你在组一支球队。只看球员过去得分，可能会选出一群打法相似的人；一旦比赛节奏变化，他们也会一起失灵。投资组合也有这个问题：几只股票表面上相关性不高，并不等于它们真的暴露于不同风险。Divyanee Garg 的这篇预印本尝试同时观察资产的市场“形状”、财经新闻情绪和近期表现，再动态调整持仓。值得看的不是它用了多少复杂工具，而是这些工具能否找到真正不同的资产，并在频繁调仓时保住收益。
这是一项尚未经过独立交叉验证的单篇预印本。下文的业绩、稳健性和成本效果均来自作者自己的实证分析。
不只问“涨跌是否同步”
传统做法常用相关性判断两只资产是否相似。它主要回答：两者过去是否大致同涨同跌。欧氏距离则像拿尺子逐点比较两组数据相差多远。论文认为，这两种办法可能漏掉非线性结构，也就是无法用简单直线关系描述的模式。
作者改用 Topological Data Analysis，简称 TDA——一种研究数据整体“形状”的方法。可以把每只资产的一段历史想成空间里的一团点。随着连接点的尺度逐渐放大，孤立点会连成片，也可能出现环。持续同调（persistent homology）记录这些结构何时出现、何时消失；存在得越久，通常越被视为稳定结构，而不是细小扰动。
这些结构可写成 persistence diagram（持久图，以“出生—消失”坐标记录拓扑特征）或 persistence landscape（持久景观，把同类信息变成便于比较的函数）。论文分别用 Average Wasserstein Distance（AWD，比较两张持久图的平均匹配成本）和 Average Persistence Landscape distance（APL，比较两组持久景观）衡量资产差异。
这里还有一个关键处理：单纯把整段数据揉成一团点，会丢掉时间顺序，甚至可能分不清正放与倒放的序列。作者因此在样本内再切滑动窗口，逐窗计算拓扑摘要，最后汇总对应窗口之间的距离。换句话说，它比较的不只是形状，也试图保留形状如何随时间变化。
新闻也成为资产的一条坐标
每只资产最初由三个技术指标表示：RSI、SO 和 MACD。它们都从价格数据中提取，用来描述近期市场状态。作者随后加入第四维：财经新闻情绪。
新闻标题来自 Refinitiv Eikon，并通过 LSEG workspace API 获取。非英文标题先翻译成英文，再交给 FinBERT——一个针对金融文本调整过的语言模型——判断正面、负面和中性概率。每天同一资产的新闻得分取平均；非交易日的情绪值顺延到下一个交易日。四项输入在计算距离前都会标准化，避免某个数值范围较大的指标天然占据更大权重。
论文把有无情绪的特征，与 AWD、APL、相关距离和欧氏距离交叉组合，共比较八种距离。这样至少能把两个问题拆开：改善究竟来自 TDA，还是仅仅来自多加了一条新闻信号。
先分组，再挑代表
得到资产之间的距离后，框架使用聚合层次聚类：先让每项资产各自成组，再按相似程度逐步合并成树。作者从不同簇中选择代表资产，希望避免组合里塞满结构近似的公司。
具体选择仍依赖 Sharpe ratio——用收益相对于波动的表现给资产排序。单个资产形成的离群簇会被排除；其余簇按样本内 Sharpe ratio 选取靠前者。选出的资产再进入动态再平衡均值—方差模型。均值—方差优化是在预期收益与风险之间分配权重；这里还纳入交易成本、卖空以及持仓上下限等实际约束。
框架会在滚动窗口中反复重做选择和配置。问题也随之出现：聚类结果稍有变化，就可能卖掉旧资产、买入新资产。作者加入 retention mechanism，也就是保留机制。若上期持有的资产本期未入选，但其 Sharpe ratio 仍排在随后 10% 的范围内，就暂时留下。它像给旧队员一次复核机会，目的是减少不必要的换手，而不是机械追逐每次排名变化。
结果看起来不错，但还不能下结论
论文使用 2025 年 1 月至 12 月的 S&P 500 成分股日收益进行滚动检验，并另以 2025 年 10 月至 2026 年 3 月的 U.S.–Israel–Iran conflict 时期考察市场不确定环境。作者报告称，加入情绪的 TDA 组合持续优于相关距离和欧氏距离方案，也胜过等权组合、市场指数、全资产池优化及买入持有版本；优势体现在收益和 reward-risk ratio（把回报与所承担风险放在一起衡量的指标）上。作者还称，模型在上述冲突期取得正表现。
这使论文比本刊 7 月 15 日介绍的概念框架向前走了一步：它不再只说市场“形状”可能有用，而是把拓扑距离、FinBERT、聚类选股、权重优化和滚动调仓接成了一条可测试流程。它提出的检验问题也很实际：复杂距离是否带来更独立的风险暴露？新闻是否提供价格指标尚未反映的信息？保留旧资产是否能抵消动态策略的换手代价？
局限与未知
- 供稿未披露具体收益率、风险调整表现、换手率和交易成本降幅，也没有给出统计显著性或稳健性检验结果。“持续优于”目前只能按作者自述理解。
- 保留机制确实会减少部分换仓动作，但材料没有证明策略在计入真实交易成本后仍然占优。降低换手不自动等于提高净收益。
- 冲突期的“正表现”缺少具体数值、事件窗口内基准和归因分析。单一时期也不足以证明模型具有普遍稳健性。
所以，这篇论文眼下最有价值的地方，不是一条已经坐实的超额收益结论，而是一套拆得较完整的实验框架。它把“形状不同”“新闻看法不同”和“持仓不要变得太勤”放进同一个组合问题。接下来真正需要看的，是各部分的增量贡献，能否在严格的样本外检验和真实成本之后留下来。