2026-10-07A+++Review of Economic Studies
1. 加成率真的过高吗？竞争、策略性创新与产业动态
Are Markups Too High? Competition, Strategic Innovation, and Industry Dynamics
方向关联创新方向——熊彼特增长与寡头竞争的统一建模，方法论体量大；结论可折算为竞争政策含义。
摘要
为研究竞争、创新及其交互产生的产业动态，本文构建了一个新的寡头一般均衡熊彼特增长模型，把内生增长、寡头竞争与动态产业组织三支文献统一在一个框架内。每个行业中，内生决定数量的若干大企业（“超级明星”）按古诺方式竞争，加上一组构成竞争性边缘的小企业连续统。企业在知晓对手选择的前提下动态选择创新策略，进出内生。该模型与 1970 年代以来美国宏观趋势一致：少数超级明星主导行业，加成率、市场集中度、利润与研发支出上升，企业活力、生产率增长与劳动份额下降；并复刻了行业内与行业间的创新—竞争经验关系。作为应用，作者估计模型以分解美国结构转型的机制效应：平均加成率上升对福利的影响，取决于其背后是创新驱动还是竞争弱化——静态加成率数字本身不足以判断竞争是否受损。
主要贡献
- 方法论体量：内生增长、寡头竞争、动态产业组织三支文献的统一框架，进入退出与策略性创新选择全部内生；
- 数量化分解美国 1970s 以来结构转型的机制贡献，加成率、集中度、劳动份额诸趋势在一个模型内复刻；
- 竞争政策含义：加成率高低不能只看静态数字，需要创新动态视角——反垄断评估的直接参照。
DOI: 10.1093/restud/rdag110 →
2026-10-10A+++Review of Economic Studies
2. 质量规制与竞争：来自药品市场的证据
Quality Regulation and Competition: Evidence from Pharmaceutical Markets
方向关联2024–2026 主线（信息与价格）——质量规制通过解决信息不对称改变需求，透明度主线的干净识别；政策可折算。
摘要
质量规制旨在保证质量并通过降低纵向差异化促进竞争，但也可能对市场结构产生不利影响。本文以药品生物等效性（仿制药的核心质量标准）为背景，利用智利引入生物等效性要求的外生冲击发现：更强的规制使在售药品数量减少 18%、平均支付价格上涨 13%。作者估计药品进入、认证与需求的结构模型，研究药品质量、对仿制药的厌恶与认证成本如何塑造规制的均衡效应。发现质量规制通过解决信息不对称、降低对非品牌仿制药的厌恶，提高了对仿制药的需求，诱使高质量药品替代低质量药品进入。尽管价格更高、企业更少，消费者福利仍上升。文章还比较了最低质量标准与替代性规制设计（含质量信息披露）。
主要贡献
- 识别干净：智利生物等效性引入的准实验，进入—认证—需求结构模型分解机制；
- 反直觉结论：品种减少 18%、价格上涨 13%，福利反而上升——信息不对称的消除压倒了竞争损失；
- 政策设计比较：最低标准 vs 信息披露，规制工具箱的直接参考。
DOI: 10.1093/restud/rdag113 →
2026-11A++Journal of Public Economics
3. 为时已晚还是力度不够？中国全国碳交易的早期证据
Too little too late? Nationwide carbon trading in China
方向关联创新与可持续金融 + 中国制度情境——全球最大碳市场（强度型）的首份实证评估，卫星图像 + 机器学习识别电厂层面响应。
摘要
中国 2021 年启动全国性、基于排放强度（单位产出排放而非总量封顶）的碳市场，覆盖全球最大 CO₂ 排放体。本文依据强度型体系的理论文献，给出首个早期采用者的实证证据。利用卫星图像与机器学习方法得到的电厂层面数据，发现高效率电厂相对低效率电厂发电量与 CO₂ 排放均上升约 5%；按效率分组未发现排放强度出现差异化下降（估计不精确）。以无碳市场的印尼、菲律宾燃煤电厂为对照，中国高效电厂同样增产增排，低效电厂效应小且不显著——高效电厂的增产效应超过了对低效电厂的替代。高效电厂下风向空气质量相对恶化，污染扩散到原本较清洁的地区。
主要贡献
- 首份全国碳市场（强度型）实证评估，方法上用卫星图像 + 机器学习构建电厂层面数据；
- 反直觉发现：碳市场反而刺激高效电厂增产增排，强度型设计的激励扭曲；
- 中国情境直接：对碳市场改革（总量封顶 vs 强度）的政策含义明确。
DOI: 10.1016/j.jpubeco.2026.105798 →
2026-12A+Journal of Financial Stability
4. 言语撼动市场：欧央行行长语气与欧元区银行 CDS 利差
Words that move markets: ECB presidential tone and euro area bank CDS spreads
方向关联信息、不确定性与价格主线——央行沟通的文本情绪进入银行风险定价；文本数据家底对位（股吧文本方法可迁移）。
摘要
本文检验欧央行行长沟通语气是否与欧元区银行风险的市场测度系统相关。用 Loughran–McDonald 词典，基于 2008Q1–2024Q4 行长声明构建季度文本语气与可读性指标，关联各成员国银行 CDS 指数。重点考察不确定性相关与约束性措辞——与金融稳定最相关的沟通维度。面板回归（含宏观金融控制、horse-race 设定）并用主成分分析区分重叠的情绪维度，另做一阶差分稳健性检验。发现：不确定性意味更浓、约束性更强的行长语气对应更高的银行 CDS 利差（控制宏观金融基本面后依然成立）；声明可读性越低，银行压力越大——语气与清晰度都进入银行风险定价；动荡期关联更强。结论支持“情绪引导渠道”：央行沟通被反映在市场感知的银行风险中。
主要贡献
- 文本→定价的直接证据：央行语气这一“软信息”进入 CDS 利差；
- 方法细节：LM 词典 + PCA 分离情绪维度 + 一阶差分，文本金融的标准做法；
- 透明度主线：沟通清晰度本身就是风险因子，政策含义直接。
DOI: 10.1016/j.jfs.2026.101600 →
2026-12A+Journal of Financial Stability
5. 过剩流动性、加密货币收益与经济政策不确定性的调节作用
Excess liquidity, cryptocurrency returns, and the moderating role of economic policy uncertainty
方向关联不确定性与价格主线——流动性驱动的风险承担理论延伸到数字资产；给出硬数字（12.1 个百分点、54% 削弱）。
摘要
本文把 Acharya–Naqvi（2012）流动性驱动风险承担理论延伸到数字资产市场，考察美、中过剩流动性与加密货币收益的关系。用 2019–2024 年十大加密货币月度面板，把过剩流动性与经济政策不确定性（EPU）设为二值状态指标：美国过剩流动性时期平均月收益高 12.1 个百分点；美国 EPU 上升时该溢价被削弱约 54%。中国过剩流动性对应月收益 +9.3 个百分点，但在中国政策不确定性上升时被 −13.8 个百分点的交互效应完全抵消。结论符合“过剩流动性伴随更强加密收益（风险承担与稳定币套利渠道），EPU 上升通过提高风险厌恶、降低套利效率削弱该关系”的解释。提示监管者应监测连通流动性状况与数字资产市场的宏观金融渠道。
主要贡献
- 经典银行理论（Acharya–Naqvi）向数字资产的干净延伸；
- 硬数字：美/中流动性状态的收益溢价与 EPU 的调节幅度；
- 风险与不确定性分开定价：流动性（风险承担）vs EPU（模糊性）的交互正是可交易的风险观。
DOI: 10.1016/j.jfs.2026.101587 →
2026-10-08A+Quantitative Finance
6. 实证银行间网络中的系统性风险：剥离资产负债表效应与网络效应
Systemic risk in empirical interbank networks: disentangling balance sheets and network effects
方向关联2024–2026 主线（系统性风险）——最大熵零模型做反事实，回答“风险来自资产负债表还是网络位置”，网络信息优势的方法论卖点。
摘要
实证银行间网络中观测到的系统性风险，与仅由参与银行资产负债表构成推断的预期风险有何差异？本文用多种传染模型（银行间资产估值函数），在 2005–2012 年 e-MID 网络数据上测度观测到的系统性风险，并与零模型生成的预期风险比较：该零模型是保持银行资产负债表变量与分散化模式、用最大熵方法随机化敞口配置的银行间网络集成。发现：总量上观测与预期风险大体一致，但在动荡期显著偏离——雷曼倒闭后（2009）与欧央行长期再融资操作（VLTRO）实施时（2012）；个体层面，银行常因网络位置而显得比其资产负债表隐含的更安全或更危险。结论：一方面，嵌入合适最大熵框架的资产负债表信息能可靠估计总量系统性风险；另一方面，网络位置在危机时至关重要。
主要贡献
- 方法论卖点：最大熵零模型构造反事实，干净分离“资产负债表”与“网络结构”两类风险源；
- 危机时网络效应凸显：总量一致、危机偏离，个体风险被网络位置重塑；
- 监管含义：宏观审慎不能只看报表，网络拓扑是独立的风险维度。
DOI: 10.1080/14697688.2026.2733398 →
2026-10-07A+Financial Management
7. 网络安全披露强制与跨领域合规溢出
Cybersecurity Disclosure Mandates and Cross‐Domain Compliance Spillovers
方向关联透明度主线——强制披露作为“组织治理冲击”，信息披露的外溢治理价值；识别干净（州法律交错采用）。
摘要
网络安全披露强制是否在目标监管领域之外产生合规溢出？利用美国各州数据泄露通知法（BNL）的交错采用，发现强制泄露披露使企业在非网络领域的联邦监管违规在采用后第一年下降超 5%，效应短暂、随后消退，但横跨多个主要监管领域。截面分析显示，组织能力越强、内控越有效的企业下降越多。经多重识别与敏感性检验稳健。总体证据表明，网络安全披露强制可作为组织治理冲击——在企业具备较强既有合规基础时诱发跨领域合规溢出。
主要贡献
- 披露的治理外溢：信息披露要求→全组织合规文化，透明度主线的增量证据；
- 交错双重差分识别 + 机制截面（组织能力调节）；
- 政策含义：披露规制的收益被系统性低估，只算目标领域会漏掉溢出。
DOI: 10.1111/fima.70072 →
2026-10-06A+Journal of Computational and Graphical Statistics
8. 非结构化缺失下控制错误发现率的共形网络链接预测
Conformal Network Link Prediction with False Discovery Rate Control Under Unstructured Missingness
方向关联机器学习与金融——网络信息优势的方法论工具：分布无关、有限样本保证的链接预测 + FDR 控制；分而治之（局部多重分割恢复可交换性）。
摘要
本文提出在部分观测网络中预测多条缺失链接、同时控制错误发现率（FDR）的新方法——这是网络分析中长期未解决的难题。难点在于复杂依赖与未知缺失模式。作者引入共形链接预测：基于加权图模型的可交换结构、分布无关的程序；用新颖的多重分割策略在局部检验集内恢复可交换性，从而在未知缺失机制下仍保证行方向 FDR 控制；再用基于 e-value 的新聚合方案实现全部缺失链接的整体 FDR 控制，容纳预测间的任意依赖。方法对缺失率无假设，适用于加权/无权、有向/无向/二部网络，具有限样本理论保证。大量模拟与真实数据验证了有效性与稳健性。
主要贡献
- 方法论卖点：conformal + e-value 聚合双创新，分布无关 + 有限样本保证，网络分析的硬骨头；
- 分而治之：局部多重分割恢复可交换性，正中他的建模直觉；
- 金融网络可直接套用：银行间敞口、供应链、持股网络的缺失链接推断。
DOI: 10.1080/10618600.2026.2719794 →
2026-10-05A+++Journal of the Royal Statistical Society Series B: Statistical Methodology
9. 用广义加性密度比模型建模正—未标记数据
Modelling positive and unlabelled data with a generalized additive density ratio model
方向关联机器学习与金融——PU 学习（只有部分正例被标记）的可识别非线性框架；局部建模优于全局（加性结构），与他的方法论直觉同构。
摘要
本文研究正—未标记（PU）数据学习：只有部分正例被标记，其余与负例混杂。经典指数倾斜模型靠线性结构保证可识别，但真实关系非线性时会严重误设。本文提出广义加性密度比框架：保留可识别性，同时允许非线性与特征特异效应；配实用拟合算法与支撑理论，可对混合比例等量做估计与推断。模拟与真实数据表明：线性模型正确时与标准指数倾斜法持平，误设时明显更优。总体在灵活性与可解释性间取得平衡，为 PU 数据的估计、预测与不确定性评估提供原则性工具。
主要贡献
- 可识别性 + 非线性：加性结构同时解决 PU 学习的两个痛点；
- 金融场景直接：欺诈/违约标记数据天然是 PU 结构（观测到的违约 vs 未观测）；
- 理论完整：估计算法 + 渐近推断 + 混合比例，不止点估计。
DOI: 10.1093/jrsssb/qkag130 →
2026-10-07A+++Journal of the Royal Statistical Society Series B: Statistical Methodology
10. 协变量完全缺失下的增强迁移回归学习
Augmented transfer regression learning for completely missing covariates
方向关联机器学习与金融——跨市场/跨数据源的迁移学习：目标总体协变量完全缺失时的双重稳健估计；数据混频/多源对位的中国情境参照。
摘要
UK Biobank、All of Us 等大规模总体数据常缺做特定分析所需的协变量（如基因、生活方式），而相关研究测过它们——形成跨总体的缺失数据问题：协变量在目标总体完全不可观测，而非单一数据集内部分缺失。本文提出增强迁移回归学习：关键识别条件是子总体偏移假设——结果与可观测协变量的联合分布可跨总体不同，但缺失协变量在给定可观测变量下的条件分布不变。方法把逆概率加权估计方程与缺失协变量一、二阶矩的插补项结合，估计量双重稳健（密度比模型或两个插补模型之一正确即一致），n^{1/2} 相合渐近正态，两者都正确时达到半参有效界。
主要贡献
- 双重稳健 + 半参有效：迁移学习在完全缺失协变量下的理论天花板；
- 数据家底对位：多源数据融合（行情/文本/专利）正是他的日常，方法可直接迁移；
- 识别假设弱于常规：只要求条件分布不变，而非联合分布不变。
DOI: 10.1093/jrsssb/qkag131 →