让模型模拟股市收益，最危险的不是它画不好日常波动，而是它把罕见暴跌画得太温和。金融收益往往是“重尾分布”——极端结果出现得比正态分布预测的更频繁。论文指出，常见神经生成器从 Gaussian（高斯）噪声出发，又用 Lipschitz 连续映射——一种限制输出不能随输入剧烈跳动的函数——来保证训练稳定。这套结构无法精确生成更重的尾部；目标分布中间的“低谷”越深，模型所需的局部拉伸越大，估计也越不稳定。
作者改用半离散最优传输（SDOT）——把简单的基础分布划成许多区域，再将每个区域送往一条训练样本。每个样本对应的区域都恰好承载相同份额的源概率，因此模型抵达尾部样本时，只需跨过区域边界，不必把一张平滑的“橡皮膜”硬拉到极端位置。关键变化不是换成更重尾的输入，而是主动放弃映射的连续性。
在作者设置的 Merton 跳跃扩散实验中，收益峰度从 94 提高到 1,679；作者称，各类神经生成器都会压缩尾部，或以不断增大的方差放大尾部，而 SDOT 的跨随机种子波动保持较低。这个结果提示，极端风险估计的盲区可能不只是训练不足，而是模型结构本身的限制。