本文探讨把深度学习模型整合到组合优化流程中，目标是 NP 难问题。传统精确算法往往依赖启发式准则来引导可行解的探索。本文提出用神经网络学习信息丰富的启发式——最突出的是一个最优性评分，它估计解与最优解的接近程度。该评分用于分支定界框架中的节点评估，从而实现更高效的解空间遍历。本文聚焦旅行商问题，引入最先进的求解器 Concorde，提出混合方法——图卷积分支定界法：用图卷积神经网络增强 Concorde，并采用一种新颖的无监督训练策略，使其无需标注数据即可泛化到不同规模的图。实证结果证明了该方法的有效性：探索的分支定界节点数与总计算时间显著减少。关于 1-树松弛使用的部分结果载于补充材料。
主要贡献
- 用神经网络学习最优性评分，作为分支定界节点评估的启发式
- 图卷积神经网络结合新颖的无监督训练策略，无需标注数据、可泛化到不同规模的图
- 实证中探索节点数与总计算时间显著减少
DOI: 10.1016/j.ejor.2026.03.036 →
2026-11A+Economic Modelling
9. 汽油价格预期在汽油价格冲击向通胀与实体经济传导中的作用
The role of gasoline price expectations in transmitting gasoline price shocks to inflation and real activity
方向关联信息与价格主线：预期本身就是传导机制——消费者能源价格预期数据进入宏观传导，与预期形成和信息优势的研究相通，结论可折算为货币政策含义
摘要
本文认为，汽油价格波动通过改变消费者对未来能源成本的预期来影响通胀。更具体地说，本文利用美国密歇根大学消费者调查数据并估计结构向量自回归（SVAR）模型，证明长期的汽油价格预期是汽油价格冲击传导至通胀与实体经济活动的重要渠道。这些结果表明，监测消费者能源价格预期可为通胀压力提供早期预警信号，是锚定更广泛通胀预期的有益补充工具。在地缘不确定性与绿色转型的时代，能源市场波动加剧，理解这一渠道对货币政策变得越来越重要。
主要贡献
- 识别出长期汽油价格预期这一传导渠道：预期变化把汽油价格冲击传导至通胀与实体活动
- 基于密歇根大学消费者调查数据的结构向量自回归证据
- 政策含义：监测消费者能源价格预期可作为通胀压力的早期预警，是锚定通胀预期的补充工具
DOI: 10.1016/j.econmod.2026.107792 →
2026-11A+Economic Modelling
10. 偏好变化下的绿色转型：最优跨期政策响应
Green transitions under changing preferences: Optimal intertemporal policy response
方向关联创新与可持续金融方向：把偏好内生化进绿色转型政策，最优碳税路径先高后低，结论可直接折算为政策含义
摘要
在绿色转型过程中，偏好会随着社会情境而变化。旨在减少温室气体排放的碳税面临跨期权衡：今天更低的税和更高的碳排放会提高当下福利，却降低未来人群的福利。然而，偏好在气候友好型与化石燃料型消费品之间变化对这一权衡的影响，此前尚未得到刻画。本文在 Besley 与 Persson（2023）开创的框架基础上——他们率先把内生偏好纳入绿色转型的政治竞争模型——刻画了内生偏好下的最优政策干预。本文发现，对污染品的最优税收起初较高，随后随着偏好变得更绿色而下降。在气候政策设计中忽视偏好的变化会导致大的福利损失。
主要贡献
- 在内生偏好框架下刻画绿色转型的最优政策干预，推进了 Besley 与 Persson（2023）的模型
- 最优污染品税先高后低：起初较高，随偏好变绿而下降
- 警示：在气候政策设计中忽视偏好变化会导致大的福利损失
DOI: 10.1016/j.econmod.2026.107759 →