经济学、金融学、统计学顶刊最新论文，每日 10 篇：中文标题、摘要翻译与主要贡献，按研究方向（机器学习与金融 / 组合决策 / 金融科技与普惠 / 创新与可持续 / 信息·不确定性·价格主线）筛选。
按方法论卖点与经济价值挑出的本期重点。
本期最值得关注：Management Science 的 WTNIC 用网站文本嵌入构建覆盖非上市公司的竞争者网络，中国竞争案例直接点出网络信息优势；JME《创新的长期风险成分》把总量 R&D 冲击定价为约 2%/年的长期风险；同刊《问询函、关联投资者与公司债发行》则揭示中国债市中关联投资者如何把监管问询转化成定价溢价。
每篇含中文标题、方向关联、摘要翻译与主要贡献，点击 DOI 查看原文。
Using Representation Learning and Website Text to Identify Competitor Networks
方向关联机器学习×网络信息——用网站文本嵌入构建覆盖上市与非上市公司的竞争者网络；中国竞争案例直接关联网络信息优势与市场动态。
提出用公司官网文本识别竞争关系的新方法：用表征学习把公司网站内容（侧重行业专属产品与服务信息）编码为嵌入向量，将上市与非上市公司置于同一嵌入空间，构建同行竞争者网络，命名为基于网站文本的网络行业分类（WTNIC）。用多套真实数据集与基准检验网络质量，证明即便使用含噪的网站数据，WTNIC 也能匹敌甚至优于依赖人工整理数据的已有方法。案例研究展示了来自中国的竞争如何影响目标公司的上市与非上市同行，凸显把两类公司放在同一空间的重要性。
The innovation long-run risk component
方向关联创新×资产定价——总量 R&D 冲击是可定价的长期风险，约 2% 年化风险溢价，直接踩在“创新与可持续金融”与“信息、不确定性与价格”主线。
证据表明总量研发（R&D）冲击对宏观动态有持久影响，是投资者面临的重要风险，与“长期风险”文献的预测一致。研究聚焦单一变量“有效 R&D”——它捕捉 R&D 对生产率增长的全部贡献，并灵活计入知识溢出与产品扩散效应。利用 R&D、全要素生产率与劳动力之间协整关系的误差修正项，可实证识别有效 R&D 对均衡水平的偏离。美国数据显示，结构性有效 R&D 冲击在超出商业周期视野上影响生产率与消费增长率，并在股票与债券组合横截面中对应约 2% 的年化风险溢价，现金流敏感性是关键决定因素。
Supply shocks and inflation: Timely insights from financial markets
方向关联信息×价格——用周频通胀挂钩掉期利率实时识别三类供给冲击，全球价值链中断最持久、传导最广；混频识别是方法论卖点。
构建混频模型，实时识别供给冲击对美国通胀的影响。模型分解周频通胀挂钩掉期利率（基于市场的通胀预期）的变动，分离出三类供给冲击——全球价值链中断、能源供给冲击与国内供给约束，并与需求因素区分。研究表明这些冲击造成了疫情后加剧通胀的反馈循环。把周频冲击与月频通胀分项（细化到行业层面）关联后发现：全球价值链中断产生的价格压力最持久、覆盖面最广，而能源与国内供给冲击的影响更短暂，其较窄的通胀效应更易被需求降温的收缩力量抵消。该模型能有效捕捉各类供给侧动态，为更灵敏的货币政策提供及时洞见。
Comment Letters, Connected Investors, and Corporate Bond Issuance
方向关联透明度×关联网络×中国债市——监管问询函瞄准不透明发行人，关联投资者却逆势增持并推高定价；私有信息与关联收益的双重机制，直接踩在“信息、不确定性与价格”主线。
用一套记录中国公司债发行的专有数据，研究发现债券监管部门针对发行人公开披露的问询函总体上瞄准不透明公司，并降低债券发行成功率。但关联投资者——与发行人有既往业务关系的金融机构——购买问询函接收方发行的债券份额相对更大，且这种更积极的参与导致定价过高。进一步分析表明，关联投资者支持问询函接收方，是因为它们拥有更优的私有信息，并从关联关系中获得私人收益。
Did I tell you about this deal? Information bundling of acquisition and earnings news
方向关联信息披露策略×注意力——管理层把并购消息“打包”进盈余电话会以掩盖弱业绩，公告收益低约 130bp；披露时点选择与投资者注意力，直接关联价格发现。
研究在定期盈余电话会中披露的并购（M&A）消息。这类打包披露在文献中较少被研究，而文献多关注专门的并购电话会。打包交易在并购交易中占经济上显著的份额。打包发生在盈余消息疲弱时。打包披露的公告收益低约 130 个基点，且与相对于专门电话会更低的投资者注意力相关。当收购方存在代理问题（如强势 CEO、固化董事会、低机构持股）时更可能打包。在打包电话会中，管理层以乐观语气讨论交易，与电话会其余部分的负面语气形成对比。总体而言，打包似乎是给盈余消息涂脂抹粉的机会主义尝试，分析师对此持怀疑态度。本文对自愿披露文献作出贡献，并为管理层、董事会成员和市场参与者提供重要的实践启示。
Option-implied tail asymmetry and bank mortgage pricing during monetary tightening
方向关联尾部风险×信贷定价——期权市场 25-delta 偏斜提取的尾部不对称，能预测银行按揭利率加成（每标准差约 20–23bp）；期权隐含信息进入家庭信贷定价，是信息优势的定价证据。
股权期权市场是否包含银行如何给家庭信贷定价的信息？用 2018–2025 年贷款层面 HMDA 按揭数据匹配银行股票期权曲面，构建期权隐含尾部不对称测度——25-delta 看跌-看涨偏斜，正交化于平值波动率。在非货币中心上市银行中，事前尾部不对称更高的放贷方在 2022–2024 年紧缩期收取更高的合规按揭利率，每标准差约 20–23 个基点——每位受影响借款人首年多付利息约 330 美元。该效应在紧缩前不存在，随利率企稳而消退，因此作者将其解读为信息性而非因果性。它集中在放贷方保留的贷款上，对出售的贷款可忽略，说明溢价落在自留风险敞口上。同一信号还能预测国际银行面板中五年期 CDS 利差走阔，佐证它捕捉的是银行脆弱性。本文的贡献在于贷款层面的家庭信贷定价联系，而非信号本身。
Peer Effects in Digital Finance Usage and Rural Household Consumption: A Double Machine Learning Approach
方向关联普惠金融×因果方法——CHFS 数据+双重机器学习识别同伴效应，流动性约束与预防性储蓄双机制；中国农村情境显式进入设定。
用中国家庭金融调查（CHFS）数据，构建简化的跨期家庭消费-储蓄模型，用双重机器学习考察数字金融使用中的同伴效应及其对农村家庭消费的影响。结果显示农村家庭数字金融使用存在显著同伴效应；同伴家庭的数字金融使用与目标家庭的消费正相关，在财富更多、受教育程度更高、老龄化程度更低的家庭中更明显。机制分析表明，同伴家庭的数字金融使用与更弱的流动性约束和更低的预防性储蓄动机相关。进一步分析表明，同伴家庭的数字金融使用既关联生存型消费，也关联发展型消费，并拓宽了消费类别参与的广度。研究认为，强化数字金融使用的社会学习效应，对提升农村家庭消费能力、促进农村经济可持续发展至关重要。
When Trade Policy Shocks Hit the Pit: Pricing, Volatility and Speculation in the 2025 Soybean Futures Market
方向关联碎片化×价格发现——2025 年三轮贸易政策冲击的事件研究，关税冲击下期货价格、隐含波动与投机头寸的实时调整；特刊候选。
研究 2025 年重大贸易政策冲击下大豆期货市场的反应。用事件研究框架，分析三轮重大政策冲击前后大豆期货价格、历史波动率、隐含波动率与投机头寸的短期变动：2 月 1 日美国宣布针对中国的关税、4 月 2 日对等关税宣布、9 月 22 日阿根廷临时暂停大豆出口税。覆盖面最广的 4 月对等关税方案反应最清晰、最强：期货价格在两个交易日内下跌约 6%，隐含波动率急升。2 月宣布后，隐含波动率立即上升随后回落，而向下的重新定价直到中国报复性关税生效后才显现，表明不确定性先于对美国出口需求影响的明朗化而上升。阿根廷出口税暂停则仅带来有限的重新定价、隐含波动率随后下降、投机头寸相对商业套保需求有所增加。跨事件比较表明，市场调整的时点与构成随政策事件的范围、直接性与后续演变而异。
The spoils of algorithmic collusion: Profit allocation among asymmetric firms
方向关联AI×市场竞争——独立算法在重复非对称古诺双头市场中自发合谋的模拟证据，算法不对称性改变合谋收益分配；AI 进入市场动态的前沿证据。
研究独立算法在重复非对称古诺双头垄断中合谋的倾向，重点检验各类寡头与讨价还价解对企业不对称性效应的预测能力。结果显示，所有设定下总产量均低于静态纳什水平，且随不对称性上升而增加——消费者与企业都可能从不对称性中受益。在不对称程度低（高）时，模拟产量高于（低于）联合利润最大化产量。静态纳什均衡能准确预测总福利，而讨价还价解（如等相对收益）能更好地刻画向帕累托有效结果的收敛。
Robust Bayesian methods using amortized simulation-based inference
方向关联方法论卖点——把稳健贝叶斯（先验类而非单先验）做到摊销神经模拟推断里，解决似然不可解+先验设定不当的双重难题；样本外与不确定性量化是最终裁判。
贝叶斯模拟推断（SBI）适用于可模拟但似然难以处理（intractable）的统计模型。标准 SBI 在模型误设时表现不佳，近期已有不少针对误设似然的稳健 SBI 改进；但先验设定不当的问题关注较少，而这正是本研究的重点。在常规贝叶斯建模中，专家有限的先验知识往往对应很宽的一类先验分布；只选一个先验可能选错，甚至与似然信息冲突。稳健贝叶斯方法考虑一类先验而非单个先验，可以解决这一问题：对先验类中的每个密度都可计算后验，所得推断的范围能反映后验对先验不精确性的敏感度。本文考虑先验的密度比类，用近期文献中的摊销神经方法实现稳健贝叶斯 SBI；同时讨论检验密度比先验类与似然之间冲突的方法，以及用序贯更新考察不同组概括统计量之间冲突的方法，并通过多个模拟与真实案例展示。
每日一期，期刊分组轮换，一周覆盖全部 369 家刊物。