rea：利用智能体逆向工程应用与原生二进制
GitHub 项目 rea 提出用智能体进行逆向工程，覆盖从应用行为到原生二进制，为自动化分析提供新思路。
01 DAILY RESEARCH SIGNALS / 2026-10-07
把市场噪声
压缩成可研究的信号。
聚合量化论文、开源项目与 AI 工程进展。每条信号经过筛选、排序与结构化，帮助研究者更快抵达真正重要的信息。
浏览今日信号 ↓
全部数据源检查完成，管线运行正常
02 CURATED INDEX
历史信号库
按内容类型浏览，或直接搜索标题与标签。
INDEXED 15
01 / REP
GitHub
SELECTED SIGNALS 03
面向 AI 编程助手的编辑级图表设计工具包
为 Claude Code、Codex、GitHub Copilot、Factory Droid 和 Pi 等 AI 编程助手引入编辑级图表设计，提供 42 种图表类型，并输出自包含 HTML 和 SVG，不依赖 Mermaid 等常见工具。
AnyPS5 项目尝试自动移植 PS5 可执行文件
该项目在 GitHub 趋势中受到关注，其新意在于提出将 PlayStation 5 可执行文件自动移植到 Linux 和 Windows 的设想；如果可行，将有助于降低跨平台兼容的人工成本。
02 / PPR
论文
SELECTED SIGNALS 10
基于状态依赖Hawkes过程的日内电力市场订单流建模
该研究提出多变量状态依赖Hawkes过程，用流动性压力指数识别市场状态，并允许状态转移改变强度参数。基于2024年1-3月荷兰日内跨境小时订单数据校准，发现订单流强自激且接近临界，流动性压力主要增强交易自激而非改变跨侧结构。
投资即压缩：凯利准则的三项分解
作者借用通用投资组合算法的技巧，将凯利目标分解为资金项、熵项和散度项，表明最大化增长等价于最小化预测分布与真实分布之间的散度（以比特计）。这提供了一个将投资问题视为压缩问题的理论视角，并导出了两个实用副产品：回测中策略间对数增长差异等于其相对散度；一个按资产主导概率分配资金的“赢家比例”启发式，其增长不足可由赢家比例分布的熵界定。
Stock-JEPA：以金融先验为锚的潜在修正表征学习
该研究提出Stock-JEPA框架，将低复杂度金融模型提供的多期收益与风险统计作为锚点，映射到目标编码器的潜在空间，再通过上下文条件修正预测器估计未来表征相对锚点的可预测偏移。其新意在于用结构性先验约束黑箱表征学习，同时保留可解释参照；作者报告在2008年至2022年的中国和美国股票集合上，模型在五项关键指标上优于13个强基线，消融研究也表明学习到的修正具有表征价值。
批量主动学习新方法FractAL避免策略选择开销
针对批量主动学习中预先选择采集策略的难题，提出软策略选择框架FractAL，利用影响函数归因和在线镜像下降，无需重训练即可在多策略间动态分配批量预算。在7个分类、回归和遗传扰动效应预测基准上，FractAL匹配或超越所有基线，为高吞吐实验等少轮次大批次场景提供实用方案。
FactorBench：面向组合的自动化因子挖掘基准
FactorBench 是一个面向组合的基准，用于比较九种自动化因子挖掘方法在五个股票市场约五千个因子的表现。其新意在于统一的评估契约连接异构发现算法与信号组合及组合构建流程，并从因子有效性、时序泛化、风险与风格暴露后预测力及方法池独特性等层面追踪输出，有助于判断因子挖掘进展是否转化为可用信号与组合表现。
AegisFlow：面向脆弱数据生态的多智能体自愈框架
提出基于LLM的多智能体框架，通过Watchdog与Repair代理及并行影子补丁机制，在五类故障场景中实现MTTR从170分钟降至3.2分钟。
执行假设改变短期夏普排序：合成基准证据
该研究在合成交易基准中检验：将订单成交假设从理想收盘价改为包含延迟、点差、参与率和冲击等压力设置后，LLM交易策略与经典基线的短期夏普排序是否保持一致。这对避免仅凭回测排名推断策略优劣有直接方法学意义。
智能体规划基准：诊断LLM规划短板与工具鲁棒性
该研究提出智能体规划基准（APB），将规划从执行中分离，以4209个多模态案例覆盖22个领域和五类设置，发现12个MLLM在长程规划、工具噪声鲁棒性、校准拒绝和推理时精炼上的系统性弱点，并验证APB引导的精炼能提升下游执行指标。
用函数化信用行为刻画违约概率的新框架
该研究将账户类型、余额与信用额度视为连续时间过程，构建借款人的函数化表示，并引入相对时间框架对齐不同借款人的周期性事件。新意在于保留月内连续信息而非月度聚合，并以函数逻辑回归实现可解释的违约预测；其有用性在于在保持线性模型可解释性的同时，预测表现接近 XGBoost。
基于双预算分布鲁棒优化的深度对冲对抗训练
该工作提出 WRAP 框架，用重加权与路径扰动两类对抗约束应对深度对冲训练中的市场非平稳性，其新意在于将 DRO 内层上确界转化为可计算的一阶攻击，为训练策略提供更稳健的扰动方式。
03 / VID
视频
SELECTED SIGNALS 02
Hugging Face Xet 存储层实现增量上传
Hugging Face 的 Xet 存储层可在数据变更时只上传变化部分，而不是重新上传整个文件。对于频繁更新大型数据集的用户，这能显著节省带宽和时间，提升工作效率。
端侧记忆构建本地化AI助手课程
DeepLearning.AI 与 Qdrant 合作推出的新课程，教授如何构建记忆完全在设备本地的 AI 助手。其新意在于聚焦端侧记忆实现，避免依赖远程服务器或网络连接；对关注隐私与离线场景的开发者具有实用价值。