毕业设计（论文）是本科人才培养的重要环节，是实现教学、科研与社会实践相融合的重要结合点，对于提高学生的综合能力和全面素质具有重要意义。为进一步提升本科生毕业设计（论文）质量，更好地调动广大师生的积极性，学校从2012届起，开展“上海交通大学优异学士学位论文”（TOP 1%）评选活动。安泰经济与管理学院2026届本科生马骏豪、江木力、季楷泓、郭诚同学的本科毕业论文经过学院推荐、学校答辩评审，获评2026届“上海交通大学优异学士学位论文”。尤为值得一提的是，四位同学均选择在国内外顶尖学府跨专业攻读博士学位——马骏豪、季楷泓将于交大安泰分别攻读工商管理学、应用经济学博士学位；江木力赴澳大利亚新南威尔士大学攻读计算机科学与工程博士；郭诚前往美国普渡大学攻读工业工程博士。他们的论文选题既扎根经管沃土，又勇闯工科、数理与人工智能交叉的前沿领域。这正是交大安泰“纵横交错、知行合一”育人理念的生动注脚，也是学院经管类本科高层次人才培养硬核实力的有力证明——让学生在宽口径、厚基础之上，敢于打破学科边界，以跨界融合回应时代命题，以扎实研究奔赴学术旷野。

学生姓名：马骏豪

本科专业：会计学

指导教师：李晓荣

毕业去向：上海交通大学安泰经济与管理学院攻读工商管理学博士

论文题目：利用生成式AI进行金融信息生产：来自金融分析师的证据

论文摘要：生成式人工智能正在重塑高技能信息中介的生产方式，但其是否提升信息生产效率、是否改变专业判断的独立性与异质性，仍缺乏系统性经验证据。本文以金融分析师这一资本市场重要信息中介为研究对象，基于2022-2023年美国分析师报告数据，借鉴词汇分布偏离度方法构建报告文本层面的生成式AI应用强度指标，系统考察生成式AI的采用动因及其对分析师信息生产过程的影响。研究发现，工作负荷更重、行业覆盖更分散的分析师更倾向于采用生成式AI，明星分析师也表现出更显著的早期采用倾向。进一步研究表明，生成式AI的采用显著提高了分析师报告的信息来源相似度，说明其虽然可能增强个体层面的信息处理能力，却也可能在群体层面带来信息输入的同质化风险。在观点产出方面，生成式AI的采用使分析师报告的情感态度更加乐观，并提高其观点与同群先行报告之间的相似度，呈现出一定的“AI驱动的羊群效应”。本文的研究表明，生成式AI对金融分析师信息生产的影响并非单向的效率提升，而是同时伴随着信息来源趋同、情感偏误和观点同质化等潜在风险。本文不仅拓展了生成式AI对高技能职业影响的相关研究，也为理解人机协作背景下资本市场信息环境的演变提供了经验证据，并为金融机构与监管部门规范生成式AI在专业信息生产中的使用提供了参考。

论文创新点：会计领域较少研究生成式AI影响分析师的文章，采用可解释性强的统计学习方法从文本层面衡量生成式AI的应用强度，并得到“生成式AI的应用会提高生产效率，但也会导致信息产出的羊群效应”等一系列新颖结论。

学生姓名：江木力

本科专业：大数据管理与应用（大数据和商务管理）

指导教师：王凯

毕业去向：新南威尔士大学攻读计算机科学与工程博士

论文题目：属性距离约束增强的图聚类算法研究

论文摘要：社区检测是复杂网络分析的核心，以Louvain为代表的拓扑优化方法因忽视节点属性，常导致社区内语义杂糅。现有融合方法（如I-Louvain）采用加权优化，但由于度量尺度不一，无法保证社区内属性距离上界，社区纯度甚至低于传统方法。针对该痛点，本文提出属性距离约束模块度最大化（ACMM）问题：在最大化模块度的同时，严格限制同一社区内任意节点对的欧氏属性距离不超过阈值r。该问题属于NP-难问题。为实现高效求解，本文设计了双层距离剪枝框架（DFMove）。外层通过可行性缓存（含时间戳失效机制）、边最大距离预剪枝和优先候选排序，快速过滤不可行候选；内层引入多锚点仿射几何界（MPAB），基于锚点诱导的正交分解，以O(1)代价给出最紧的属性距离上下界，从而免去O(d)的精确计算。在11组真实数据集上的实验表明，DFMove使精确距离计算次数最高减少150倍，运行时间最高加速28倍，在ogbn-arxiv上比两阶段基线方法快426倍且内存占用更低。同时，该方法在有标签数据集上取得了最高0.870的社区纯度，案例分析证实了其在提升社区语义一致性上的显著效果。

论文创新点：首次将“属性距离硬约束”与模块度最大化结合，提出ACMM问题，避免传统Louvain只重拓扑、软融合方法缺乏距离上界的问题；设计DFMove双层距离剪枝框架，通过可行性缓存、边最大距离预剪枝和Best-First排序减少无效候选；进一步提出MPAB多锚点仿射几何界，以常数级代价判断距离可行性，显著降低高维属性图聚类中的精确距离计算开销。

学生姓名：季楷泓

本科专业：金融学

指导教师：喻洋

毕业去向：上海交通大学安泰经济与管理学院攻读应用经济学博士

论文题目：信息消化还是过度反应？——基于投资者异质性的新闻情绪定价机制研究

论文摘要：新闻情绪能否预测股票收益，是金融文本分析与资产定价研究中的重要问题。既有发达市场研究通常发现“新闻动量”现象，即正面新闻后股价继续上涨、负面新闻后股价继续下跌，说明市场需要时间逐步消化文本信息。然而，在个人投资者参与度较高、卖空和日内套利约束更强的新兴市场中，新闻情绪进入价格的机制可能并不相同。本文以中国A股市场为研究对象，使用覆盖5,033只股票的全市场日度面板数据，并基于152万条上市公司新闻标题构建FinBERT情绪指标，系统检验新闻情绪如何影响股票价格。研究发现，A股市场并未表现出发达市场常见的新闻动量，而是呈现方向相反的“新闻反转”：新闻情绪与下一交易日盘中收益显著负相关，说明利好消息更容易在短期内被高估，并在盘中逐步回落。进一步拆分收益后发现，该效应主要来自“隔夜高开”与“盘中回吐”的组合，反映出散户在集合竞价阶段的情绪化追涨，以及盘中交易者对价格的逐步修正。本文进一步提出“系数变化识别策略”，将新闻情绪分解为受历史价格影响的内生动量传导和独立于既有价格路径的正交化文本信息。结果表明，大盘股和高机构持股股票对文本信息吸收更充分，而小盘股、低机构持股和套利受限股票更容易因文本信息冲击产生过度反应。研究说明，新闻情绪并不会天然地产生动量或反转，其定价方向取决于投资者结构、套利条件以及信息进入价格的具体时点。

论文创新点：本文基于中国A股全市场新闻数据，发现新闻情绪在散户参与度高、套利约束较强的市场中并非表现为“新闻动量”，而是呈现“新闻反转”。研究进一步将投资者异质性纳入解释框架，揭示机构参与度、股票规模与套利条件对新闻定价方向的影响，并提出“系数变化识别策略”，区分内生动量传导与文本信息本身的独立冲击，从而更细致地刻画“隔夜高开、盘中回吐”的价格发现机制。

学生姓名：郭诚

本科专业：经济学

指导教师：Lim Xi Zhi

毕业去向：普渡大学（西拉法叶）攻读工业工程博士

论文题目：零和随机博弈中的非对称注意力机制

论文摘要：本文构建了一个由非对称注意力机制(Asymmetric Attention Mechanism)主导的新型零和随机博弈模型，深入探究了创新与模仿之间的跨期战略张力。在该框架下，创新者能够外生地发现全新的行动策略，而模仿者的执行能力则严格受限于已公开的历史信息。这种不对称性迫使创新者必须在利用创新带来的即期红利与信息泄露所导致的不可逆长期成本之间进行权衡。由于信息泄露会导致状态空间呈指数级爆炸，精确求解全局最优策略是一个PSPACE-hard问题。为了克服这一维数灾难，我们提出了两种基于有限理性的启发式策略：断点策略（Breakpoint Policy）与有限期截断策略（Finite-Horizon Truncation Policy）。通过引入稳态的“目标均衡值”（Target Equilibrium Value）作为对未知未来的锚定，我们从理论上证明了这些策略的最大性能偏差（后悔值）受到了由外生参数决定的严格上界约束。此外，我们通过证明断点策略在数学上等价于单步（1-step）截断策略，在理论结构上实现了这两种方法的统一。最终，本研究在难以求解的动态博弈理论与切实可行的商业战略之间架起了桥梁，为高波动环境下的企业决策者提供了一个连续、可调的分析框架以及严格可量化的最大后悔值。

论文创新点：在经典的零和随机博弈框架中引入了“动作集动态膨胀”的非对称机制，以数学模型精准刻画了创新动作一旦披露即被单向不可逆模仿的现实困境，并为这一理论上不可解的维数爆炸问题，提出了具有严格性能边界保证的近似最优策略。

愿四位学子怀揣热爱与赤诚，带着交大赋予的学识与底气，在各自的学术航道上潜心钻研、锐意创新，深耕前沿领域、勇攀学术高峰。