arXiv 量化金融（q-fin）。
说明在相同可接受性约束下衡量学习型单调时间聚合
简介本文研究风险监管要求的单调评分模型：评分需随每个暴露输入单调不减。作者用经典风险统计量（指数加权移动平均与高水位线）构造循环网络，并在双方都满足该约束的前提下，比较学习聚合与人工设计聚合的表现。结果显示，在可分离统计量族内二者可相互替代，学习通道在样本充足时不逊色；但在连续性、时间定位和暴露下限等方面存在局限，且各基线在不同维度上各有优劣。
说明Stock-JEPA：面向股票市场、以先验为锚的潜在修正表示学习
简介该论文提出 Stock-JEPA 框架，用于从低信噪比的股票金融数据中学习表示。它先用一个低复杂度金融模型生成描述多周期收益与风险的统计量作为先验锚点，再训练一个基于历史上下文的修正预测器，学习相对该锚点的可预测增量。在中国与美国大规模股票市场上，作者称其在 5 项关键指标上优于 13 个强基线。
说明在支撑位买入：多偏斜布朗运动下的入场问题
简介本文研究在价格服从带有支撑位和阻力位偏斜水平的几何多偏斜布朗运动时，何时买入股票并随后以最优方式卖出。买入的收益由配套论文中求解的清算问题给出的退出溢价决定。结果表明，买入只在价格被推高的水平上才是最优的，入场问题因此化为一个有限问题。在只有一个支撑位和一个阻力位的情形下，最优策略是恰好在支撑位买入，并给出了显式价值。
说明AlphaPADI：基于因子池感知分层离散扩散的公式化Alpha发现方法
简介该论文研究用于预测股票横截面收益的符号化量化因子（alpha）的自动发现。作者提出AlphaPADI框架，包含语法约束的缓冲区初始化、因子池感知的分层扩散以及奖励引导的池精炼三部分，同时考虑预测性能与因子间多样性。原文称，在中国和美国股票市场的实验中，该方法在预测与组合表现上均优于所评估的基线方法。
