2025 Q4 季度研究归档¶
总分达到 40 且属于主范围的记录即通过规则审核并公开，不需要额外人工审核。本页不验证作者结论，也不构成投资建议。
- 覆盖期间：2025-10-01 至 2025-12-31
- 规则审核通过：16
- 来源：9
主题分布¶
领域（Domain）¶
- 波动率、曲面动态与方差风险：7
- 期权收益、风险溢价与信号：5
- 期权市场微观结构、做市与价格形成：5
- 期权对冲、敞口与风险：3
- 期权组合、风险转移与资本效率：3
- 执行、流动性与交易成本：2
方法（Method）¶
- 金融机器学习：7
- 研究方法与稳健性：7
检索标签（Facet）¶
- 标的 · VIX 期权：2
- 标的 · 个股期权：2
- 标的 · ETF 期权：1
- 期限 · 0DTE：1
- 敞口 · Gamma：1
- 敞口 · Vega：1
规则审核通过¶
Overnight Reversals of Implied Higher Moments and Their Put‐Call Spreads¶
- 发布时间：2025-12-29
- 来源：Journal of Futures Markets
- Publication status：
peer_reviewed - 原始来源：打开原始来源
为什么值得关注¶
该文将“夜间反转”扩展到更高阶隐含矩及put-call spread，影响对期权风险特征演化的建模维度，但现有证据仍停留在样本内/外描述与独立性结论。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5)
作者主要主张¶
- 作者提出夜间反转现象不仅体现在标的和隐波上，也在隐含高阶矩与相关put-call spread中成立。 (
abstract:S1,abstract:S2) - 作者报告：他们称反转主要特征为跨变量有限传递、上下不对称仅见于标的与隐含波动率，而call/put各自高阶矩共同驱动spread反转。 (
abstract:S2,abstract:S3,abstract:S4,abstract:S5)
数据、方法或讨论范围¶
可核验范围包括现象扩展、独立性/非对称性和多维解释的抽象描述，不包含样本长度、分层误差统计和执行可行性。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5)
主要限制¶
“显著”与“独立”表述未配套检验统计与多重比较处理；仅凭抽象难判断不同到期、持仓约束和流动性差异下的稳健性。 (abstract:S2, abstract:S5, abstract:S1, abstract:S3)
Inferring Latent Market Forces: Evaluating LLM Detection of Gamma Exposure Patterns via Obfuscation Testing¶
- 发布时间：2025-12-27
- 来源：arXiv Quantitative Finance History
- Publication status：
preprint - 原始来源：打开原始来源
为什么值得关注¶
该预印本提出 obfuscation testing，试图区分 LLM 对结构性模式与时间关联的响应，这对模型治理和提示设计有意义；但报告的检测率本身并不能验证模型进行了因果推理。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6)
作者主要主张¶
- 作者提出反混淆测试作为新方法，用于区分LLM是否基于结构性推理而非时间关联检测市场格局。 (
abstract:S1) - 作者在S&P500期权数据上给出71.5%（无制度标签）和91.2%（含稳定性）检测率，并指出加入标签后可达100%，推断其识别机制与可交易性分离。 (
abstract:S2,abstract:S4,abstract:S5)
数据、方法或讨论范围¶
可核验范围包含测试框架、样本天数、覆盖率、检测率与标签条件下结果，但缺少提示模板标准化、显著性检验与算力成本。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6)
主要限制¶
95.6%覆盖与固定天数样本未展示跨期外推；“未盈利”作为稳定性证据依赖季度定义，可能与样本偏好混淆。 (abstract:S2, abstract:S4, abstract:S6, abstract:S1)
Why SIG Tells Traders Not to Hedge! - Ex-SIG Trader and Moontower Founder, Kris Abdelmessih¶
- 发布时间：2025-12-27
- 来源：Odds on Open
- Publication status：
unknown - 原始来源：打开原始来源
为什么值得关注¶
这期访谈把期权做市中的对冲决定表述为组合层面的 expected value、残余敞口与 P&L 波动权衡，适合用于检查机械式逐笔对冲的假设。 (description:S2, description:S3, description:S4)
作者主要主张¶
- 作者报告：嘉宾称，SIG 对正 expected-value 的交易往往不立即对冲，除非残余敞口扭曲 expected value 或造成过大的 P&L 波动。 (
description:S2,description:S3,description:S4) - 作者报告：发布方称，这种集中风险管理方式有助于保留期权做市 edge、收紧价差，并避免机械对冲。 (
description:S4,description:S5)
数据、方法或讨论范围¶
材料仅为一期从业者访谈的发布方简介；主题还包括历史交易大厅、order-flow toxicity、交易员培养，以及天然气期权的 inventory、vega 与波动率 regime 风险。 (description:S4, description:S5)
主要限制¶
所给材料没有 transcript、头寸数据、对照样本或可复现模型；关于 edge、价差和竞争优势的说法是访谈宣传页中的主张，未被独立核验。 (description:S1, description:S3, description:S5)
SIG Director: How Susquehanna Trains Top Traders with Poker¶
- 发布时间：2025-12-24
- 来源：Odds on Open
- Publication status：
unknown - 原始来源：打开原始来源
为什么值得关注¶
这期材料把 probabilistic reasoning、Bayesian updating、order-flow interpretation 与团队沟通放在同一训练框架中，对理解做市商如何培养实时决策能力有参考价值。 (description:S2, description:S3, description:S4)
作者主要主张¶
- 作者报告：嘉宾称，SIG 用 poker、概率游戏和不确定性下的决策练习训练交易员，并在实盘语境中强调 Bayesian updating 与 asymmetric information。 (
description:S2,description:S3) - 作者报告：嘉宾称，优秀交易员除技术能力外，还需要 humility、truth-seeking，以及在新信息出现时快速更新信念的能力。 (
description:S4,description:S5) - 作者报告：发布方将交易系统、团队协作、parameter tuning 和 model monitoring 描述为现代量化交易表现的重要组成部分。 (
description:S6)
数据、方法或讨论范围¶
材料是一期围绕 SIG 招聘、培训、desk 协作、market making、prediction markets 与风险转移的发布方简介，而非对培训效果的实证研究。 (description:S2, description:S5, description:S6)
主要限制¶
所给材料没有课程原件、学员样本、绩效指标或对照组，也没有完整 transcript；因此无法判断 poker 训练是否因果性地改善交易结果。 (description:S1, description:S2, description:S6)
Unified GARCH-Recurrent Neural Network in Financial Volatility Forecasting¶
- 发布时间：2025-11-21
- 来源：arXiv Quantitative Finance History
- Publication status：
preprint - 原始来源：打开原始来源
为什么值得关注¶
该预印本将GARCH参数结构嵌入RNN门控单元并主张在准确率与效率上优于多类模型，对波动率预测架构与可解释性取舍有潜在价值；摘要中的“稳定性”与“多指标优势”仍需可复核细则。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6, abstract:S7, abstract:S8)
作者主要主张¶
- 作者提出GARCH-GRU与GARCH-LSTM两种混合结构，在GRU/LSTM门控内显式嵌入GARCH(1,1)更新。 (
abstract:S1,abstract:S2,abstract:S3) - 作者报告：他们称该框架在美股指数上一致优于传统GARCH、pipeline式混合与Transformer，并指出GARCH-GRU训练更快且在正常与极端环境均稳健。 (
abstract:S4,abstract:S5,abstract:S6,abstract:S7)
数据、方法或讨论范围¶
可核验范围包括方法组合、评测指标名（MSE/MAE/SMAPE/OOS R2）和COVID时期VaR结果，但未见训练规模、基线实现细节、资源配额与异常样本处理。 (abstract:S1, abstract:S2, abstract:S4, abstract:S5, abstract:S6, abstract:S7, abstract:S3)
主要限制¶
“三倍快”与“稳健”缺少硬件前提与统计区间定义；经济含义参数在不同资产维度是否可解释未给出。 (abstract:S5, abstract:S7, abstract:S3, abstract:S6)
"Hands-On AI Trading with Python, QuantConnect, and AWS" with Jiri Pik, Ernest Chan, and Jared Broad¶
- 发布时间：2025-11-14
- 来源：Quantopian Webinars
- Publication status：
unknown - 原始来源：打开原始来源
为什么值得关注¶
该条目是课程/研讨会内容说明，涉及AI交易工具与代码示例，主要用于教学资源盘点；对部署边界的价值是确认是否存在实操工具链与数据访问前提，而非可验证学术结论。 (description:S5, description:S7, description:S8, description:S10, description:S11, description:S24, description:S27, description:S28)
作者主要主张¶
- 作者报告：节目说明称覆盖从经典到深度学习、LLM与强化学习的策略构建，且可构建可测试交易策略。 (
description:S5,description:S6,description:S10) - 作者报告：还强调包含完整代码、GitHub示例与回测/研究Notebook，但同时披露该材料非投资建议且不保证准确完整性。 (
description:S8,description:S11,description:S24,description:S25,description:S26,description:S27)
数据、方法或讨论范围¶
可核验范围局限于课程内容目录和免责声明，不含算法性能指标、数据验证或可复现实验结果。 (description:S5, description:S6, description:S8, description:S9, description:S10, description:S11, description:S24, description:S25, description:S26, description:S27, description:S28)
主要限制¶
描述是宣传性材料，无法替代可复核实证结果；“可测试策略”与“真实应用”未说明对市场接入、数据许可和评估口径的边界。 (description:S5, description:S6, description:S10, description:S24, description:S25)
Volatility's Heartbeat, the AI Boom, and MJ’s Bulls with Equity Armor’s Brian Stutland¶
- 发布时间：2025-11-06
- 来源：The Derivative by RCM Alternatives
- Publication status：
unknown - 原始来源：打开原始来源
为什么值得关注¶
该条目为播客简介，主要提供观点渠道信息而非实证结论，关键在于可将其作为非结构化市场叙事来源时的偏见与免责声明边界。 (description:S1, description:S2, description:S3, description:S4, description:S6, description:S10, description:S11)
作者主要主张¶
- 作者报告：内容描述了围绕AI、波动率与期权策略的访谈主题。 (
description:S1,description:S3,description:S4) - 作者报告：同样明确写明仅为信息用途、观点归属声明与非投资建议/高风险提示。 (
description:S6,description:S7,description:S8,description:S9,description:S10)
数据、方法或讨论范围¶
可核验范围仅为节目宣传与免责声明文本，不包含量化样本、统计量或可复现流程。 (description:S1, description:S2, description:S3, description:S4, description:S6, description:S7, description:S9, description:S10)
主要限制¶
将节目内容当作研究证据易过度解释；未提供方法细节，且时序观点与策略建议可能高度依赖嘉宾立场。 (description:S1, description:S11, description:S4)
Christina Qi Started a Hedge Fund From Her Dorm Room. Now, Top Trading Firms Now Buy Her Data.¶
- 发布时间：2025-11-05
- 来源：Odds on Open
- Publication status：
unknown - 原始来源：打开原始来源
为什么值得关注¶
这期访谈把 clean tick/order-book data、许可、回测基础设施和 ML 使用边界连在一起，对研究数据是否足以支撑执行与复现这一问题有直接参考价值。 (description:S3, description:S4, description:S5, description:S6)
作者主要主张¶
- 作者报告：嘉宾称，clean order-book 与 tick data 对稳健策略、研究速度、可靠执行和可扩展量化流程很重要。 (
description:S3) - 作者报告：嘉宾称，2025 年的交易工具更易获得，但 alpha 更难，需要高质量数据、严谨回测和风险管理。 (
description:S4) - 作者报告：嘉宾建议先掌握 market structure 并建立真实策略，再把 machine learning 用在确有增量价值的环节。 (
description:S5)
数据、方法或讨论范围¶
发布方简介覆盖 Domeyard、Databento、HFT、market-data licensing、fundraising、产品分发和量化职业建议；它描述的是一次创业者访谈，不是数据供应商的独立横向评测。 (description:S2, description:S3, description:S6)
主要限制¶
关于客户采用、数据质量、成本、Sharpe ratio 和竞争优势的说法没有 benchmark、样本定义或独立验证；所给材料也不含完整 transcript。 (description:S2, description:S3, description:S6)
Determinants of Price Discovery in Option Markets: An Interpretable Machine Learning Perspective¶
- 发布时间：2025-10-30
- 来源：Journal of Futures Markets
- Publication status：
peer_reviewed - 原始来源：打开原始来源
为什么值得关注¶
该文用可解释机器学习分析SSE50期权市场的信息优势与价格发现特征，重点是交易成本在特征排序中的位置；这会影响信号解释与特征优先级，但不能把 feature importance 直接解释为因果机制。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4)
作者主要主张¶
- 作者称期权市场相比标的市场在信息发现上占优，并用1秒数据的ILS指标对比。 (
abstract:S1,abstract:S2) - 作者进一步指出交易成本是主要信息来源，其次是杠杆、做市商风险和投机动机，且通过稳健性检验支持特征排序。 (
abstract:S3,abstract:S4)
数据、方法或讨论范围¶
可核验范围包含信息领导力定义、特征重要性排序与稳健检验类型，但未披露样本窗口、显著性水平与处理噪音与微观结构的方法。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4)
主要限制¶
“更有信息发现”属于结构化口径，但未给出不同流动性时期、交易所规则变化或标签错配下的稳健性边界。 (abstract:S2, abstract:S3, abstract:S4)
Jump risk premia in the presence of clustered jumps¶
- 发布时间：2025-10-24
- 来源：arXiv Quantitative Finance History
- Publication status：
preprint - 原始来源：打开原始来源
为什么值得关注¶
该预印本在期权定价中引入群集跳跃并建模正负跳跃风险溢价，关系到波动率偏度动态与情绪状态下的定价弹性，但当前只给出抽象层的可解释性。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6)
作者主要主张¶
- 作者提出使用二元Hawkes过程建模聚类跳跃，允许正负跳跃的自激与互激并生成时变偏度与可变符号IV skew。 (
abstract:S1,abstract:S2) - 作者补充使用BTC期权数据发现推断的正负跳跃风险溢价对BTC期货持仓成本和delta对冲策略表现具有预测力。 (
abstract:S4,abstract:S5,abstract:S6)
数据、方法或讨论范围¶
可核验范围覆盖了模型结构与BTC应用场景的抽象结论，不含阈值选择、参数估计误差和样本外统计检验细节。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S6)
主要限制¶
资产类别聚焦于BTC的实证主张难以直接外推到其他资产；“可变IV skew”与“预测力”缺少显著性标准和样本外损失函数定义。 (abstract:S3, abstract:S6, abstract:S4)
Fusing Narrative Semantics for Financial Volatility Forecasting¶
- 发布时间：2025-10-23
- 来源：arXiv Quantitative Finance History
- Publication status：
preprint - 原始来源：打开原始来源
为什么值得关注¶
该工作将结构化行情与新闻语义统一到波动率预测框架中，并强调时间一致性约束，对多模态预测输入与 point-in-time 数据控制有意义，但当前仅见抽象级别的体系化叙述。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5)
作者主要主张¶
- 作者提出M2VN框架，将时间序列特征与文本新闻嵌入统一建模以提升波动率预测。 (
abstract:S1) - 作者称该框架通过对齐与融合两类异构模态并引入辅助对齐损失，且通过Time Machine GPT保持时间完整性以降低前视偏差。 (
abstract:S2,abstract:S3,abstract:S4) - 作者声称 M2VN 在其大规模实验中持续优于现有基准。 (
abstract:S5)
数据、方法或讨论范围¶
可核验范围仅限于模型目标与训练策略的抽象表述，并含“优于基准”的泛化陈述，不含具体模型基线、评测拆分与偏差校正指标。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5)
主要限制¶
“一致超越基线”未定义基线集合、统计显著性和文本噪声处理边界；预训练新闻编码器的时间切片规则未给出，因此 point-in-time 可用性与更新假设不清。 (abstract:S2, abstract:S3, abstract:S5)
VIX Option Pricing With Detected Jumps¶
- 发布时间：2025-10-16
- 来源：Journal of Futures Markets
- Publication status：
peer_reviewed - 原始来源：打开原始来源
为什么值得关注¶
该预印本强调VIX期权定价中跳跃分量和连续分量的分解建模，可能提升高频风险建模准确性，但跳跃识别与交易执行边界仍依赖未披露的实现细节。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5)
作者主要主张¶
- 作者提出基于跳跃识别的直接建模方法，将已识别跳跃引入VIX条件方差与跳跃强度动力学。 (
abstract:S1,abstract:S2) - 作者报告：他们进一步主张该模型可导出封闭定价公式，并在样本内外持续优于基于常规实现方差和Heston-Nandi GARCH基准。 (
abstract:S3,abstract:S4,abstract:S5)
数据、方法或讨论范围¶
抽象可核验的是方法链路与相对性能声明（包含分解、封闭式公式、OOS对比），但缺少跳跃识别阈值、估计窗口及误差指标定义。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5)
主要限制¶
“持续优于”未标定显著性和统计区间，跳跃与连续分解在噪声主导时段的稳定性与监控触发机制未给出。 (abstract:S4, abstract:S5, abstract:S2, abstract:S3)
Common Factors in Equity Option Returns¶
- 发布时间：2025-10-11
- 来源：The Review of Financial Studies
- Publication status：
peer_reviewed - 原始来源：打开原始来源
为什么值得关注¶
这项研究为 delta-hedged 个股期权收益建立可检验的基准因子结构，并区分共同的横截面因子与合约特定的时间序列因子，可用于判断新期权信号是否只是已知风险暴露。 (full_text:S34, full_text:S39, full_text:S40, full_text:S46, full_text:S47, full_text:S55)
作者主要主张¶
- 作者报告：1996 至 2021 年的基准样本包含 326,537 个 firm-month，并形成 185 个 call 与 185 个 put 的特征排序 delta-hedged 组合；最多四个 PCA 因子可解释其主要时间序列与横截面变化。 (
full_text:S37,full_text:S38,full_text:S39,full_text:S40,full_text:S75,full_text:S76,full_text:S94,full_text:S459,full_text:S460,full_text:S461) - 作者报告：EWOP、历史波动率与隐含波动率之差、cash-to-assets 和 volatility-of-volatility 构成的稀疏四因子模型，可接近潜在因子模型的定价表现；后三者解释共同横截面，EWOP 主要解释合约特定的时间序列维度。 (
full_text:S46,full_text:S47,full_text:S472,full_text:S473,full_text:S474,full_text:S476) - 作者报告：该结构可延伸到 OTM 期权以及按另外 150 个特征形成的 2,990 个组合；这些期权因子与传统股票收益因子的关系很弱。 (
full_text:S52,full_text:S53,full_text:S468,full_text:S469,full_text:S477,full_text:S478)
数据、方法或讨论范围¶
证据来自 OptionMetrics 个股期权、CRSP、Compustat 与 I/B/E/S，研究月度 delta-hedged 收益、PCA 定价误差、120 个月滚动窗口的样本外误差，以及 ATM/OTM 和替代特征组合。它检验的是因子定价与收益共变结构，不是本站对可交易策略的独立复制。 (full_text:S75, full_text:S76, full_text:S78, full_text:S103, full_text:S112, full_text:S238, full_text:S239, full_text:S241, full_text:S265, full_text:S468, full_text:S471)
主要限制¶
所谓样本外检验仍使用同一美国个股期权历史与 120 个月滚动估计窗，不等于跨市场或实时验证；替代 150 特征组合也来自同一时期与数据体系。为避免 look-ahead bias，样本纳入到期端零 bid 或缺失报价的合约，其中约 25% 明显更不流动，因此因子定价拟合不能直接当作扣除执行成本后的收益。 (full_text:S58, full_text:S59, full_text:S60, full_text:S61, full_text:S238, full_text:S239, full_text:S265, full_text:S468, full_text:S471)
Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging¶
- 发布时间：2025-10-10
- 来源：arXiv Quantitative Finance History
- Publication status：
preprint - 原始来源：打开原始来源
为什么值得关注¶
该 preprint 用长期盘中数据和 walk-forward 评估比较 DRL 与 Black–Scholes delta hedging，直接触及交易成本、风险惩罚和模型依赖。 (abstract:S3, abstract:S4, abstract:S5, abstract:S7)
作者主要主张¶
- 作者称 TD3 agent 使用六个状态变量，在近 17 年样本外期间与 Black–Scholes delta hedge 进行比较。 (
abstract:S2,abstract:S3,abstract:S4,abstract:S5) - 作者报告 DRL 在高波动或高成本环境中表现更好，但风险惩罚提高时性能下降，较长波动率估计窗口使结果更稳定。 (
abstract:S8,abstract:S9,abstract:S10)
数据、方法或讨论范围¶
摘要限于 S&P 500 ATM call、单一六变量时间序列、walk-forward 训练及若干年度化指标；没有给出模型架构、显著性区间、成本校准或仓位约束。 (abstract:S1, abstract:S3, abstract:S4, abstract:S6, abstract:S7)
主要限制¶
摘要先称 deep Q-learning，随后指定 TD3，算法命名不一致；“outperform”仍是作者结果，当前材料不足以判断统计稳定性或其他标的上的外推性。 (abstract:S1, abstract:S2, abstract:S8)
A Bayesian Stochastic Discount Factor for the Cross-Section of Individual Equity Options¶
- 发布时间：2025-10-06
- 来源：Journal of Financial and Quantitative Analysis
- Publication status：
peer_reviewed - 原始来源：打开原始来源
为什么值得关注¶
该文利用贝叶斯模型平均估计单资产期权SDF，并指出隐含-实现波动率利差、动量和跳跃风险是主要特征，对资产定价因子库治理有启示，但抽象未披露模型集与先验控制。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4)
作者主要主张¶
- 作者称使用贝叶斯模型平均估计单股票期权SDF，并称其在样本内外定价异常与投资组合上优于简化基准。 (
abstract:S1,abstract:S2) - 作者报告：他们进一步提出SDF在特征上对隐含-实现波动率利差、期权收益动量和跳跃风险具有高后验含盖概率，并显示与股票市场SDF更贴近。 (
abstract:S3,abstract:S4)
数据、方法或讨论范围¶
可核验范围止于作者在摘要中的方法与特征选择频率，不含后验模型权重阈值、先验设定、检验统计或覆盖样本信息。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4)
主要限制¶
“最可能因素”属于统计后验表述，但摘要未给出对先验敏感性、再估计窗口或模型集合变化的稳健性检查。 (abstract:S2, abstract:S3, abstract:S4)
Uncertain HAR‐RV Models and Their Extensions: A New Perspective on Forecasting the Volatility of China's Crude Oil Futures¶
- 发布时间：2025-10-02
- 来源：Journal of Futures Markets
- Publication status：
peer_reviewed - 原始来源：打开原始来源
为什么值得关注¶
该研究在不精确数据语境下重构HAR框架，并引入不确定分位数模型，对中国原油期货波动率预测提出方法学替代，但在摘要中缺少参数与部署接口细节。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6)
作者主要主张¶
- 作者认为传统HAR-RV假设不足，因残差随机性无效和特征依赖限制，提出不确定HAR-RV及不确定分位数HAR-RV模型。 (
abstract:S1,abstract:S2,abstract:S3) - 作者报告：他们声称该框架应用于中国原油期货并在随机性检验、OOS和稳健性测试中表现出跨分位数优于传统模型。 (
abstract:S4,abstract:S5,abstract:S6)
数据、方法或讨论范围¶
可核验内容涵盖方法动机、数学扩展及抽象中的跨分位数对比结论，但未公开证明细节、测试统计和实际数据误差建模参数。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6)
主要限制¶
“系统性验证失败来源”与“优于传统”未给出具体失败案例集合与显著性分层；不确定理论的实现路径和收敛条件未披露，影响可部署性判断。 (abstract:S5, abstract:S6, abstract:S3)