本周在中东地缘局势的反复中，作者坚持尾部风险正在下降的判断，霍尔木兹海峡有望在多方参与下恢复有序通航，从而压低油价与通胀预期，提升全球风险偏好。报告给出超配A股、美股、德股、日股及工业金属的策略建议，并指出国债在配置中的性价比提升，黄金具备长期对冲价值，原油则维持低配逻辑。整体强调宏观不确定性仍存，但对核心资产的风险偏好在边际修复中回落至更具内生性的水平，此为核心驱动因素之一 [page::1]
本报告基于美国、日本滞涨期消费品行业的价格与收入韧性数据，分析必选消费龙头在通胀环境下的定价能力、渠道掌控力与现金流修复，强调温和通胀与成本传导条件下的结构性机会，提出聚焦具备顺价能力与产品矩阵的龙头以实现投资组合的阶段性修复。结合欧洲热浪对空调出口的利好与国补政策的推动，对家电、食品饮料等板块给出投资逻辑与风险提示，强调估值回落后结构性机会的潜在空间与需关注的风险点 [page::0][page::1]
本报告基于一周市场表现与微盘股轮动模型，判断轮动策略已切换至茅指数以寻求相对收益与风险折中。宏观与行业景气指向AI硬件、半导体及相关材料的结构性重估，因子层面呈现成长向质量/稳定性切换趋势，提示在中报披露期以业绩支撑的配置更稳健，风险源包括地缘政治、通胀与政策变化，需持续监控相对净值、动量及中期风险指标。[page::0][page::1][page::3]
本期点评聚焦碳酸锂期货的强劲反弹及驱动因素。碳酸锂主力合约午后收涨8.36%，报163360元/吨，核心来自供给端利空出尽以及需求端排产提升的基本面支撑，市场情绪自悲观转为修复；7月铁锂排产53.3万吨、环比增7%，三元排产11.2万吨、环比增0.4%，8月磷酸铁锂正极排产将持续增长，新增产能投产与爬坡放量成为关键动力。展望后市，淡季下下游排产带来下方支撑，上方空间将受供应增量释放约束，需关注海外矿发运节奏、后续复产进展及需求增速的持续性。[page::1][page::2]
<paper_abstract>本报告提出以机器学习观点生成并结合 Black-Litterman 框架进行组合优化，构建以固收+为核心的动态资产配置模型，聚焦债券、权益、可转债与现金四类代理资产，利用观点置信度与60个月滚动协方差实现权重调整。样本内外回测结果显示，ML-BL 策略在预测期内年化收益6.26%、夏普2.25，显著优于固定配置5.98%、2.09；与真实固收+产品对比，ML-BL 的收益水平及风险特征处于可比区间。研究还指出权益观点贡献度高于转债观点，BL 框架本身对超额收益的贡献在当前设定下有限，需通过扩展样本与特征进行验证与改进。该研究为固收+资产配置提供以机器学习驱动的观点整合与动态优化路径，具有一定的配置研究参考价值。[page::0]
本报告聚焦2026年下半年全球与国内宏观与大类资产展望，核心结论是：美经济在2026H2仍具韧性，实际GDP增速约2.1%，通胀中枢偏高但具边际回落趋势，货币政策将维持“观望-谨慎”的局面，市场对短期再次加息的预期偏激进。美债期限溢价可能居高，金融条件边际收紧。国内方面，经济进入K型分化阶段，地产回落拖累内需，但科技、出口及财政结构性改革将成为中长期增量动力，AI资本开支引领新周期。对大类资产而言，重在结构性配置，抓住AI相关景气与产业升级带来的收益，同时警惕政策边际调整与全球流动性波动。[page::0][page::1][page::2][page::3]
本报告对2026年下半年黑色系行情进行系统展望，核心结论是供给端分化与需求韧性共振将使价格在低位震荡并伴随阶段性波动，同时需关注分行业的出口与基建投资结构性调整所带来的冲击，以及钢材、铁矿石、动力煤等板块的分化机会与风险要点，形成对未来交易节奏的策略指引与风险控制建议 [page::0][page::2][page::3]
本报告提出并评估 KineticSim，一种轻量级、面向实时市场仿真的 GPU 执行引擎。通过在 thread-block 共享内存中缓存可变状态、使用共享内存原子操作聚合代理行为、以及协作清算实现，显著降低逐步清算的时间复杂度和全局内存带宽需求，并实现跨 S 步的状态持久化。实验结果显示在现代 GPU 上吞吐量可达 5.47×10^10 事件/秒，最大加速相对 CPU（NumPy）可达 3695 倍，且在 53 种配置下保持位级等同性与 0.1% 级别的一致性 [page::1][page::2]
本文主张在草根架构下，通过数字演讲行为（数字内容经私钥签名的有意志的表达）能够在既有版权框架内获得可识别的作者身份、归属与可追溯性，并由此实现数字主权与去中心化自我治理。基于Burrow-Giles v. Sarony、Feist v. Rural等传统版权先例，以及17 U.S.C. §102(a)的固定性要求，数字演讲行为符合版权性条件；其在草根网络中的“签名即署名、不可分离、溯源完整性”等设计，使得版权与物理控制在个人层面实现合一，从而推动对数字表达的分散所有权与民主参与。该论证还讨论了现实挑战与跨境执法、证据认证、以及对监管模式的潜在影响与政策含义 [page::0]
本研究将可微分映射的函数输入神经网络的普适逼近理论推广到包含导数的情形。通过证明带权 Nachbin 定理，获得在权重化输入流形上的全局近似能力，超越了传统只在紧子集上的近似，并适用于高阶导数。该结果支持对非前瞻函数量的近似，包括水平和垂直导数，并给出线性签名函数可近似路径空间函数及其导数的应用。本文还建立了在无限维输入输出上的 UAT，并将其应用于非前瞻函数以及线性函数的签名。 [page::1]
本研究通过把公开监管披露的机构房东集中度(CLC)与Zillow Observed Rent Index (ZORI)租金指数结合，检验2019-2023年间CLC是否与租金增长相关，并考察在多数族裔社区中的异质性。结果显示，CLC翻倍与租金增长约多出2.8个百分点，且在 majority-minority街区的效应显著更强；同一区域内高CLC的 minority街区较白人街区的租金增速更高，差异约为5.9个百分点；以XGBoost预测并结合SHAP分析，CLC对 minority街区的贡献为正、对白人街区为负。本文提出AHBI等新指标，指出ACS 5年估计不足以捕捉短期租金波动，交易性数据如ZORI更具捕捉能力。以上结论在OLS互动、 metro FE、以及非参数的SHAP分析中得到一致性验证，构成对算法化租金定价在有色社区中的分布性影响的首批区级证据 [page::1][page::13][page::14][page::17][page::20]
本研究首次在 CNIPA 发明专利全集范围内量化中国创新对国际科学的依赖性，并建立将专利与 OpenAlex 科学论文通过共同科学短语连接的完整数据集。结果显示，中国创造的科学文本在专利中的占比从2000年的1%提升至2025年的26%，并在2021年超过美国的相关份额，表明自给自足正在增强，且在高质量与高细粒度知识层面持续扩大。这一趋势通过两条主要推动力：对旧海外源头短语的扩散，以及在中国本土源起的新短语，意味着在未来对外知识出口限制的政策空间正在缩小。全球关键技术领域的分析也显示，中国在半导体、人工智能、先进通信、数据管理与安全、能源、机器人与制造等领域的自给自足显著提升，除 Biotechnology、Quantum Technology 与 High Performance Computing 外，其他领域均见自给自足提升的趋势。以上结论经过对高影响力期刊、短语组合、跨大型机构分析以及对 CNIPA–USPTO 的跨文件对照等鲁棒性检验，支持对美国创新政策提出挑战。 [page::1]
本研究提出一种月度多部门默认计数的动态低秩状态空间模型，探究月度数据经时间粗粒化后所产生的年尺度依赖结构。通过将月度相关矩阵的前两特征向量设为固定载荷方向，并以AR(1)潜在因子与Binomial观测层耦合，得到月度后验概率路径，并通过生存聚合映射形成年维度的部门默认概率向量与年计数分布，从而推导出年尺度的相关矩阵、特征值谱及后验隐含的秩Copula。实证结果显示，市场-宏观风险与行业轮动构成的两因子模型能较好再现年尺度的主导相关性放大和密度峰值对齐，并在年预测中提升区间覆盖率及CRPS；就分行业分布而言，一因子模型在对数得分方面具有竞争力，而两因子模型在分行业校准方面有明显改进。此框架强调，年尺度依赖是由月度低秩动态结合时间聚合所共同产生的可预测对象，提供了一个尺度一致的动态Copula生成器用于风险评估与压力测试。[page::6][page::8][page::12][page::15][page::22]
本文在 Lean 4 之上、基于 Mathlib 与 BrownianMotion 包，对 Brownian motion 的 Itô 积分及 Itô 公式进行了机器可检验化的正式化工作。在区间 [0, T] 上，Itô 积分被构造成一个希尔伯特空间同构，通过可预测矩形 π 系统与简单自适应过程的密度论联系起来，最终延展为自洽的 L2 积分映射。作为一个随机过程，Itô 积分构成一个连续的 L2 Martingale，其核心结构恒等式是：对任意 t，(φ • B)t 等于其终值在 Ft 上的条件期望投影；由此得到自适应性、马尔科夫性、收缩性界以及端点与随时间的 Itô 等距性等推论。对于有界导数的 C3 函数，本文给出离散到连续的推导路径，并证明时间相关形式 df = fx dB + ( ft + 12 fxx) dt 的 Itô 公式，且给出明确的 L2 误差界限。随后再从 L2 理论自然过渡到路径意义，得到 Itô 积分的几乎处处连续修改及其在空集外的全局局部鞘表示，最终将有界区间的结果拼接到半直线上的连续局部鞘对象，使之成为经典理论中的全局对象。文中称这是首个在任意证明助手中完成的 Itô 积分与 Itô 公式的机器可检验化工作，且首次达到路径连续的局部鞘形式，明确给出发展边界：区间 [0, T] 的 L2 积分与有界导数的 Itô 公式；对无界导数、Beyond Brownian 的积分对象以及 filtration 的右连续性等未覆盖。整部工作约 7,900 行 Lean 代码，26 个模块，所有定理无困惑性错误，且所有头部结果的公理均由工具链强制对齐至 Mathlib 的经典默认值，并可从固定工具链复现。[page::1]
本论文扩展 Atmaz (2022) 的回报外推框架，引入饱和与损失厌恶的双重行为特征，给出一个非线性非对称的外推函数 f(Xt)，并在 CRRA 投资者的最优投资组合中分解为三部分：情绪扭曲的即时需求、方差对冲需求与情绪对冲需求。通过两种数值解法（ADI-PI、PINN-PI）验证解的稳健性，结果显示饱和性在同等原点斜率下对福利损失起到内生纠错作用，且损失随 θ 与 β 增大而上升，部分由 λ 的饱和引导的修正效应降低极端状态下的风险暴露。该模型解释了若干行为金融中的异常现象，如对损失的放大响应、极端状态下的边际反应减弱、交易量的超额波动等。中心发现是饱和性可作为一种内生纠错机制，使非线性外推在极端状态下的福利损失小于线性外推的等效斜率情形。 [page::1]
本文介绍在 Lean 4 框架下、基于 Mathlib 与 BrownianMotion 的形式化金融学库，覆盖连续时间随机微积分、无套利定价、风险中性测度推导、以及广泛的应用层次（期权定价、二项模型、固定收益、投资组合、风险度量等十一大领域），并实现了超过两百条无错假设的定理与严格的信度审计。核心贡献在于（1）构造连续的 Itô 积分并证明其为有界线性同构、（2）从静态 Girsanov 变换出发推导风险中性测度、（3）以可审核的分层分类确保每个定理的数学来源与依赖清晰可追溯，从而实现对经典金融学的“证据化统一”而非提出新金融定理。该库强调方法学与基础设施的可复用性，提供一个可扩展且可验证的金融理论基底。 [page::1]
本论文从丹麦失能保险（loss of earning capacity）的风险环境出发，系统梳理公共福利、保险覆盖与个人数据之间的互动，以及现有建模、定价与储备方法在现实情境中的适用性。通过对 Alex 与 Charlie 两个典型案例的深入分析，揭示信息报告延迟、理赔裁定过程、以及与公共福利扣减规则对现金流与储备规模的影响。此外，文章比较了非寿险单独储备、聚合模型与多状态个体储备的优劣，提出在信息延迟与回溯支付情形下对储备时点性的强需考量，并讨论以因果推断评估预防措施的可行性及在高风险群体中的潜在效应。作者强调数据可得性与隐私法规对研究的制约，同时呼吁将 actuarial science 与数据分析结合，推动以数据驱动的社会福利与个人福祉的综合解决方案。最后，指出耦合公共福利与保险设计是未来研究的关键方向，需在实践中强化防范与数据驱动的风险管理。 [page::1][page::2]
本研究提出将股票以市值排名作为输入表示来进行统计套利，证明在排名空间中使用深度神经网络进行残差投资组合的学习相较于名称空间具有更鲁棒的市场表征与更强的残差均值回归，从而显著提升学习效率与盈利能力。基于美国市场数据，rank space 的 DNN 投资组合在2007-2022年间实现平均年化收益约35.68%、夏普比率约3.28（扣除交易成本2bp），显著领先名称空间的结果。该研究还显示在排序空间中利用灵活杠杆与回撤管理的潜力，以及因交易成本带来的挑战，强调领域知识驱动的数据转换在金融深度学习中的重要性 [page::1]
本研究系统分析在无限扩张风险池条件下，线性风险共担下的风险溢价的渐近行为，涵盖以法则不变性表示的鲁棒期望效用及Rank-依赖偏好（RDU）的情形。结果指出：若偏好接近经典期望效用且对初始财富的变动敏感度较高，则风险溢价的收敛速率可达到线性级别n；若偏好包含鲁棒性考量，收敛速率通常降为n的平方根阶（n^{1/2}），同时线性风险分摊规则在Pareto最优性方面给出充分条件。本研究不仅适用于同质风险，也容许异质风险并在独立性、LLN与CLT等条件下给出Actuarial pricing等实际应用的启示与界限。 [page::1]
Using 380 trillion tokens of realized AI consumption across more than four hundred large language models from the licensed OpenRouter dataset, covering roughly 2% of global monthly AI token consumption, this paper analyzes how AI affects firms, markets, and workers [page::0]. We construct the AI Factor from growth in tokens, dollars, and users, estimate firm-level AI Betas from stock-return comovement, and characterize the AI Premium [page::1]. First, we build a high-frequency AI factor and decompose it into salient components: frontier closed-source vs open-weight models, core vs new users, seasoned vs casual users, long vs short prompts, prompt-content categories, and agentic vs ordinary requests [page::1]. The AI factor shows uneven diffusion with token consumption concentrated in programming, technology, and sciences, and an agentic share rising from negligible to more than half of total AI consumption by 2026 [page::1][page::2][page::4]. Second, firms with higher AI betas earn higher subsequent returns; the value-weighted long-short AI-beta portfolio yields 64.1 basis points per week, with robust alphas after FF5 and momentum adjustments; robustness checks indicate the premium prices exposure to realized AI consumption rather than to technology stocks or AI-themed attention [page::3][page::11]. Third, the AI premium extends beyond technology into consumer-facing and capital-heavy sectors but is absent in emerging markets including China; developed markets near the frontier show larger premia [page::16]. Fourth, AI exposure is higher for nonroutine interactive work and social skills and lower for analytical/scientific/operations-control skills (0.36 standard deviations for interaction and communication), with early evidence of the rise of the agentic economy [page::4][page::26]. These findings collectively imply a sizeable, heterogeneous AI premium with meaningful implications for asset pricing and the allocation of economic gains from AI adoption [page::0][page::16].
