对冲最怕这样的场面：今天定下的方案，明天用同一套风险标准重算，却得出相反动作。Zhang 与 Godin 把“时间一致性”引入深度对冲——让神经网络学习每日交易规则时，后续决策不会推翻此前的风险逻辑。这项工作值得看，因为它把过去多见于简单环境的动态风险方法，推进到一年期篮子期权的高维、每日对冲场景。
关键做法是采用动态风险度量，即每个时点根据已有信息重评未来尾部风险；再利用“可诱导性”，把抽象风险指标转成神经网络可以最小化的评分损失，避开层层嵌套模拟。作者实验称，静态 CVaR——预先承诺、只盯最终尾部风险的目标——在压低到期风险时仍更优；但动态 CVaR 在较短剩余期限内持续给出更低风险，而且越接近到期，风险单调下降。静态策略反而随到期临近而风险上升。换句话说，终点成绩与沿途稳定并非一回事：时间一致性牺牲部分终局最优，换来策略每天都更站得住。