给交易模型换一套更贴近收益的考核标准，不等于它就学会了新东西。决策导向学习（Decision-Focused Learning，DFL）不只追求预测准确，而是直接按最终组合决策的好坏训练模型。但这篇论文指出：不同目标给出的反馈，经过模型后可能仍把参数推向几乎同一个方向。
关键在 Jacobian——它描述模型输出会怎样随参数变化。如果 Jacobian 的秩只有一，也就是模型在当前样本上实际上只能沿一个独立方向调整，那么均方误差和决策目标产生的非零梯度都会落在同一条线上。更反直觉的是，作者测试的一个 385 参数条件预测器，逐样本 Jacobian 仍是秩一；参数多，不代表可用的学习方向多。
在 38 个单参数股票配置中，作者报告 DFL 相比均方误差训练的提升均低于 1.8%。这给端到端交易模型一个直接提醒：换损失函数之前，先看模型能否把新信号变成新的参数更新。不过，局部秩一并不意味着两种训练会得到相同最优解，也不能推出整批数据的更新方向必然共线；实际价值仍要由样本外决策表现检验。