网络新闻常晚于行情：多智能体交易系统把新闻判断与事件窗口对齐后，周度秩相关为0.119

大语言模型对网络财经新闻的判断与所报事件的公告窗口异常收益同向，且这一关联在模型发布之后发布的新闻上仍然存在。 此前对语言模型读新闻的检验多以人工标注为金标准，或只做前瞻性打分；网络新闻常在它所报道的价格变动之后发布，读者可以靠跟随行情而非读懂事件来与市场一致。 在27,556条进入确认性框架的条目上，emu的期望效应与公告窗口异常收益的周度Spearman相关为0.119（95%置信区间[0.098, 0.140]），模型发布后的73周为0.115（[0.090, 0.140]），安慰剂窗口为0.046（[0.023, 0.070]）；收益类事件与8-K第2.02项的AUC为0.833（[0.826, 0.840]）。

系统让各智能体只通过一次性写入的时点存储共享信息，并以类型化问题返回每个声明选项的概率，代码而非模型决定仓位。 自由文本在智能体之间传递时既难评分，也可能夹带指令；把判断固定为声明选项上的概率，就能把每条判断与后来的记录对照。 新闻智能体对每个股票周读取最近40条条目，先筛出报道句、隔离评论与推广内容，再对每条问13个问题；emu由固定版本gpt-4.1-mini-2025-04-14的选项字母概率归一化得到，Jev通过同一接口在自身发布后的549条新闻上作答，与异常收益的相关为0.102（[0.017, 0.284]，描述性）。

关联主要来自条目发布之前已经实现的价格变动，从发布后首笔交易起关联很小。 公告窗口以事件为锚，可能包含条目出现前就已发生的行情；发布对齐的判据则从条目发布后的第一笔交易算起。 发布对齐的探索性统计为0.023（[0.005, 0.041]）；在2,709条公司提交第2.02项8-K的收益类条目中，72%出现在申报被接收之后，中位滞后32分钟；署名撰稿人的条目有19.0%直接报道价格变动，而编辑部条目为0.6%。

在周度决策期限上，确认性检验未检测到文本判断相对纯代码特征带来排序信息，而植入内容造成的仓位移动被代码中的影响界限制住。 此前的多智能体交易设计多以组合收益展示效果，较少在同一读者上同时测量有效性与可被文本操纵的程度。 H3的排序信息系数相对纯代码孪生系统为0.016（95%置信区间[0.029, 0.002]），未检测到增量；攻击下所有仓位都留在界内，决策卡把88%的成功攻击追溯到被植入的条目，伪造事实与植入新闻稿分别在22.5%和31.5%的被攻击股票周内推动了界内的名字。

演示范围是一个商业新闻源的头条与摘要、100只标普500大盘股、周度决策与次日开盘成交，确认性读者为一个固定版本的大语言模型，Jev仅作描述性对照。方法本身面向任何主题后来产生公开时间戳记录的网页文本，但当前实例没有覆盖其他新闻源、其他资产或更高频的决策节奏。

发布对齐判据下的关联很小，作者据此提出应以发布对齐判据而非公告窗口判据来报告网页文本读者的有用性。Jev的估计只基于其发布后的549条新闻、3周窗口，属描述性结果；周度期限上的无增量结论只约束这一学习器与决策层，而非判断本身所含的信息。