以下是一份对提供的研究论文 Can Large Language Models Execute Parent Orders? 的极其详尽分析,覆盖元数据、逐章解读、图表深度解读、估值/经济含义、风险评估以及批判性评估。分析结合原文要点,并在涉及具体结论、数据点或图表时,按要求在句末标注溯源页码(如 1 )。同时,对文中引用的关键图表逐一给出简要解读并附上图片的相对路径以便溯源。
一、元数据与概览
标题与主题
标题:Can Large Language Models Execute Parent Orders?
主题:将大语言模型(LLMs)应用于“父订单执行”(parent-order execution)的问题,提出一个名为PACE的分层框架,用以在长周期规划与短周期执行之间实现无前置市场假设、无任务特定训练的自适应执行。核心理念是让LLMs在推理阶段完成“如何执行”的决策,而非仅仅决定“买卖什么”。该研究以深圳证券交易所Level-1数据进行回测,比较TWAP、Almgren-Chriss、以及学习型基线,显示PACE在执行成本上具有竞争优势,并且揭示了LLM在执行决策上的行为特征与信心对结果的影响。1
作者与机构
作者:Zane Shen、Xinli Xu、Guangyi Zhang、Jialong Chen、Jinsong Zhou、Cong Chen、Guibao Shen、Dongyu Yan、Luozhou Wang、Zhen Yang
机构:Independent Researcher、HKUST(GZ)、ZJU、SYSU 等
备注:文中列出的多位作者及机构信息在首段清晰给出;研究旨在拓展LLMs在金融领域的“执行”维度,而不仅是“交易对象”的维度。1
核心结论与传达信息
-PACE通过将决策分解为“长周期规划”和“短周期执行”两阶段来处理价格的噪声与趋势,且实现了在没有显式市场假设或任务特定训练的前提下的自适应执行能力;在深圳Level-1数据上的回测结果显示PACE优于TWAP、AC以及部分学习基线,且对最强基线的提升约为0.65bp,具备显著的经济意义(以年交易规模1000亿美元计,约可省约1bp的执行成本,即约1000亿美元规模下的千万美元级别节省)。此外,研究还提供了对LLM在执行中的行为分析,发现 Planner的信心高通常带来更好表现,Executor倾向于更早交易而非临近截止时才执行,这些观察指向LLMs在执行决策上的潜在协同作用。1 , 2
量化与经济性要点
论文明确给出在对比基线中的“强基线提升0.65bp”的结果,以及在年交易额1000亿美元规模下的约USD 10 million级别的年度节省( aggressive/ passive 两种提交设置下的综合结论)。此外,论文还披露了在不同模型之间的鲁棒性(ChatGPT-5.4 vs DS-v4-f等),以及推理成本(单次LLM推理成本约USD 30),显示在成本/收益比方面具有较强的现实意义。上述要点分述在摘要与结果部分,均有原文描述。1 , 5
结构与主线
论文按常规研究结构组织:摘要与引言、相关工作、方法(3.1–3.4)、回测环境、实验设置与结果(4.1–4.7)、设计分析(4.4、Table/Figure相关)、案例研究、计划者行为分析、执行者行为分析、结论与未来工作,以及附录与Prompts等。这一结构清晰地支撑“从何而来、如何实现、为何有效、以及在哪些方面需要进一步完善”的完整分析框架。2 , 7
二、逐节深度解读(逐章精读与剖析)
引言与概览(Abstract 与 Section 1)
关键论点与信息
传统父订单执行的局限:要么依赖难以在实践中成立的市场假设,要么需要任务特定训练,缺乏适应性。PACE试图打破这一局限,利用LLMs进行“长远规划+短期执行”的分层执行,同时不需要预设市场模型或针对特定任务进行训练。此点在摘要中作为研究的核心动机与创新点出现。1
推理依据与假设
作者基于对价格时序的“长周期趋势+短期波动”的观察,提出将计划与执行拆分以降低对局部噪声的敏感性,并以LLMs的广泛先验知识来增强推理能力。这种拆分并非传统的纯规则化或纯学习策略所能直接覆盖的,因此被定位为“在推断时生成执行决策”的新范式。1
关键数据点与结论
实验数据来源是深圳证券交易所Level-1数据,PACE在“最强基线”之上提升0.65bp,且对用户规模(USD 1000亿美元/年)具备显著的潜在节省。该点在摘要和后续实验部分多处 reiterated。论文亦强调LLMs在执行决策上与人类投资者的差异(Planner信心与执行节律的关系、Executor更愿在较早阶段交易等),这为理解其工作机制提供了行为层面的证据。1 , 5 , 6
图表提示
图1(HP滤波分解的价格序列)用于支持“价格具备长周期趋势与短周期波动”的直观假设,是PACE方法论的理论基础之一。图片路径在文中给出,后文图表深解部分将逐一解析。该图的呈现也在文中作为概念性支撑。1
图/表溯源嵌入
图1: 1
相关工作(Section 2)
关键论点与信息
传统执行策略的静态/模型驱动与学习驱动方法的对比,强调既有方法对价格动态的依赖性及对任务奖励/状态/行动的需要。作者将PACE定位为“首次将LLMs用于父订单执行”的尝试,目标是在推理阶段融合先验知识与当前观测,而非依赖明确的价格模型或任务特定策略训练。这一定位使研究在方法论上具有较强的创新性。相关工作回顾涵盖 Almgren-Chriss、Frei-Westray、动态交易量调整等,以及在金融领域的LLM应用(文本理解、因子挖掘、交易代理等)的现状与不足。2
推理与假设
假设LLMs具备跨任务的广泛知识,可以在无特定训练的情况下,基于市场历史与输入信号生成跨时序的执行决策。该假设是PACE设计的核心驱动,也是后续方法章节的技术基础。
关键数据点
对比对象包括TWAP、AC、XGBoost、LSTM等学习基线,本文在回测中展示PACE在上述对比中的优越性。该部分主要用于定位创新点与研究空白。2
图/表溯源
图2(PACE总体架构)实际描述了Inputs、PACE模块、Backtesting等数据流,直接支撑3.3节中“长短周期分离”的设计。图2在文献中以页面2给出。图2的相应图片: 3
方法(Section 3,含 3.1–3.4)
3.1 Preliminary
核心概念:父订单O = (s, d, ts, te, Q),执行窗口、方向、股票ID、总量等定义,以及“执行曲线”作为策略的时间-数量安排。给出执行任务的基本要素与评估指标的框架基础。3
3.2 Inputs
三大输入:父订单、市场历史、TWAP曲线。对市场历史的定义包括在过去L分钟内的中间价P_i与成交量V_i,以及中间价即为盘口Ask1与Bid1的平均价。TWAP曲线作为基线,定义了在给定区间内按等间隔决策的数量分配。研究以此作为基线参考,突出PACE在TWAP基础上的增量信息利用。相关公式在文中给出,显示了TWAP分配的明确计算方式。3
3.3 PACE(核心方法)
长短周期分解的动机与结构:
长周期规划器(Planner):基于父订单、市场历史和TWAP曲线,形成长-horizon文本趋势评估L,并将执行窗口分解为N个子计划Sn,每个子计划包含起止时间与执行量。Planner输出每个子时段的数量偏好分数a_n ∈ [-1,1]及置信度c ∈ [0,1]。通过公式将{a_n}映射到权重w_n,并结合TWAP分配,得到最终的子计划S_n=(u_n,v_n,q_n)。超参数λ控制来自LLM的分配权重对比TWAP。该设计使得规划阶段能够借助LLM的先验知识对未来趋势做出偏好判断,同时保留TWAP的稳健性作为基线参考。该过程把“计划”的不确定性与“执行”的即时反馈分离开来。此处的关键假设是LLM的长周期推断能在无明确价格模型的前提下提供有效的分配信号。4
短周期执行器(Executor):基于子计划Sn、市场历史Ht-τ、Planner的长期判断L,以及TWAP基线,输出当次的调整量Qt_E。这里引入z_t作为LLM输出的数量调整分数,指示偏离TWAP基线的方向与程度。γ控制偏离TWAP的强度,tz>0表示增加当前决策的交易量,tz<0表示减少。该模块把“全局长期判断”与“最近市场观察”有机结合,使得短期执行可以对市场微观波动作出响应。核心在于实现跨时间尺度的协同:Planner负责宏观分配,Executor对短期信号进行微调。这一结构是PACE区别于纯静态或纯学习型策略的关键设计点。4
3.4 Backtesting Environment(回测环境)
Matcher:基于当前SnapShot的Ask1与Bid1价格,策略提交买卖指令,若价格与策略方向匹配则成交并清除相关订单;提供两种提交模式:Aggressive(尽快成交,买单在At、卖单在Bt)与 Passive(以较优价格提交,可能不立即成交,最后一分钟进行撤销+冲刺交易以完成剩余量)。这决定了回测中的执行成本与成交效率。Evaluator,则以两项核心指标bp与cr评估表现,且定义了加权bp(wbp)以评估多单元(M个父订单)上的综合表现。3 , 4
关键指标定义:
cr(完成率)= Q_Traded / Q,总执行量的百分比;cr=100%表示完全执行。
bp(价格表现)基于成交价格与TWAP价格之差,单位为bps。
wbp:价值加权的bp,综合多个父订单的表现。该回测框架使得评估既可比较不同策略,又能定量描述在不同市场条件下的鲁棒性。4
图表与公式的角色
该章节对TWAP、Planner与Executor之间的关系给出清晰公式化描述,便于在后续实验中复现与对比。包括Eq.(5)中λ对LLM分配的影响,以及Eq.(6)中z_t对QT的调整影响等。对各部分之间的耦合关系进行了明确阐释。4
实验与结果(Section 4)
4.1 Setup(数据与模型)
数据:使用深圳证券交易所Level-1快照数据,覆盖2026年所有交易日;每个交易日随机生成10个父订单用于对比不同执行策略。模型方面选取闭源的ChatGPT-5.4与开源的DeepSeek-v4-flash作为LLM候选,并将默认推理强度设定为不同水平(ChatGPT为“无推理努力”,DS-v4-f为“高推理努力”)。基线包括TWAP、AC、XGBoost、LSTM等。输入超参数包括λ=0.3、γ=0.5、τ=5分钟、Δ=1分钟,重复8次以降低随机性影响。该设置强调了在不同模型与基线下的鲁棒性评估。5
4.2 Main Results(主要结果)
PACE在 aggressive 与 passive 两种提交设置下均优于所有基线。具体而言,在 aggressive 下,PACE最优变体比TWAP的wbp提升1.02bp,比最强基线提升0.65bp;在 passive 下,提升分别为1.07bp 与 0.71bp。结论强调PACE对成本的经济意义:以USD100B/年的基金规模估算,PACE替代TWAP可实现约1bp级别的执行成本节省,相当于约USD10百万级的年度收益。两种LLM变体均表现出正向收益,说明方法对模型选择有一定鲁棒性。5
4.3 Performance Breakdown(性能分解)
统计显著性:采用5,000次自助法(bootstrap)检验,DS-v4-f在 aggressive 和 passive 两种设置下均显著,95%置信区间分别为 [0.15, 2.12] 和 [0.05, 2.24],p 值分别为0.002和0.014,表明结果并非偶然。分组(order direction、execution window length、quantity)进一步显示在所有子群体中PACE相对于TWAP的收益均存在。对鲁棒性(如波动性)分析显示PACE在低/高波动性情景下均具优势,且因为其长周期规划对局部噪声的抑制效果,鲁棒性强于单纯的小波动驱动的学习策略。上述点在文本中有明确描述并以相应图表支持。5
4.3 继续的图表解读要点
Fig.3(图3:PACE相对于TWAP在不同父订单特征下的增益)
描述:a) 买单/卖单的增益对比,b) 0-30分钟 vs 30-60分钟的执行窗口,c) 0-5千股与5-10千股的数量分组。主观结论:在卖单方面增益更明显,且较长执行窗口的增益往往低于短窗口,反映价格在较短期内的可预测性较高,因此前置规划可能更有效地利用早期信息来压低成本。该观察在论文的文字描述中给出并附带结论说明。5
Fig.5(图5:低波动 vs 高波动环境下的wbp对比)
结论:PACE在两个波动性组别都表现出明确优势,表明方法对市场噪声的鲁棒性较强,且分层规划-执行结构有助于降低对局部噪声的敏感性。这一点在文本中作为鲁棒性证据被强调。6
4.2 与 4.3 的额外要点
Sweep分析与Inference成本:在DS-v4-f的具体案例中,Sweep仅占18.8%的总量,前瞻性(前扫)与最终分配的贡献都较为重要,且1bp改进对应的经济收益约USD3560(在文中作为单位估算),全样本的总交易额约USD35.6M;而LLM推理成本仅约USD30,显示成本效率极高。该成本-收益对比在文中给出明确数值,支持实用性论证。5
Ablation研究(Table 2、Table 3 等)与Prompt Ablation:分解与剖析表明移除Planner或Executor都会削弱性能,Planner贡献在 aggressive 设置中更显著,但Executor的边际收益也不容忽视。对比不同提示组件(S:侧向指引、G:市场术语表)的实验表明,虽然去除部分提示组件仍优于TWAP,但完整提示能带来更佳表现,说明提示信息对LLM执行有辅助作用但非必需。相关结论分布在页4-5的实验段落与表格中。5 , 6
Hyperparameter Sensitivity(Figure 4):λ、γ、τ这三项超参数的灵敏度分析表明,在中等值附近能获得最佳表现;过小或过大都会降低综合性能。λ、γ直接影响LLM信号强度,τ过小导致子计划数过多易产生噪声,τ过大则易暴露于噪声。因此,参数选择需要在鲁棒性与灵敏性之间权衡。这在Fig.4及相应文本中有明确说明。6
4.4 与 4.6 的设计分析与行为分析
模块消融(Table 2)显示无论是哪一个模块的缺失,都会降低性能;Planner的作用在 aggressive 设置中相对更大,但Executor的贡献同样显著。Prompt Ablation的结果显示模型在没有具体交易指令时也能保持优于TWAP的能力,但完整提示可以提升执行性能。这些发现支撑了PACE设计的基本假设,即两阶段结构与提示信息共同驱动执行性能提升。5 , 6
Planner行为分析(Fig.7)显示规划器输出的长周期分数在重复运行中具有稳定性(KL dispersion低,表示重复调用下分布稳定),以及更高的Planner信心(c的提升)往往对应更集中的分布(HHI上升),这与投资者自信时更集中持仓的观察相吻合。这些行为分析强化了对Planner输出与实际执行结果之间关系的理解。7
4.5 案例研究
Fig.6(a)与Fig.6(b)给出具体时间段内的案例:前者展示了在市场历史信息充足的情况下,Planner会对未来价格趋势做前置判断,提前分配权重以便在价格下行时更高价位完成抛售;后者展示Executor在某些时点对局部高价趋势进行加量的情况,从而在更优价格区间完成交易。此处的案例分析直观揭示了PACE在两阶段协同中的实际操作逻辑。7
4.7 Executor Behavior(执行者行为)
对时间压力的回归分析显示,z_t在决定“是否调高当前决策的交易量”时与时间压力呈显著的负相关关系,意味着执行者在距离子计划截止的时间越近,倾向保持保守以减少错配风险;这与人类在临近期限时的“冲刺”行为不同。这一发现为理解执行层面的时序响应提供了量化证据。6
结论与未来工作(Section 5)
研究总结:PACE是首个系统性将LLMs用于父订单执行的工作,成功实现了“长-horizon计划”和“短-horizon执行”的分离,且在两种订单提交设置下均有持续性改进。行为分析揭示LLM决策与人类投资者在信心、时间偏好上的差异,提示LLMs可能在专业交易中作为“纪律性执行”的辅助工具。未来工作包括在真实交易环境下的评估、引入新闻、微观结构信息和跨资产信号等以增强输入维度。上述结论在文末结论段落明确给出,并有对未来工作方向的具体描述。7
三、图表深度解读(逐图解读与联系文本)
图1:HP滤波分解的价格序列
描述:图中以红色曲线表示长期趋势(long-horizon),蓝色为中位价格的短期波动(short-horizon),橙色为局部波动。图左、右两幅展示不同时间段的分解结果。该图意在直观展示市场价格具备“长周期趋势+短周期随机波动”的结构,是PACE将计划与执行分离的理论基础之一。作者据此提出两阶段模型的合理性。出处:1
溯源图片:
图2:PACE总体架构(Inputs–PACE–Backtesting)
描述:图2明确呈现了三大数据流(数据层的Inputs、PACE模块、后端Backtesting环境)的组织关系,包含Planner输出的子计划、Executor的量化调整,以及Matcher与Evaluator在回测中的作用。该图是理解PACE工作流程的直观入口,支撑3.3节的分层设计与4节的回测流程。出处:3
溯源图片:
图3:Gain of PACE over TWAP across parent-order characteristics
描述:三幅子图分别对比不同特征维度下PACE相对TWAP的增益(单位:bps)。(a) 订单方向(BUY/SELL),(b) 执行窗口长度(0-30、30-60分钟),(c) 父订单数量(0-5千、5-10千股)。结论指出:卖单更易获得较大收益,且较长的执行窗口通常带来较小的增益。该图直接支持文中对市场微结构与时间尺度的讨论。出处:5
溯源图片:
图4:Hyperparameter sensitivity of λ, γ, and τ
描述:该图分三小图展示λ、γ、τ对wbp的敏感性,x轴为参数取值,y轴为wbp(单位bps)。结果提示:中等参数值通常最优,过小或过大都会降低性能;τ的选择需平衡细粒度分割与噪声暴露。该分析是理解PACE对超参数敏感性的重要证据。出处:6
溯源图片:
图5:wbp在低波动与高波动情景下的对比
描述:柱状图呈现低波动与高波动两组下的wbp对比,显示PACE在两种情境下均有优势,强调其对价格噪声的鲁棒性。出处:6
溯源图片:
图6:PACE案例研究(两种视角)
描述:Fig.6(a)展示基于历史信息的前瞻性Planner前加载行为,价格走势向下时实现前置分配;Fig.6(b)展示Executor在局部高价时增仓、价格回落时减仓的执行细节。直观地体现了Planner与Executor在不同时间维度的协同作用。出处:7
溯源图片:
图7:Planner行为分析(稳定性与信心-集中度关系)
描述:Fig.7(a)给出KL散度随重复调用的变化,显示Planner的长期分数在同一父订单下具有稳定性;Fig.7(b)探讨信心提升与分配集中的关系:更高的信心对应更高的HHI,表明计划在确定性提升时更倾向于集中于少量时段。这些发现解释了Planner信心与分配策略之间的关系,与人类投资者的集中持仓现象有相似性。出处:7
溯源图片:
图(及其他图表)的整体观察
研究广泛使用图表来支撑其核心假设:时间尺度分离带来的鲁棒性、 Planner 的稳定性、信心与分配的相关性,以及执行层对时间压力的响应模式。这些图表共同构成对PACE工作方式的多维验证。
进一步的表格与案例
表1:Main results under aggressive and passive order-submission settings(表格化对比)
表2:Ablation study(模块消融)
表3:Planner replanning test(再规划测试)
表4:Planner confidence and execution performance(Planner信心与表现之间的回归结果)
表5:Executor behavior regression(执行者行为回归)
除图外,文本对表格中的显著性、系数与置信区间给出了解释性分析。相关数据点分布在文中的第四节与附表中。5 , 6
五、估值分析与经济含义
方法的经济意义
论文明确给出若以USD100B/年的基金规模来衡量,用PACE替代TWAP约可实现约1bp级别的成本节省,对如此规模的资金而言具有显著的经济价值(文中直接给出该估算)。此外,单纯一个子样本的推理成本(如DS-v4-f variant仅约USD30)与总交易额(约USD35.6M)的对比凸显了成本效率的优势。5
估值方法类型
本研究并非传统的“企业价值评估”或“未来现金流折现法”等金融估值工具的应用对象。其估值性质更多体现在“相对成本节省与相对性能提升”的实证结果上,即PACE在执行成本上的改进量化以及对比基线的提升程度。这符合论文的研究性质:评估一个交易执行策略在历史数据上的相对表现与经济影响,而非给出企业估值的定量目标价。
六、风险因素评估
研究内在风险点与局限性
数据来源局限性:所有回测基于深圳Level-1数据与历史窗口,未在实时交易、不同市场环境(如美股、衍生品、流动性极弱市场等)下直接验证,存在外部效度局限。1 , 7
模型不确定性与成本结构:LLM在推理过程中的随机性、输入输出的一致性、以及Prompt设计的敏感性都可能影响结果。虽然文中给出多模型对比和多种消融分析,但实际部署时的鲁棒性仍需在真实交易环境中验证。5 , 6
风险管理与执行约束:当前回测中对“撤单、滑点、成交价格波动、跨市场影响”等因素的处理在论文中以Matcher/Evaluator的指标来近似,但在真实市场中的复杂性仍可能使得策略表现出现偏离。作者也在结论中提到未来工作将扩展输入信息(新闻、微观结构信号、跨资产信号)来提升稳健性。7
风险缓释与缓解策略(论文内置的)
分层设计(Planner vs Executor)本身就是一种风险管理手段:Planner的“长周期规划”提供全局视角,Executor对短期波动进行局部纠偏,从而减少对单点极端事件的敏感性。
超参数敏感性分析(λ、γ、τ)为使用者提供了在不同市场条件下的参数调节指引,强调在噪声环境下不过度放大样本外推的信号。该分析为部署前的参数选取提供了操作性建议。6
七、批判性视角与细微差别
潜在偏见与局限性
研究过度依赖历史市场数据的回测结果,尽管进行了鲁棒性分析(波动性、样本重复性、深度匹配等),但对真实市场冲击、流动性挤压、以及极端市场事件的暴露仍有限。未来在 live-trading 场景中的验证是必要的,以确认方法在现实情境中的可执行性与稳定性。7
Prompt设计和LLM推理强度对结果的敏感性在本研究中被证明存在,但具体在不同市场、不同时间段的泛化能力仍未完全定量化,尽管提示消融结果显示完整提示有额外收益,但实际生产环境中可能需要更严格的版本控制和A/B测试策略以避免系统性偏差。5 , 6
设计中的“Replanning”的负效应(短订单的再规划在某些场景下表现不佳)提示两阶段协同并非在所有情景下都更优,需针对不同订单特征设计自适应的触发条件,以避免过度干扰交易节奏。此点在4.4的Tab.3以及相关分析中有所指出。5 , 6
内部一致性与矛盾点
文中多处强调PLANER的“前瞻性偏好”与EXECUTOR的“对时间压力的响应”之间的协同关系,但 Planner replanning 的实验结果显示在短时长的父订单上频繁重规划可能产生副作用,提示两阶段协同的最优节奏并非 universally optimal,需要根据执行窗口长度、订单规模等自适应设定。该矛盾点被作者在4.4(设计分析)中明确呈现出来,属于方法的边界条件之一。 6
八、结论性综合
整体结论
本研究首次系统性地将大语言模型应用于父订单执行,提出PACE这一分层框架,成功将长周期规划与短周期执行结合起来,且在深圳Level-1数据回测中实现相较TWAP、AC及学习基线的一致性提升(在 aggressive 与 passive 两种提交模式下均有显著收益)。同时,论文通过行为分析揭示了LLM行为的独特性:Planner信心越高通常对应更好的执行结果,Executor在时间压力下的行为呈现出与人类不同的时序偏好,这些洞见为未来人机协同交易提供了重要的理论与实证基础。PACE在两种LLM模型之间表现出鲁棒性,推理成本低于潜在收益,具备可操作性与实证价值。1 , 5 , 7
未来工作指引
将PACE移植到真实交易场景(live trading)的评估,扩展输入维度(新闻、市场微观结构信息、跨资产信号)以及改进回测的深度与广度(如不同市场、不同风格的大额订单),以进一步验证其稳健性与适用性。7
研究意义与启示
研究实现了“从何买卖到如何执行”的范式转变,展示了LLMs在执行层面的潜力,提示未来金融领域可能在交易执行、订单管理等维度广泛采用基于LLM的推理辅助与自适应策略。该研究也为学术界提供了一个可复现的完整实验框架(数据输入、Planner/Executor设计、回测环境、评估指标与统计检验),为后续研究奠定了坚实基础。1 , 3 , 4 , 5
附:关键图表与图片的速查清单
Figure 1 HP滤波分解图:支持“长期趋势+短期波动”的分解假设。出处 1 ;图片:
Figure 2 PACE架构图:Inputs–PACE–Backtesting 数据流与模块关系。出处 3 ;图片:
Figure 3 性能增益分解:在不同特征维度下的增益(a: Direction, b: Window, c: Quantity)。出处 5 ;图片:
Figure 4 超参数敏感性:λ、γ、τ 对wbp 的影响。出处 6 ;图片:
Figure 5 波动性鲁棒性:低/高波动性下的wbp对比。出处 6 ;图片:
Figure 6 案例研究:前瞻性规划与局部执行行为。出处 7 ;图片:
Figure 7 Planner 行为分析:稳定性与信心-集中度关系。出处 7 ;图片:
若需要,我可以将以上分析整理成更紧凑的要点清单,或进一步扩展对每个公式、每段实验数据的逐句注释,确保研究结论的可追溯性与可复现性。