排序排得像，换股票就不像

排序排得像，换股票就不像

让大模型给一百只股票排个序，做这件事本身不难，难的是回答后面那一问：这个排序能不能变成一条能拿去交易的规则。

10 月 1 日早上七点十九分，Shuai Wu、Xue Li、Zhijun Wang 等七个人交了一篇计算审计（arXiv:2610.01213，45.8 MB 的大文件）。他们在做的事，是把语言模型的排序剥到只剩骨架，然后看骨架里还剩多少东西。

答案是：整体轮廓留下了，具体到个股进出就没了。

怎么剥的

审计的骨架是四个模型加五个数值对照方法，共用同一个组合引擎，跑 72 个按月划分的持有期，覆盖上证 50、沪深 300 与中证 500 三个指数池。排序用九个特征。上证 50 上重复跑了五次，测的是同样输入下的波动。

剥法是：先在开发期把模型偏好拟合成线性规则，然后把规则冻结，再去做未见月、更大池与受控干预这三组测试。

对照的量是两套。相对零变化预测的排序变化误差，在十二组归档特征组比较与八组匹配单特征比较里更低，Holm 校正分成九加三与六加两个族做。

三个数放在一起看

第一行和第三行之间的落差就是这篇的全部。前者说的是两个模型对一百只股票的整体偏好有多像，后者说的是两个模型对某只股票该不该进出的判断有多像。

1.0 的 Jaccard 意味着每次进出都完全一致。0.125 意味着八次里只对上一次。

【直引】论文自己用的词是，预测个股进出依然弱。整体排序可以用紧凑规则近似，收益结论则依赖比较族、不确定性方法与并列处理方式。

收益那一半

历史均值上，模型口径的复合年增长率在 6.26% 到 11.17% 之间。数字体面。

交易成本这一栏就没那么好看。单边 10 个基点、六个月分块的情况下，十二组比较的模型减规则收益族与因子控制后的关联，校正之后没有任何显著发现。

有三组高成本、十二个月分块的比较，在各自的十二个测试切片里偏向一条叫 Terra 的规则。但放回完整的 144 项敏感性网格，校正之后依然没有显著结果。

两批输入干预测试合计 5184 次响应。三模型那一批在主分块长度上没有 bootstrap 校正后的发现；Luna 那一行在异方差与自相关一致（HAC）校正下、在其三测试族内出现了一个行序效应，但放到合并的 24 项校正里就没了。

【判断】行序效应是这一堆统计里唯一值得单拎出来的东西。模型看到的行序不同，给出的排序就不一样，而这件事在它自己的三测试族里是显著的。这不是收益泄漏，是模型对输入格式的敏感，属于另一类问题。

它和另外两篇拼起来是什么图

量化方向这两周有三篇东西指向同一个位置。

前两篇讲成本与噪声，这一篇讲结构。三篇的共同底色是：回测里的那条曲线由分母决定，而分母被反复低估。

有个数字可以自己算。144 项敏感性网格里，三个高成本比较各自在十二项切片里偏向 Terra。十二除以 144 是百分之八。这是未经校正的命中率，Holm 校正之后归零。

【直引】论文的结论句写得很克制：紧凑规则能近似整体排序；收益结论取决于比较族、不确定性与并列优先级。

四个必须标出来的限定

• arXiv v1 预印本，45.8 MB，未经同行评审
• 72 个月的历史区间约 2019 年中到 2025 年中，市场结构并非恒定
• 10 个基点单边成本是一个假设值，论文把它当主口径
• Terra 与 Luna 是论文里规则的代号，未见完整规则定义

【推论】这篇的方法论价值高于它的结论价值。四个模型与五个对照，共用一套引擎，三组冻结后测试，144 项敏感性网格，两个多重校正族，这一整套是把 LLM 排序类论文的常见漏洞逐个堵上的做法。别的团队做同类选题，这套模板可以直接借。

对交易的现实含义反而是负面的。整体偏好稳定，落到个股就是噪声，那么可用的部分只剩下粗粒度的行业或风格暴露，而那一层不需要四个语言模型来排。

参考来源

• arXiv:2610.01213，Shuai Wu 等七人，2026-10-01 提交
• ML-Quant 2026-10-02 第 133 期对量化研究文献的筛选结果
• arXiv:2610.01325 PPO-HRAP 作为单窗口单资产对照，2026-10-01 提交