AI量化系统分层：概率留在研究层，确定性长在授权链

AI 判断错并不可怕；可怕的是，系统把一次概率生成当成资本指令。

对于正在做基本面研究、构建自动化 AI 量化系统的研究者来说，这个问题正在变得具体：随着模型能力升级，AI 在读公告、比较证据、提出假设、批量生成可回测量化因子方面的能力日益提升；但当判断准备进入组合，谁有权改变仓位、一次能改变多少，以及何种条件下遵循边界以防止模型临场发挥，最终审阅决策稳定性和 Alpha 能力，是目前量化研究者普遍关注的问题。

本文的判断很明确：一套能同时承载投研和交易的 AI 量化投资系统，不必强求每一层都由确定性算法完成。研究层应保留概率推理，它的产物是判断；确定性应落在资本转译层授权链上，将判断转译成目标仓位；执行优化在已经批准的边界限制内进行，从而实现边界明确、路径可优化的执行。目标仓位冻结之后，在成交方式上继续优化，仍有超额收益空间。

研究层：会推理，不等于能安全地充当账户状态机

当同一份量价时间序列数据交给同一个大模型，即使固定温度、采用接近确定性的解码，连续运行仍可能得到不同的动作轨迹：第一次 BUY，第二次 HOLD，下一时点又翻成 SELL。

AlphaForgeBench 在 2026 年记录了三类问题：重复运行的结果分布不稳定；确定性解码下动作序列仍不一致；相邻时点出现不合理的 action flipping。研究者没有继续要求模型把答案压成买卖指令，而是把它改造成 quant researcher，让它生成可执行的因子公式和策略代码，再由可复现的系统运行与评价。

这里需要收窄结论：测试结果不能推出大模型不适合交易，而是语言生成不适合直接充当组合状态机。通用语言模型擅长在不完整证据中形成候选解释，研究本来就处于证据不完整、解释不唯一的地带。比如某个季度资本开支的调升可能有很多种解读，管理口径变化可能来自需求、竞争或库存。AI 投研最有价值的部分，正是保留可竞争的多种假设可能、寻找反证并更新概率。但这也意味着，它不适合直接承担账户状态、资本权限和连续动作的一致性。

图 1｜同一输入产生不同动作轨迹的概念示意；用于解释系统风险，不是论文实证图。

研究层更合理的输出是一份结构化 Investment Intent，包含方向、预期收益分布、信心、期限、核心依据、失效条件、建议暴露区间与建仓紧迫度。它保留判断成立的条件，这样就不再需要把研究结论过早地压缩成 BUY、SELL 或资本授权的简单结论。

资本转译层：用编译器作为系统的承重墙

研究判断和券商订单之间缺的那一层，才是整套系统的承重墙。

假设上游系统得出一项结论：某只股票转为看多，建议目标暴露提高到 12%。真实账户不能看见 12% 就开始买。

它还要检查：组合风险预算是否允许；行业与因子暴露是否越界；是否与既有持仓形成重复风险；单票集中度、融资和流动性是否符合 mandate；当天其他交易是否已经改变账户状态。

这一层的功能接近资本编译器：

Research Reasoning → Investment Intent → Risk & Portfolio Kernel → Authorized Target Weight

工程上已经有了很接近的实现方式。FinRL-X 提出的 weight-centric architecture 正在靠近这一方向：选股、配置、择时和组合风险叠加可以由不同模块完成，但下游都通过统一的目标权重协议衔接回测与券商执行。它是一项架构主张，不是实盘超额收益证明；它的重要性在于把 research-to-deployment gap 从调参问题变成接口问题。

CFA Institute 的 Agentic AI 实践框架也区分了文本护栏和有阻断效力的程序化护栏。写在 prompt 里的谨慎控制仓位只是行为要求；而能够限制单笔规模、拒绝越权工具调用、触发人工审批的工具调用守门人，以及涉及真实资金时的人工终审，才真正拥有阻止资本动作发生的权限。

这里的确定性需要被更清楚地定义：它指的是单一可信的账户状态、可重放的授权结果、必然生效的硬约束和完整审计记录，并不承诺底层计算逐比特完全一致。determinism、reproducibility 与 auditability 彼此相关，但功能上并未完全相互覆盖。

对投资人而言，这解决的是 fiduciary accountability：观点可以变化，但组合不能在授权边界外漂移。对金融科技架构师而言，这解决的是状态更新、获批许可护栏与治理审计，确保即便模型被替换，也不会影响到账户解释目标仓位的方式以及整体组合规则实现。

图 2｜Research、Capital Translation 与 Execution 的职责边界。

执行层：边界确定，不代表执行端没有 Alpha

很容易走到另一个极端：既然要稳定，后端是不是只能退回静态 VWAP 或 TWAP 这类固定规则才最安全？

答案仍是否定的。

目标仓位、账户状态、风险上限和停止条件是需要被固定的环节，但具体的成交路径仍是一个真实的优化问题。同样是一笔一千万元的买单，什么时候下、拆成多少、使用市价还是限价、如何响应盘口深度和波动变化，会产生不同的 implementation shortfall。

执行器可以在边界内调整路径，也可以在流动性骤变或观点过期时请求撤单与重新授权；它不应越过资本层，擅自改写目标仓位或投资逻辑。

CFA Institute 2026 年展示的一项强化学习执行案例，在相同价格路径上与 TWAP 比较，约三分之二的模拟路径表现更优，平均改善约 20 个基点。对一笔 500 万美元的标普 500 ETF 卖单，示例量级接近一万美元成本。这个结果来自单一工具和模拟环境，不能直接外推为生产系统收益；它证明的只是执行优化值得被独立测量。

另一项 2026 年研究在纳斯达克 100 上比较五种深度强化学习算法，仅把固定 10 个基点成本替换为基于 Almgren–Chriss 与平方根冲击律的非线性模型，绝对表现、换手行为和算法排名都发生了变化。

由此可见，交易成本不该作为回测结束后的折扣项补入，它属于策略定义。一个 research alpha 能否进入真实 P&L，取决于它能不能穿过容量、流动性和冲击成本。

把一条净值曲线拆回两种能力

一套系统最终只有 NAV，很容易让研究、组合和执行互相替对方背锅。

更稳妥的做法是把两种 Alpha 分开评价：

1. Research Alpha：在统一的组合与执行假设下，研究方法是否产生稳定的 selection、timing 或风险识别优势；
2. Execution Alpha：在同一个授权目标组合下，执行策略是否降低 implementation shortfall、market impact 与交易成本。

这里的 Execution Alpha 是相对执行基准的成本改善，不应与选股超额收益混为一谈。只有分开记录，复盘时才能回答：这次收益差，究竟是判断错了、仓位裁决错了，还是成交丢掉了优势。

自主程度也不该是一个从 0 到 100 的总开关，而应是一张授权地图：

• Research Agent 允许自由扩展证据和挑战假设；
• Portfolio Optimizer 专注既定风险预算内求解；
• Execution Engine 建立于已批准订单内部动态优化；
• 模型不建议授予自行修改单票上限、总杠杆、mandate 或停止规则的权限。

因此，评估重点应从 AI 有多自主，转向自主权被放在哪个环节以及如何确保后续评价与治理。

一套可落地的 AI 投资系统，至少应回答五个问题

在增加更多 Agent 之前，可以先检查五个接口：

1. 模型输出的是判断、目标权重，还是订单？三者是否被明确区分？
2. 当前持仓、风险预算和流动性状态由谁保存，是否是唯一可信状态？
3. 哪些约束拥有硬拒绝权，哪些只是提示建议？
4. 每次目标仓位变化，是否能追溯到证据、判断、审批和执行记录？
5. Research Alpha 与 Execution Alpha 是否使用各自独立的基准评价？

成熟的 AI 投资系统更接近一家被机器重新实现的投资机构：研究层探索，资本层授权，执行层优化成交。它的确定性不来自模型每次给出同一个答案，而来自一条清晰、可重放、能在必要时阻断交易的授权链。

---

资料截至 2026 年 9 月 11 日。本文讨论系统架构与研究方法，不构成任何证券推荐或投资建议。文中研究与案例包含论文实验及模拟环境结果，不能直接视为实盘业绩证据。

主要参考：AlphaForgeBench；FinRL-X；Realistic Market Impact Modeling for Reinforcement Learning Trading Environments；CFA Institute Agentic AI for Finance 与 Using AI to Develop Optimal Trade Execution Strategies。

延伸阅读可前往云栈社区了解更多量化与系统设计相关内容。