资产一多、历史数据又短，判断哪些股票会一起跌，就像只看几天路况却要画完整交通图：两两关系太多，协方差矩阵——汇总资产自身波动及共同涨跌的表格——很难估准。这篇论文换了一个问题：不预测组合究竟会波动多少，而是先给系统性风险划出上界。
作者把每家公司新闻转成 Qwen3-Embedding-8B 的语言模型表征，再比较各公司新闻“语义分布”的距离。这里用的是 Wasserstein-2 距离，可理解为把一堆语义点搬成另一堆时所需的最小平均成本。公司信息越不同，在论文设定的信息—风险映射成立时，其潜在风险就越难完全同步，于是能从“所有资产完全同涨同跌”的最坏情形中扣掉一部分风险。
最巧的一点是：当公司特有的偏差设为零时，信息映射的尺度只改变风险上界能收紧多少，不改变最终的标准化配置；配置仅由新闻表征形成的几何关系决定，也无需跨资产收益协方差。作者在 2018—2022 年的 52 家公司样本中做了样本内评估，但原文所给百分位数字缺失；这些结果也只是描述性排名，并非样本外预测。