同一份新闻，两个阶段，差二十一个百分点：期权智能体的反噬
arXiv 2610.10407，10 月 7 日 16:55 UTC 提交，96 KB，NeurIPS 2026 Agenthon Workshop 录用。作者两人，Yizhen Xie 与 Mengyang Liu。
📉 十八点三和负二点七：一条新闻在强化学习里帮了倒忙
同一份新闻，在两个阶段里值 21 个百分点。
arXiv 2610.10407，10 月 7 日 16:55 UTC 提交，96 KB，NeurIPS 2026 Agenthon Workshop 录用。作者两人，Yizhen Xie 与 Mengyang Liu。
论文在美股九只大盘股加 SPY 的期权上做智能体交易，六个月样本外总收益 18.3%，夏普 1.60，最大回撤 8.96%。摘要里紧跟一句：保留新闻输入会让样本外收益从 18.3% 掉到 -2.7%。
🧾 三个数字摆在一起看
| 配置 | 样本外总收益 |
|---|---|
| 完整 SOTA | 18.3% |
| 强化学习阶段保留新闻 | -2.7% |
| 差值 | 21 个百分点 |
🏗️ 期权的麻烦在于合约数量
一只股票可以挂几千张合约。智能体要同时决定两件事：交易哪几张，以及怎么把它们组合起来。已有做法大多绕开这个复杂度，办法是把策略限制成固定结构，比如一个跨式 straddles，代价是市场条件变化时没法换策略。
SOTA 的处理是把大期权宇宙抽象成策略级决策，交给确定性 resolver 去做组合实现。底座是 Qwen3.8-27B，先监督微调再强化学习。对照组是规则式和机器学习的策略选择器，在同一个交易环境里跑。
🧩 那个不对称才是论文最硬的发现
新闻在监督微调阶段是有用的，它让前沿教师产出的轨迹更好。保留到强化学习阶段就翻转了。
【推论】机制上讲得通。强化学习阶段模型在优化策略本身，新闻里的措辞波动成了奖励信号的噪声源，模型开始拟合「新闻语气」而不是「策略优劣」。但这是作者的框架，不是论文用实验分离出的因果结论。
要读出这条结论得接受几个前提。样本外区间的具体起止日期摘要未给。交易成本假设摘要未给。滑点模型、手续费与保证金设置同样未给。基准与对照策略的具体参数摘要未给。「同一交易环境」是论文自己的表述。
💡 为什么新闻会在这里反噬
信源与限定：全部数字取自 arXiv 2610.10407 摘要，v1 预印本，未经同行评审。未读正文，因此以下均未取到：九只股票名单、Qwen3.8-27B 的基座版本、策略集合的规模、交易成本假设、Sharpe 的计算口径，以及最大回撤的统计窗口。18.3% 与 -2.7% 是论文自报，无第三方复现。arXiv 分类为 cs.AI 与 cs.LG，交叉 q-fin.PM 与 q-fin.TR。
一句话：这条论文的价值不在 18.3%，在提醒所有做金融智能体的人：哪些输入放在微调里有用，取决于你把它放进了哪一格。