AI时代的投资经理或许不必事事亲为，只需设计、约束并训练一个能持续接受市场奖惩的投资系统。
三位量化投资专家 Andrew Ang、Nazym Azimbayev 和 Andrey Kim 在 2026 年 4 月发布了《The Self-Driving Portfolio》。他们把一个机构级的战略资产配置流程拆分成了约五十个专业 Agent：宏观 Agent 判断经济状态，各类资产 Agent 生成预期收益与风险参数，二十多种组合方法并行给出方案，然后相互审阅、投票，最后交给 CIO Agent 汇总。这篇论文最出彩、也最贴近业界实践的地方，在于整个系统的组织设计——当分析能力可以大规模复制时，投资经理要如何分配决策权、设定边界，并且让责任链保持完整。
整个系统由一份投资政策声明（Investment Policy Statement, IPS）约束。过去 IPS 只是一份写给投委会和基金经理看的文件，但在这里，它同时变成了机器可执行的投资「宪法」。可投资范围、收益目标、风险预算、跟踪误差以及升级条件，都得先经过这份「宪法公约」才能进入系统。也就是说，人不再逐一指定用哪种模型，而是先划定 Agent 可以活动的空间。自治程度越高，治理就越重要：谁有权做什么，哪一步必须留下证据，遇上什么情况得把决策权交还给碳基投资经理。
具体来看，论文对 Agent 的拆解带着浓重的投研实战痕迹。每个 Agent 都有清楚的岗位说明、Python 脚本、可复用的 Skill 和结构化输出，语言模型负责读材料、比较证据、写判断，计算、统计与优化交给脚本。整个研究过程因此留下了机器可读的 JSON 和人类可审查的报告。对资管而言，这比多写几段漂亮的分析要实在得多——判断过程要是起了分歧，还能沿着记录一路追溯回原始证据。
在组合环节里，等权、风险平价、Black‑Litterman、最大分散和回撤约束等方法会同时运行。各个 Agent 会评审同行、给出排名，另外还保留了一个专门揪出「共识盲区」的 adversarial diversifier。Researcher Agent 则负责不断寻找系统尚未覆盖的新方法。投委会里常见的争论，被写成了一套可以反复执行的协议。不过需要指出的是，如果所有 Agent 共用一个基础模型，它们也可能共享同一组盲点——五十个名字听起来人多势众，背后可能还是同一个脑袋。
系统还设置了 Meta‑Agent，它会比较过去的预测和真实盈亏，检查哪些方法在特定的市场状态里持续失效，从而提出修改 Prompt、Skill 或代码的建议。一次判断结束后，留下来的既有盈亏，也有当时用了什么信息、遵循了哪条规则、错误发生在哪一层。投资观点会过期，但错误记录应该继续工作。
论文对实证组合的业绩表现极为克制。样例组合在 1996–2026 年的回测中夏普比率 0.39，60/40 基准为 0.41；最大回撤从 -34.3% 收窄到 -25.6%。作者同时坦白，大模型训练数据会带来前视偏差（Look‑ahead bias），论文明确承认，除非使用严格 point‑in‑time 训练的模型，否则 LLM 回测中的信息泄露无法完全消除。真正靠谱的验证只能来自上线后的前瞻运行，LLM 已经在训练阶段吞食了大量历史金融信息，让今天的模型回到过去做决策，没法保证它不知道未来。另外两项风险是：同一基础模型可能制造虚假的相关性，而人类在长期监督自动系统时也可能逐渐丧失现场感。论文给出的是一张施工图：投资经理逐步转向系统设计与监督，真正的价值还是要放进前瞻环境里，用一条持续运行的 NAV 来回答。
这篇研究对我们内部正在搭建的 Lunartulip “Alays‑on” Research Desk 的启示是：真正值得重视的是 IPS 与投资框架约束、任务编排颗粒度、审计链的设计、异质评审以及前瞻的 NAV，Agent 的数量反倒是次要的。
如果把视线拉远，最近几条行业线索也正往同一个方向收拢。
OpenAI 成立 Deployment Co.，让 Forward Deployed Engineers 进入企业现场，处理模型接入真实业务后的流程、数据和组织问题。Sequoia 与 LangChain 创始人 Harrison Chase 的访谈则把重点放在了长周期 Agent 的 Harness 上——当长周期 Agent 开始在编码、研究和 SRE 等场景中真正产生作用时，这并不只是模型变强，更来自愈发成熟的 Harness：文件系统、上下文压缩、状态管理和每一次运行的 Trace，这些详细记录共同决定了 Agent 能否跨越数小时甚至数天，让投资流程的每一步自发、连续地推进下去。
这些变化说明，模型的能力已经很强，真正麻烦的部分发生在答案生成之后。一份报告可以在十分钟内写完，业务流程却不会因此自动改变。判断需要进入系统，系统还得记住前因后果，等现实给出结果。
投资注定是一项比普通知识型工作更为挑剔的事业。今天读到一条新闻，可能只是噪音，也可能改变三个月前建立的产业判断。即使方向判断对了，估值、市场状态和仓位条件也可能让这笔交易不值一做。等价格走完一段，回过头来看一次盈亏，仍然无法直接回答自己究竟错在哪里。
过去，这些中间状态大多留在基金经理的脑子里面。研究员写报告，交易员执行，组合经理凭经验调整仓位。复盘时，人很容易记住那几个漂亮案例，也很容易用后来发生的事重新解释当时的想法。组织做了大量研究，真正留下来、可以基于市场反馈、用于下一个市场风格切换后重新学习的记录，却少之又少。
这也是 Lunartuliup Lab 一直坚持主张 AI 投研决策系统的原因。
未来一段时间，我们会继续记录这套过程如何观察市场、维护假设、处理变化，并通过组合结果检验自身。
我一直觉得，界面或者何种呈现载体本身并不是最重要的部分，AI‑native Fund 始终是自始至终的初心。
投资系统化的魅力在于：哪怕人暂时离开，这套投资过程仍然能够继续运转；哪怕判断出错，它仍能留下错误形成的数据记忆；而且，当时间足够长之后，它能不能用一条诚实的 NAV 曲线，回答自己究竟创造了什么价值。
发表于 3 小时前
|
查看: 4|
回复: 0
