《Mathematics》：Recommendation-Mediated Diffusion of Stance-Bearing Information in Online Social Networks: A Dynamic Message-Passing Analysis of the UEAI Model
编辑推荐：
研究人员评估预测预先发布动态区间（dynamic zones，DZ）首次收盘价退出所需的信息与模型复杂度。已建立的竞争风险（competing risks）原则将60 min内无退出以及四个区间内的首次上/下退出编码为9个结果。年度历史分析使用BTC、ETH和
研究人员评估预测预先发布动态区间（dynamic zones，DZ）首次收盘价退出所需的信息与模型复杂度。已建立的竞争风险（competing risks）原则将60 min内无退出以及四个区间内的首次上/下退出编码为9个结果。年度历史分析使用BTC、ETH和XRP从2020年至2026年6月的502,443个DZ-LSTM区间和474,591个因果移动分位数（causal moving-quantile，MQ60）测试起点。多项logit（multinomial logit）、XGBoost、生存森林（survival forest）和辅助多层感知机（multilayer perceptron，MLP）分别接收22个非区间预测变量、2个新增距离或全部32个输入。精确日历重构（exact-calendar reconstruction）在未改变的历史目标和样本上重复全部504个学习器/信息集拟合。全输入在4/4个DZ-LSTM学习器和4/4个MQ60学习器中较非区间输入具有更低的Brier损失（Brier loss），带符号相对降低分别为10.02–11.85%和13.58–14.53%。两个距离恢复了大部分历史输入增益。锁定随访（locked follow-up）将存储的2026年MQ60模型和训练缩放器在不调参的情况下应用于2026年6月30日至9月30日的19,056个未使用起点；4/4个学习器全输入Brier更低，且4/4项降低在所有测试日期块选择下仍具有Holm显著性。其贡献在于关于边界信息和学习器选择的经验证据。这些回顾性检验并不确立新的输出层或普遍的神经网络优越性。现有波动率基准和负面的外部市场结果限定了解释。事件告警（episode alerts）仍是在假设政策与成本下的可选示例。
研究背景与问题：对价格边界退出的预测需要利用边界本身的信息；相同收益和波动在不同上/下边界距离下可对应不同的短期限退出概率。既有离散竞争风险、三重障碍标签、DeepHit、GARCH及分位数预测等方法能够定义障碍结果和竞争事件概率，但不能决定在所发布的动态区间、样本和目标下，哪类信息集与学习器更具预测价值。待解决问题包括：加入区间状态信息能否超越22个非区间变量；仅加入两个边界距离能恢复多少全区间表示；以及在同一目标和样本下不同学习器如何比较。为此，研究人员开展以九状态首次收盘退出概率为共同目标的经验比较。主要结论是：区间信息具有附加预测价值，两个边界距离获得大部分增益，但额外表示和模型复杂度并非一致有利，也未证明神经网络普遍优越。其意义在于提供关于边界信息与学习器选择的经验证据，而非提出新的输出层或证明DZ-LSTM生成器不可或缺。
关键技术方法（≤250字）：基于Binance 15 min BTC/USDT、ETH/USDT、XRP/USDT OHLCV（约2017/2018–2026-06，随访至2026-09），以DZ-LSTM预发布区间与因果MQ60两套边界构建九状态离散竞争风险标签；比较多项logit、XGBoost、竞争风险森林和辅助MLP在A（22个非区间变量）、B（A+2个边界距离）、C（32个全输入）信息集；采用Brier损失、同步UTC日期块平稳自助法（stationary bootstrap）和Holm校正；开展精确日历重构504次拟合、锁定2026年MQ60模型在19,056个未使用起点上的随访、GARCH/GARCH-X路径模拟及事件告警策略敏感性分析。
研究结果：
（5.1）信息集与学习器比较：C较A的九状态Brier损失降低为logit 9.95%、MLP参考10.07%、XGBoost 11.35%、森林11.85%，七日期块配对区间均排除零且Holm校正约0.0002，3日和14日块方向一致；支持所供区间组的附加预测价值，但不识别组内独立贡献。GARCH-X中高斯C–A降低0.46%且显著，Student-t GJR-X无Brier改善且log损失增加；XGBoost和森林在C下Brier低于MLP参考，但森林一个测试起点零质量使未截断log损失无限，低Brier不等于所有适当评分下优越。
（5.2）边界距离与直接组移除：B–A改善约为C–A的97.07%、87.04%、97.16%、95.35%（依次为logit、MLP、XGBoost、森林），两个距离获得大部分Brier降低；C–B绝对改善小且因学习器而异，log损失不普遍改善。辅助神经网络组移除中，移除区间组恶化最大；移除时间或小时内路径输入反而略降损失，市场输入的小收益对块选择敏感；不支持全部组或32列必要且联合最优。
（5.3）保留的原始基准比较：冻结原Full与Non-zone NN的Brier为0.126183与0.140341，相对降低10.09%；验证选择的挑战者为0.123524，Full较其高2.15%（或挑战者低2.11%）；原四模型池选择计数为11/7/3。低ECE或输出相干性不能覆盖适当评分劣势。
（5.4）小时内接触的适当评分：60 min事件率由收盘退出7.4914%升至接触12.1658%，15 min由2.4727%升至5.3258%；七个模型在接触下九状态Brier均变大、有限log损失增加，森林有三个观测零质量；判别保持不能证明概率精度保持。
（5.5）留一资产与留一年份推断：原Full–Non-zone的Brier差在每个资产和年份省略中为负，Full–选择挑战者差为正，Holm显著性在3/7/14日块保持；这量化符号稳定性，但不是独立重复，2026年仅部分年。
（5.6）GARCH路径数与置乱敏感性：42个原PMF复现门通过，1050个敏感性单元中Student-t GJR较冻结Full的Brier更低、Gaussian GARCH更高；2048至8192路径均值Brier变化小，25个挑战者混合均保持低于Full（Full劣势2.081–2.164%）；高斯log损失非单调，五种子范围仅为数值描述。
（5.7）示例性共同策略事件告警：共同验证1%预算、60 min冷却、无额外日限下，MLP参考在12,580个事件中检出2142个、1909次误报；XGBoost、森林和GJR同规则检出更多。报告盈亏平衡成本边界而非单一成本节省；测试告警计数因验证预算相等不等于测试分布相同；不证明运营优势或机构规则最优。
（5.8）生成器依赖与外部结果：早期支持性比较中DZL覆盖率0.8228、STQ 0.7795且平均log宽度相近，DZL描述性分位数损失较低，但下游平均Brier skill为DZL 0.1369、STQ 0.1546、VB 0.1582，简单生成器更大skill削弱唯一优势主张。会话感知外部端到端评估中DZL WIS较MQ WIS高12.6–26.6%，四市场均未达2%非劣效；XAU/USD和USA500的再估计正Brier skill有条件，EUR/USD和USD/JPY区间含零；不支持完整管线泛化或固定加密预测器普适迁移。
（5.9）因果移动分位数复现：（5.9.1）在474,591个共同起点、252个拟合中，全区间较22非区间使Brier降低13.47–14.52%且Holm全显著，两个距离约占94–98%；GARCH-X高斯/Student-t的C–A Brier降低0.98%/0.21%且显著，log损失也下降，但Student-t在原边界下无改善，说明附加学习协变量效应小且依赖设定。（5.9.2）在641,976个相同价格时点，MQ60 WIS较冻结DZ-LSTM高5.81%，七日期配对差0.000650 [0.000501,0.000796]，支持该样本DZ-LSTM区间预测误差较低，不证明必要性或外部优越。（5.9.3）普通Gaussian和Student-t GJR-GARCH在MQ60目标上Brier均低于四个全输入九状态学习器，八项差区间为负且Holm显著，Student-t 0.147176较MLP 0.156132低约5.74%，属匹配模型比较而非信息效应或生成器质量比较。（5.9.4）同一1%/60 min示例策略下，六个MQ60比较器的事件告警报告盈亏平衡成本比，无机构成本校准或运营优势。（5.9.5）对63个MQ60神经模型做存储概率与稳定log-softmax数值审计，仅距离B条件一个观测类存储零导致未截断log损失无限，全输入C稳定log损失0.367204；Brier变化小，原推断保留。
（5.10）匹配精确日历信息比较：504次重构在未变历史样本上，DZL下四个学习器C较A的Brier降低10.02–11.85%，MQ60下降低13.58–14.53%，均Holm显著且三种日期块负区间；校正C较传统全输入在八个生成器/学习器组合点估计均更低；C–A说明实现变化后信息增益仍存，不主张十个区间变量全必要。
（5.11）未使用MQ60期的固定模型结果：19,056个新起点上四个学习器C较A的Brier降低14.02–14.77%，均Holm显著且三日期块负区间；该随访支持同一三资产、声明MQ60任务的信息效应时间稳定性，不选部署模型，不建立跨资产、机构边界或完整管线泛化。
讨论总结：主要证据是边界相对输入对指定条件目标的附加预测价值；四个学习器中加入区间组约降低Brier 10–12%，两个距离获得大部分降低。该结果不证明区间编码新的独立市场风险因子，也不证明全部变换坐标必要；重复列、恒定收盘越界标志及较小C–B增益和组移除结果支持考虑更简单表示。模型选择仍有影响：XGBoost和森林Brier低于MLP参考，但零质量log损失妨碍称森林在所有概率标准上最优；神经网络优越性未获支持。GARCH-X表明额外学习区间协变量只在部分评估设定中有用，并非必要或一致有益。DZ-LSTM主要提供审计过的条件研究边界账本，不是方法学进展或首选生成器；外部WIS失败和早期生成器比较限制其地位。事件告警是概率的可选下游应用，成本边界描述偏好而非机构价值，不证明部署合理性。局限包括时期已在开发中检查、推断条件于拟合模型、事件为严格首次收盘退出、传统特征滞后限定、MQ60仅一个替代边界、随访期短及数值与零质量限制。结论翻译：该研究比较预发布动态区间首次收盘退出的信息集与学习模型。已建立的离散竞争风险方法为无退出及四个区间上/下退出提供共同九状态结果。在所评估账本、队列和时间序贯程序下，加入区间状态信息在四个学习器中降低Brier损失，大部分增益来自两个边界距离；额外表示和模型复杂度并非一致有益。精确日历重构后，全输入在4/4个DZL和4/4个MQ60学习器上改善同一历史结果；固定MQ60随访在未使用期增加4/4个正向C–A对比，其中4/4在所有测试日期块选择下仍显著。这些检验强化了所研究资产和边界规则内的条件信息结果。MLP参考是该任务一致的神经实现，但XGBoost和森林Brier更低，且原验证选择挑战者保留优势。事件策略比较说明可选应用，不证明神经运营优越性或已实现经济价值。测试的GARCH模拟设定保持Brier排序，但log评分和零质量限制仍存。现有外部结果不支持完整管线泛化。原保留行MQ60分析给出13.47–14.52%的Brier降低，两个距离获得大部分增益；精确日历重构在同一历史目标和起点上给出13.58–14.53%降低。在原匹配MQ60结果上，Student-t GJR-GARCH较四个全输入学习器Brier更低。这些分析关注边界信息和比较证据，而非MLP参考的首要性。边界预处理及所供表示的经验贡献，是在共同金融边界任务下对何种信息有益及哪些学习器预测较优的条件评估；阈值告警仍是假设政策与成本下使用概率的可选示例。新输出层新颖性、DZ-LSTM生成不可或缺、已实现机构价值或普适迁移等主张均未获支持；GARCH-X比较进一步表明学习区间协变量增益依赖模型、生成器和评分。新增精确日历重构与固定MQ60随访直接评估两个实现和时间问题，未来仍需前瞻评估、更多边界构造、真正新资产及机构决策验证以拓展结论。
