金融研报AI分析

A Quadratic Link between Out-of-Sample $R^{2}$ and Directional Accuracy

This paper derives an analytical quadratic relationship between out-of-sample R^2 and directional accuracy for MSE-optimal point forecasts, showing that R_OOS^2 = κ(2·DA−1)^2 under mild independence and volatility assumptions; as a result, modest DAs (≈0.55–0.60) imply intrinsically small theoretical R_OOS^2 and negative empirical R_OOS^2 values are expected under suboptimal scaling or finite-sample noise, a finding validated by simulation on S&P500 and DJIA series [page::2][page::4][page::5].

Policy Design in Long-Run Welfare Dynamics

本文提出一个多主体随机动态模型，刻画在干预（intervention）与自然衰减（decay）共同作用下个体福利的长期演化，并在“生存条件”与“Matthew效应”假设下证明：遵循Rawls原则（优先救助福利最低者）的政策，在长期内可优于短期最优的功利主义（utilitarian）策略；相反，在“毁灭/ruin条件”下，功利主义策略占优，从而强调评估社会政策须纳入长期视角以避免短期误判 [page::4][page::5][page::22][page::23][page::8]

Learning to Adopt Generative AI

本论文基于11,752名面板用户的6个月点击流数据，构建并估计了一个含异质性信号方差的结构化贝叶斯学习模型，以量化“学习差距（learning divide）”与“效用差距（utility divide）”，并鉴别出“信念陷阱”及其成因与缓解路径；实证显示：非大学受教育者、非白人及低英文能力者每次使用可获更高边际效用但更新速度更慢，而男性、年轻者及高LLMOE职业既获更高边际效用也学习更快；模拟表明定向训练（约200–400次使用）可显著降低被困概率，从而缓解结果差距 [page::0][page::27][page::31]

Predicting Company Growth using Scaling Theory Informed Machine Learning

本文提出STIML（Scaling-Theory-Informed Machine Learning）框架：先用基于规模律的机制性增长模型（GM）刻画公司财务指标的平均趋势，再用机器学习建模残差以捕捉结构性波动，实验（Compustat 1950–2019，31,553家公司）显示STIML在16项指标上整体优于纯GM与纯ML，平均比GM提升约23%、比ML提升约5%，且模型揭示大公司以趋势为主、小公司以波动为主的可预测性分治结构以及残差负偏下的可学习信息。[page::0]

A post hoc test on the Sharpe ratio

本文提出一种类比于 Tukey HSD 的事后（post hoc）Sharpe 比率差异检验：在假设所有资产信噪比不相等被拒后，用于判别哪对资产的信噪比存在显著差异；方法基于对协方差在“秩一”相关结构下的近似并给出 HSD 与 Bonferroni 截断值，实证模拟显示在使用 df=n-1 截断时能较好保持名义 I 型率，但在样本量小、资产数多时 df=∞ 截断会反保守；并演示了可行估计量与若干真实数据的应用 [page::0][page::5][page::12].

Same Returns, Different Risks — How Cryptocurrency Markets Process Infrastructure vs Regulatory Shocks

本文通过31次事件（2019–2025）和事件级区块自助法检验基础设施故障与监管执法在收益层面的差异，发现基础设施负性事件平均CAR≈−7.6%，监管负性事件平均CAR≈−11.1%，两类差异不显著（Δ=+3.6pp，p=0.81），但伴随研究显示基础设施事件对条件方差的冲击约为监管事件的5.7倍，表明市场通过风险（第二矩）而非期望收益对两类冲击进行区分 [page::0][page::6][page::13].

The Extremity Premium — Sentiment Regimes and Adverse Selection in Cryptocurrency Markets

Using the Crypto Fear & Greed Index and Bitcoin (and ETH) market data, the paper documents an "extremity premium": extreme sentiment regimes (extreme greed or extreme fear) are associated with materially higher uncertainty and wider estimated spreads than neutral regimes, an effect that survives multiple robustness checks including within-volatility-quintile stratification and cross-asset replication [page::0][page::14][page::28].

AI and Worker Well-Being: Differential Impacts Across Generational Cohorts and Genders

本文基于OECD 7国工人微观调查，检验工作中使用AI与三类主观福祉（心理健康、工作愉悦度、身体健康与安全）之间的关联，发现AI使用者更可能报告改善，幅度在约7.9%–19.7%之间，且效应在代际与性别间显著不同（例如：Y世代在三方面均显著受益；Z世代主要在工作愉悦上有显著提升）[page::5][page::10][page::14]. 本研究为AI对非金钱性劳动力成果的跨国微观证据，并指出政策应关注职业阶段、技能与任务匹配以实现包容性AI采用[page::5][page::17].

Optimal Reinsurance under Endogenous Default and Background Risk

本文建立一周期效用极大化框架，考虑再保险人储备的背景风险 S 与当期内生违约（当约定给付超过可用准备金时发生），在期望价值计价下通过“固定保险费→求局部最优合同→对保险费优化”的两步法得到解析/半解析的最优再保险合同；主要结论为：允许以 S 为参照的合同时，全球最优为单一免赔+保额上限的默认无违约合同；若合同只依赖损失 X（且 S 为离散、与 X 独立），最优合同呈多层结构并可能引发违约 [page::0][page::11].

Large and Deep Factor Models

本文提出Portfolio Tangent Kernel（PTK）：在深度神经网络（DNN）训练构建SDF时，将“发现特征（what to price）”与“定价规则（how to price）”严格分离。PTK把网络学到的梯度特征映射为一个大规模特征管理因子集合，并给出闭式线性定价表示（LFM），在样本外能显著优于原始DNN和强随机特征基准；同时，PTK的谱复杂度自21世纪初以来显著上升（约6倍），这提高了隐含正则化并限制有限样本下的可学性能 [page::0][page::4][page::38].

Data-Driven Merton’s Strategies via Policy Randomization

本文提出在不知晓模型原语的情形下，通过设计一类特殊高斯随机策略的辅助问题，将连续时间强化学习（actor-critic）用于求解不完全市场中的Merton效用最大化问题，证明辅助问题最优高斯策略的均值等于原始问题的最优策略，并给出收敛性、温度参数（λ）对偏差-方差权衡的理论分析；数值与实证结果显示所述RL算法在有/无模型误差及有限样本情形下均显著优于传统plug-in与ERM方法 [page::0][page::9][page::15][page::21][page::25].

Market-Based Probability of Stock Returns

本文提出以交易价值与交易量的随机性为出发点，推导出“市场基准（market-based）”的收益率均值与方差，并证明当交易量不恒定时，传统基于价格时间序列的频率式估计会低估或错判收益的统计特性；此外给出考虑时间位移τ的收益方差表达式，并指出收益-成交量的直接相关性为零，应以收益与成交量平方的协动来衡量二者的统计依赖性，为宏观与大模型的校准提供了替代性度量建议 [page::0][page::6][page::15]

Constrained Portfolio Optimization via Quantum Approximate Optimization Algorithm (QAOA) with XY-Mixers and Trotterized Initialization: A Hybrid Approach for Direct Indexing

本研究提出一种面向“直接指数化”与严格基数约束（K-of-N）问题的约束保持 QAOA-XY 框架：以 Dicke 态初始化进入恰为 K 的子空间，使用完整图 XY-mixer 保持哈明权不变，并以 trotter 化线性参数铺排缓解 Barren-Plateau，从而避免惩罚项扭曲能量面。基于 10 只美股（2025 年月度滚动回测，180 日回溯，交易成本 5bp×turnover）进行的对比实验显示，QAOA-XY 在净化交易成本后实现了 30.09% 的总收益与 1.81 的 Sharpe，比 Simulated Annealing（24.17%、1.31）和 HRP（10.88%、0.98）显著更优，但伴随更高的月均换手率 76.8%，提示在实务中需权衡换手与实施成本 [page::4][page::6][page::7]

Evaluating LLMs in Finance Requires Explicit Bias Consideration

本文指出金融场景下对大语言模型(LLM)的评估普遍忽视五类结构性偏误（前瞻/存活/叙事/目标/成本），并提出“结构有效性框架”及可检验的五项检查（时间消毒、动态样本空间、理由稳健性、置信校准、现实成本）以保证回测结果具备部署证据 [page::0][page::5]

Pareto and Bowley Reinsurance Games in Peer-to-Peer Insurance

本文提出一个包含计划管理人和再保人两层的P2P（点对点）再保险框架，分别给出Pareto（JP-optimal）与Bowley（领袖-跟随）两类博弈契约的封闭形式解，并分析了载荷（safety loading）选择、联盟稳定性与个体理性约束的充要条件；证明了Bowley解从不属于JP最优且通常导致较低的总体福利；数值案例展示再保险层能提高福利、单一载荷限制对高风险成员更有利，并研究了再保人风险厌恶对再保险转移与福利的影响 [page::0][page::3][page::13][page::17][page::19]

Predicting the success of new crypto-tokens: the Pump.fun case

本文基于2025年9月整月的全链数据，研究了Solana上Launchpad平台Pump.fun中代币“毕业”（迁移到真实AMM）的决定因素，构建并估计了以虚拟Bonding-curve上锁SOL(vSol)为基准的条件毕业概率曲线，并展示将交易速率、机器人占比、历史胜利交易者与高产创作者等行为微观变量加入条件集合能显著提升预测力，同时披露了常见的预毕业集中抛售（dump）机制对毕业路径的破坏性影响 [page::2][page::26]。

The unintended effects of universalizing social pensions: Evidence from Mexico

本文评估2019年墨西哥社会养老金（PAM）普遍化改革的因果影响，利用ENIGH重复横截面数据与三重差分（DDD）设计区分资格扩展与补贴提高的效应，发现普遍化显著提高参保率但并未降低总体贫困，且在2024年观测到极端贫困小幅上升，这主要由底层老年人劳动退出导致，表明普遍化在减少行政排除的同时可能稀释再分配效果并引发不利行为反应 [page::0][page::2][page::10][page::11][page::12][page::20]

A-H Premium and the Shanghai-Hong Kong Stock Connect

本研究使用2011年1月至2019年5月67家沪市A-H双重上市公司月度数据，基于双步系统GMM动态面板估计，发现上海—香港股票互联互通（SHHK）实施后A-H溢价平均上升约18.4%，且该效应在低效率市场中更强、在高效率市场中减弱；公告阶段未观察到显著反应，且一系列稳健性与安慰剂检验支持效率依赖性结论 [page::0][page::5][page::8][page::14]

FactorMiner: A Self-Evolving Agent with Skills and Experience Memory for Financial Alpha Discovery

本文提出 FactorMiner——一种将可执行“因子挖掘技能”与结构化经验记忆相结合的自演化代理，采用Ralph Loop（检索-生成-评估-蒸馏）循环，利用记忆先验引导因子搜索以降低冗余并提高发现效率；在A股与加密市场上构建了110个可解释公式因子库，展示出较高的IC/ICIR与受控的因子间相关性，且在有记忆/无记忆消融中证明记忆显著提升高质量因子产出 [page::0][page::5][page::6]

Information-Theoretic Approach to Financial Market Modelling

本文将金融市场视为信息传输系统，基于四条信息论假设（A1–A4）通过极小化 surprisal 与 Kullback–Leibler 散度，导出仅含一参数的最简市场模型（MMM），并证明在该模型下归一化因子为 CIR（或 SROU）过程，因子及其和以及股票的 GOP 在相应活动时间内演化为平方径向 Ornstein–Uhlenbeck（SROU）过程 [page::2][page::13][page::19]。在该框架下提出的 benchmark-neutral（以GOP为基准）定价方法无需额外估计 net risk-adjusted return，从而实现对多类或长期（极端到期）债券的极高精度对冲，实证示例表明对冲误差极小（图4.3）[page::16][page::23]。