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。
本期最值得关注的是 Journal of Econometrics 的网络同伴效应研究：在线性均值模型中，带噪声的代理变量可能把同伴效应"放大"而非衰减——识别结论直接对位"网络信息优势"主线，且网络结构本身可辅助识别。另一篇反直觉的必读是 FRL 关于暗池交易与系统性流动性风险：暗池增长显著降低了流动性共同性，不透明反而可能 dampen 流动性冲击的跨市场传导。AI 方向推荐 JAMS 的 RoAI 框架：用"人—流程—能力"三维度评估 AI 投资，并提出"委托判断"机制解释企业间 AI 回报异质性。
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。
Measurement error and peer effects in networks
方向关联信息、不确定性与价格主线·网络信息优势：线性均值模型中同伴效应估计可能被"放大"而非衰减；网络结构本身可辅助识别，无需外部信息
在许多实际应用中，研究者只能获得真实回归元的带噪声代理变量，通常认为这会带来衰减偏误。但在线性均值模型中，估计出的同伴效应反而可能被放大，导致假阳性。本文证明渐近偏误取决于个体特征与网络链接之间的交互，并展示网络结构如何在不依赖额外外部信息的情况下促进识别。基于这些识别结果，本文提出易于实施的一致 GMM 与 2SLS 估计量，并通过蒙特卡洛模拟加以说明。
Iterative distributed multinomial regression
方向关联机器学习与金融·方法论：大选择集多项 logit 的分布式估计——"分而治之"局部计算，在弱占优条件下达到渐近有效
本文为具有大选择集的多项 logit 模型引入一种迭代分布式计算估计量。与极大似然估计量相比，所提的迭代分布式估计量计算速度显著更快，且在以一致估计量初始化并满足弱占优条件时达到渐近有效。此外，本文提出基于该估计量的参数 bootstrap 推断程序并证明其一致性。大量模拟研究验证了方法的有效性，并凸显了其计算效率。
Return on AI (RoAI): A framework for assessing AI investments in the marketing organization
方向关联AI 工具动态/AI×金融再调整：AI 投资的"人—流程—能力"评估框架；"委托判断"机制解释企业间 AI 回报异质性
随着企业把越来越多原本由营销人员执行的活动与决策委托给 AI 系统，AI 正在重塑营销。理解企业从这些投资中实现的价值愈发重要。本文基于营销问责与资源基础理论，构建"AI 投资回报"（RoAI）框架：从使 AI 得以部署与治理的人员、流程与能力三个维度概念化 AI 投资。RoAI 在核算部署全周期全部成本的同时评估增量收益，并考虑价值留存与证据耐久性。框架识别出"委托判断"这一独特后果：AI 在提升当期绩效的同时，侵蚀了营销人员借以发展和维持判断力的经验实践——而这种判断力正是评估与纠偏 AI 所需的。该机制有助于解释 AI 回报在企业间与跨期的异质性。本文提出七个可检验预测，并给出关于价值创造、攫取与维持的研究议程。
Semibandit Learning for Monotone Stochastic Optimization
方向关联组合决策·方法论：单调性把"已知分布优化方法"转化为"未知分布学习算法"；部分/删失反馈下累计 regret 以平方根速率增长（对数因子内最优）
开通新航线的航空公司等不到多年历史数据，就必须决定各票价投放多少座位、如何定价：它们必须在运营中学习，且反馈常常不完整——卖出 30 张经济舱升级座位，无法揭示需求是 30、40 还是更多。本文为这类决策建立通用框架，识别出"单调性"这一基本性质：它能把为已知需求分布设计的优化方法，转化为适用于未知分布的学习算法。框架适用于航空与酒店收益管理、序贯报价定价与最优停止问题。即使在部分、删失或二值反馈下，其累计表现差距也以平方根速率增长——在对数因子内已是最优。企业因此无需为数据收集暂停运营，即可随数据到来持续改进决策。
Insurance and Assurance: Government Interventions and Depositor Behavior in Crisis
方向关联系统性风险/银行：显性存保、国有化隐性担保、私有化后再保证三类干预的存款人反应差异——可信度而非覆盖水平是危机稳定的关键
本文考察不同形式的政府干预——显性存款保险、国有化带来的隐性担保、私有化后再保证的"保证效应"——如何在银行危机中塑造存款人行为。利用月度账户级专有数据，本文发现：即便在广泛的国家支持环境下，存款人仍对法定保险限额作出反应，但调整并不充分；被财务稳健的私人银行接管后的稳定效果，明显强于国有化期间，尽管法定覆盖水平未变。这些模式与"救助预期使显性保险无关紧要"的强观点不一致，而指向可信度是存款人行为的关键决定因素。本文还发现政治信任会放大政府担保的有效性。总体而言，政府兜底的形式与可信度——而非覆盖水平本身——才是危机中零售存款融资稳定的核心。
Reshaping factory Asia: How did the US-China trade war affect the Asian-Pacific supply chain?
方向关联地缘经济碎片化·中国情境：自建产品级投入产出关联，量化贸易战经上游关联对亚太供应链的重塑与福利效应
本文考察中美贸易战如何重塑亚太地区供应链。利用自建的产品级投入产出关联，本文记录三个关键发现：第一，美国加征关税显著减少中国对美出口，并通过上游关联使中国自日本、韩国和台湾的进口下降 6.3%；第二，中美两国均将部分供应链转向东盟、墨西哥和印度，中国对东盟出口上升 6%，由贸易转移与产业迁移共同驱动；第三，定量 Armington 模型显示，东盟、墨西哥、印度等国福利改善，而台湾、韩国等上游供应商受损。若贸易冲突升级为全球关税战，全球贸易将收缩 5%，所有国家福利均受损。结果凸显双边贸易紧张如何触发深远的供应链变迁。
Financial market opacity and systemic liquidity risk
方向关联信息、不确定性与价格主线：暗池交易增长对"流动性共同性"（系统性流动性风险测度）的影响——暗池反而 dampen 流动性冲击的跨市场传导
本文考察股票市场暗池交易增长是否影响"流动性共同性"——系统性流动性风险的关键测度。利用 2014–2020 年 FINRA 暗池月度活动数据与基于多种日度流动性代理构建的 172,229 个公司—月流动性共同性估计，采用混合 OLS、固定效应与工具变量回归，本文发现更高的暗池交易显著降低流动性共同性，在大盘股中尤为明显。本文的贡献在于表明：尽管透明度更低，暗池可能 dampen 流动性冲击的跨市场传导，对系统性流动性风险发挥稳定作用。
Transaction-based machine learning under restricted feature availability for short-term credit distress under a structural shock
方向关联机器学习与金融：仅交易数据（无客户特征）的信用困境 ML 模型在 COVID 结构冲击下样本外 AUC 0.83——"样本外与经济价值是最终裁判"
本文研究仅基于交易数据的短期信用困境机器学习模型，在结构冲击下是否依然有效。利用一家大型欧洲银行的颗粒化日度账户数据，本文基于透支动态的事件级表示构建模型，特征集排除客户层面特征、仅依赖交易数据。在 COVID-19 疫情及相关房贷缓偿期这一严苛的真实压力环境中做样本外评估，完整预测框架在房贷缓偿期的样本外 ROC AUC 达 0.83，表明基于交易的方法在该特定外生政策冲击下保持预测力与可操作性，在银行的验证中优于人工基准。证据仅针对这一种外生政策冲击，并未确立更一般的稳健性。
Media tone and capital market information distortion: Evidence from corporate AI washing
方向关联信息与透明度·中国情境：31785 个中国上市公司样本，负面媒体语调→AI 洗白（象征性合规而非实质技术进步），挑战媒体"看门狗"观
本文考察媒体语调与企业"AI 洗白"之间的关联。基于 2017–2024 年 31,785 个中国上市公司—年观测，本文发现更负面的媒体语调与 AI 洗白正相关。机制检验揭示两条并行路径——认知渠道（管理层短视）与行为渠道（年报语调操纵）。高科技行业与非国有企业中该关联更强。本文发现挑战了媒体"看门狗"的传统观点：负面媒体语调关联的是象征性合规而非实质性技术进步。通过识别媒体语调是 AI 相关信息披露扭曲的驱动因素，本文为信息中介、资本市场效率及媒体对公司披露政策真实效应的金融文献作出贡献。
Scalable signed exponential random graph models under local dependence
方向关联方法论·网络：融合 SBM 与 ERGM 的两步法，处理带正负边的超大规模网络——可对接股吧/社交媒体情绪网络等文本衍生数据
传统网络分析聚焦二值边，而真实关系更为细腻，包含合作、中立与冲突。社交媒体讨论中负边的兴起激发了对符号交互分析的兴趣，尤其在极化辩论中。然而数字网络产生的海量数据给 SBM、ERGM 等传统方法带来挑战：同质性假设与全局依赖在大网络下愈发不现实。本文提出融合 SBM 与 ERGM 优势、通过基于非重叠块的局部依赖规避其弱点的新方法：两步流程——先用 SBM 近似将网络分解为子网，再用 ERGM 方法估计参数。该方法在大型合成网络上验证，并应用于数千编辑的维基符号网络；借助局部依赖，发现了与结构平衡理论一致的模式。
每日一期，期刊分组轮换，一周覆盖全部 369 家刊物。