只猜哪只股票明天涨，像只看商品标价，却不问能不能顺利买到、成交会不会推高价格。LiMT想补上这一块：它把收益、成交量异常和波动率放进同一个多任务模型——也就是让模型同时学习几个相关目标，希望流动性线索能帮助价格预测，并让结果更接近真实交易。
它最值得注意的一步，是先在每个历史时点比较不同股票的同步变化，再单独梳理每只股票随时间的规律，避免把“大家一起动”和“这只股票自己的走势”混在一起。随后，混合专家模块会按任务分配不同的信息，并压低彼此冲突的信号。作者还把预测转成受交易成本、流动性和成交参与限制约束的多空权重。
作者报告称，在 CSI300 的现实约束回测中，这套组合机制相较等权配置把年化收益从 3.99%提高到10.01%，Sharpe ratio——衡量单位风险回报的指标——从1.22升至1.86。不过，这些结果仍来自论文自身实验；它能否在未参与训练的股票和时期持续奏效，才是跨股票迁移是否成立的关键。