两只股票名字不同、近期走势也不太同步，不代表它们真的分散了风险：如果都对同一种行业或市场冲击敏感，组合仍可能把鸡蛋放在同一个篮子里。这篇论文要解决的，正是相关性看不见的“隐性集中”。
作者提出 MINGLE，同时学习因子暴露和资产关系图。因子暴露是资产对共同风险驱动力的敏感程度；图模型则把资产当作节点、把局部联系画成边。关键一步是：它不再按历史收益是否同涨同跌来连边，而是让风险暴露相似的资产彼此靠近；反过来，学到的邻接关系也会约束因子暴露，让两套结构互相校正。
作者称，这张“暴露相似图”比传统相关性图更贴近既有经济行业划分，据此构建的组合在不同波动环境和交易成本水平下也持续胜过相关性基准。不过，现有材料未给出具体收益幅度；更稳妥的价值在于，它提供了一种检查组合是否表面分散、实则押注同类风险的新视角。