可解释混合信贷评分：低学历用户被“黑箱”决策多出32个百分点
一套“逻辑回归+梯度提升残差校正”的混合信用评分框架，在东非金融包容数据上精度追平黑箱模型，Brier直降46%，却依旧透明可审计。但公平性审计揭开了另一面：农村、低学历、乌干达用户被路由到“黑箱”ML区域的概率，分别比参照组高出18、32、22个百分点。模型没有制造不平等，却悄悄放大了它。
标签：AI金融
共 16 篇
UIUC提出FinATOM：无头token直接炒股，ETF组合夏普1.428→1.529
同样一个因果语言模型，不加回归头、不加策略头，只靠输出token就把三步收益预测和五ETF动态配置全干了；池化净夏普从1.394提到1.494，2025年多模态优势最猛。想看看语言模型怎么绕过"换任务就换头"的套路直接当金融决策接口？这篇值得一读。
量化新范式：给残差上"户口"，净收益13.52%→19.10%
把特征拼一起，就像把所有水果丢进一台榨汁机——最后没人知道哪一口是苹果、哪一口是橙子，更不知道是哪个"果"在犯错。西湖大学这篇新工作干脆给残差上"户口"：先分清谁的错，再动手修。实测同一批特征、同一批树上限，扣费收益从13.52%干到19.10%、夏普1.42→2.09。这份"残差代数"，值得所有做表格学习、量化选股的人细品。
UCL最新框架：给比特币经济做“CT扫描”，BIP政策冲击一眼看穿
币圈老铁都知道，BIP一改，行情乱跳。但你知道每个政策到底影响了哪些人、影响有多大吗？UCL这篇论文，直接给比特币经济装上了“CT机”，把政策冲击看得明明白白。🤚
CIBB 2026：AI伦理也能代码化？都柏林大学提出计算伦理框架
龙哥之前吐槽过，AI伦理大多停留在原则文档阶段，无法落地验证。这篇论文直接上Z3求解器，把伦理规则编译成逻辑公式，跑一个sat/unsat就知道系统有没有违规。用金融心理健康数据做案例，验证了知情同意、公平等约束的机器可检查性。虽然还缺真实数据测试，但方向很正——让伦理不再只是文档，而是可执行的代码。
金融仿真不翻车：CIR弱收敛到O(1/N)
金融模型里最烦的事之一，不是公式长，而是数值一跑就把“正数”跑没了。CIR 这篇就专门盯着这个老问题，把隐式离散方案的弱收敛率补上了严格证明。
ICLR风格新作：扩散模型噪声机制，究竟控制什么？
这篇论文最有意思的地方，不是又造了一个“更重尾”的噪声，而是直接把问题拆成两半：噪声到底能提供什么，去噪器到底决定什么。结论有点扎心，但很值钱——很多时候，噪声看起来很忙，真正干活的却是条件信息。
无卖空约束也能做RL？这篇论文把均值-方差投资学拧回来了
无卖空约束一加上“未知市场参数”，很多传统最优解就开始失灵。本文的聪明之处在于：不去硬碰硬做受限随机化，而是把约束放到均值上，用高斯噪声做训练，最后还能把原问题的最优策略捞回来。
7B蒸馏干翻72B？这篇金融推理新方法有点狠
金融问答最怕什么？不是题难，是模型一本正经地把账算错。本文直接把“自然语言讲道理”换成“可执行程序讲道理”，再用执行验证筛掉假把式，7B学生竟然能把72B教师按在地上摩擦，思路很硬，结果也很硬。
Nature子刊研究：自由派更不想买特斯拉，马斯克形象成关键
电动车本来是减排工具，结果被政治身份和马斯克的公众形象搅成了“品牌站队题”。这篇论文最有意思的地方，不是说谁更爱特斯拉，而是把“自由派为什么更不愿买特斯拉”这件事，用连续五轮调查和真实市场数据串了起来。
Kingston大学新作：RMSE最高降71%
量子机器学习终于不再只会在论文里“秀肌肉”了，这篇工作把量子神经网络塞进时间序列扩散模型，直接拿苹果和亚马逊金融数据开刀。更有意思的是，参数少了三位数，结果还把分布拟合和下游预测一起抬了上去。
一张嵌入管两用：推荐提升1.88%还可解释
这篇论文很实在：不跟你玩虚的，直接把金融网站的点击流拆成“可预测的嵌入”和“人能看懂的意图标签”。更妙的是，LLM 负责起名，小模型负责上生产，速度和效果都没掉链子。
