AI赋能资产配置（三十四）：首发：AI+多资产泛量化系列指数

多资产研究·资产配置深度 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001 核心观点 ØAgentic AI全流程辅助策略开发，实现“泛量化”： 传统投研过程中，研究员往往依赖Excel进行数据处理和策略分析。借助AgenticAI，无编程背景的研究员、投资者也可完成从数据收集、信号生成到策略构建、回测优化的完整流程。只需通过自然语言与AI交互，即可获取所需财经数据、生成投资信号并自动产出投资组合方案，实现投研流程的高度自动化。 ØAI“泛量化”具体流程： 始于知识智能体进行知识解构与跨域映射，随后由需求澄清代理拆解任务并执行流程，输出具备工程化说明的初稿。执行者无需深陷代码细节，只需重点校验经济逻辑，并利用智能体拓展知识边界辅助调试。这种模式避免了盲目消耗token反复试错，通过自然语言精准引导修改路径，最终将业务意图高效转化为标准化、可复盘的量化成果。 ØAI视角驱动的Black-Litterman资产配置 引入AI视角的BL策略较等权基准实现了业绩飞跃。DeepSeek-V3与Qwen2.5-72B分别录得18.29%和20.37%的年化收益，远超等权基准的11.85%，夏普比率从0.99分别提升至1.56和1.81，且最大回撤由-14.23%大幅收窄至-8.16%和-6.39%。 ØAI增强型风险平价 对比300天固定窗口方案，AI动态窗口在不增加波动的情况下显著优化了风险控制。Qwen2.5-72B方案年化收益达4.71%，提升0.12%。夏普比率从1.39提升至1.46，最大回撤由-4.50%大幅缩减至-3.00%。 Ø风险提示：本报告基于历史数据和AI生成结果，存在模型过拟合风险；宏观和市场数据口径调整可能影响AI结论；LLM生成的观点存在随机性，需警惕AI推理的不稳健性。AI推理的不稳健性，AI模型的输出结论具备一定随机性，多次生成可能产生不同的结果 目录 Agentic AI如何做到量化平权01 AI泛量化具体流程02 AI视角驱动的Black-Litterman资产配置03 Agentic AI如何做到量化平权：从“观点表达”到“泛量化” Ø从对话即服务到AI智能体 2025年，我们团队在《AI赋能资产配置》系列研究中，以实战解答的形式，重点分析了DeepSeek在政策信号量化、数据处理方法、AI投研应用以及金融市场落地方案中的可行路径。回看这一路径，从交互式对话到API接入等方式利用大语言模型，我们前期的研究本质上仍将AI视作“增强型工具”。它更多是在投研流程中的某一个环节发挥效率提升作用，例如会议纪要自动化、舆情与情绪的快速归纳、图表、公告信息识别、以及对研究报告的结构化整理等。换言之，AI的贡献主要体现为“让既有流程更快、更省人”，但对“把观点变成策略、把策略变成交易”的端到端闭环帮助有限。 Agentic AI如何做到量化平权：从“观点表达”到“泛量化” Ø从专注提示词工程到运用合适的智能体 2025年初以来至2026年，我们在AI工具的使用上，重心正从“怎么写提示词”转向“先把目标定清楚”。这是因为大模型本身的CoT技术内置、推理模型的兴起改变了我们运用AI+投研的方式。与其反复雕琢指令细节，不如围绕明确的目标与约束来组织任务与流程。基于此，我们开始更系统地评估不同智能体的能力边界，并将其嵌入研究、数据处理、策略构建与复盘等环节，以实现对投研流程的结构化赋能。我们开始关注不同智能体可实现的能力如何嵌入并赋能投研流程。 资料来源：万得，国信证券经济研究所整理 Agentic AI如何做到量化平权：从“观点表达”到“泛量化” Ø从担心幻觉到拓展知识边界 以往，投资研究依赖人工收集数据、Excel建模，周期长且高度依赖人员技能。Agentic AI拓展了知识的边界结合Python等外接工具、Wind等数据与记忆能力，以及投资者的策略语言，“泛量化”投资成为Agentic AI在金融中最具落地性的路径。 资料来源：万得，国信证券经济研究所整理 目录 AgenticAI如何做到量化平权01 AI视角驱动的Black-Litterman资产配置03 AI增强型风险平价模型04 AI泛量化具体流程：复现经典的风险平价模型 Ø第一步：知识解构与跨域映射 通过学习智能体完成从“投资直觉”到“数学公理”的深度转换。针对风险平价模型中资产边际风险贡献的对等性要求，智能体辅助识别出观点与数学表达之间的映射关系，并进一步推导出求解该非线性优化问题所需的算法逻辑，从而消解业务语言与底层算力之间的认知鸿沟。 AI泛量化具体流程：复现经典的风险平价模型 Ø第二步：选择优秀的AI智能体或利用CoT（思维链）生成完整目标和约束的任务单 •优秀的智能体，在收到用户自然语言表达时，能通过追问的方式具体化任务 •或者使用“需求澄清”代理：利用CoT技术，用户利用AI帮助AI具体化需要执行的任务，说清楚“目标和约束” AI泛量化具体流程：复现经典的风险平价模型 Ø第三步：利用AI调试代码 •优秀智能体的初稿基本能够跑通，代码注释和章节化说明明确了每一步在做什么。便于非编程者复核和定位Bug。 •只需围绕结果合理性与经济逻辑进行检查，再由长思考模型协助定位和修复Bug，即可将“能跑的初稿”快速推进到可信、可复盘的泛量化成果。 资料来源：万得，国信证券经济研究所整理 AI泛量化具体流程：复现经典的风险平价模型 •知识智能体辅助人类用自然语言确定修改路径，将主观业务意图快速转化为明确的代码调试指令。这让开发者不必深陷技术细节，就能将实验性脚本高效打磨为标准化、可复盘的泛量化成果。 •知识智能体填补了人类缺乏工程思维的短板，明确了监督AI时的具体校验点。与其靠反复烧token让AI试错代码，利用智能体辅助人类精准纠偏是成本最低、确定性最高的调试方案。 •需求澄清代理这种前置的逻辑梳理确保了代码初稿基本能够跑通，并降低修改和调试消化的token。 目录 AgenticAI如何做到量化平权01 AI泛量化具体流程02 AI视角驱动的Black-Litterman资产配置03 AI增强型风险平价模型04 风险提示05 AI视角驱动的Black-Litterman资产配置 Ø策略简介– Black-Litterman模型是一种将市场均衡预期与投资者主观观点相结合，从而生成资产预期收益并计算权重的框架。模型本身并不产生观点，而需要研究人员输入对各资产的预期回报观点。在本策略中，我们引入大型语言模型自动生成资产视角。具体而言，我们每周调用LLM，根据最新宏观经济数据和市场走势，预测下周各资产的预期收益。LLM输出包含每只资产的预期简单回报率（如+0.5%表示预计上涨0.5%）、信心度（0～100）以及方向（涨/跌/震荡）等信息和简短理由。这些视角作为Black-Litterman模型的主观观点输入。 Ø具体而言： 输入多维信息：每周调仓时，向LLM提供三类最新信息：①资产横截面特征（各资产近期4周的平均涨跌幅、波动率等指标)；②风险因素摘要（如资产间相关性、组合的当前风险暴露情况）；③宏观市场快照（近期宏观经济数据变动、重大政策消息等）。这些信息勾勒出当下市场状况的全貌。 提示预测未来表现：通过精心设计提示语，让LLM基于上述信息预测下一个调仓周期（如未来一周）各资产的涨跌幅，并给出相应的置信度。例如提示：“基于以上数据，你认为下周黄金、A股、美股等的回报率将是多少？请给出每个资产的预期收益和你对此判断的信心（0-100）。”为了便于后续处理，我们要求LLM回答严格的JSON格式，列出每项资产的{"预测收益": X%, "置信度": Y}。 观点量化与融合：将LLM输出作为Black-Litterman模型的投资者观点：预期收益作为观点向量Q，置信度映射为观点的方差Ω（信心越高，方差越小）。然后与市场均衡回报（Π向量，可由历史均值推算）结合，计算得到融合观点后的资产预期收益和协方差，最终求解出新的组合权重。 AI视角驱动的Black-Litterman资产配置 Ø策略标的：选择国内股、债、商（沪深300、中证500、中证1000、中证2000、红利指数、十年国债指数、黄金）市场设定回测区间为2023年初至2025年末，每周调仓。 Ø模型效果：借助LLM自动生成的视角，Black-Litterman策略实现了对市场短期机会的捕捉，取得显著超额收益。以国内外主要资产的组合为例，我们对比了无主观观点的等权基准与引入AI观点的策略。 •等权基准组合在测试期内获得年化收益约11.85%，年化波动率11.94%，夏普比率0.99，最大回撤约-14.2%•引入AI视角的Black-Litterman策略则大幅超越基准。数据显示，采用DeepSeek-V3模型生成观点的策略年化收益率达到18.29%，夏普比率提升至1.56，最大回撤缩小至-8.61%；采用较大参数规模LLM（如Qwen-72B）生成观点的策略年化收益更高达20.37%，夏普比率攀升至1.81，最大回撤仅-6.39%。净值曲线相比基准陡峭上扬，且回撤更浅，体现出卓越的风险调整后收益。 资料来源：万得，国信证券经济研究所整理 目录 AgenticAI如何做到量化平权01 AI泛量化具体流程02 AI视角驱动的Black-Litterman资产配置03 风险提示05 AI增强型风险平价模型 Ø策略简介：风险平价策略通过分配权重使得组合中各资产承担均等的风险贡献。在传统实现中，一个重要参数是计算资产风险（协方差矩阵）的历史窗口长度：窗口过短会对近期波动变化非常敏感、频繁调仓，窗口过长则可能滞后于市场regime转换。通常研究人员需要依据经验或反复试验来选择合适的回溯期（如250个交易日、一年数据）。我们引入AI来动态决定风险平价的协方差估计窗口，使其随市场环境自适应改变。 Ø具体而言： 在每个调仓日让LLM基于近期宏观指标和市场行情特征，从预设的一组候选窗口长度中选择“最佳”窗口期并给出理由。我们提供给AI的决策逻辑包括：若市场波动率突然飙升、资产间相关性急剧上升或宏观环境突发剧变（如遇到危机），应选择较短的回溯窗口（60~120天）以快速反映风险变化；若市场波动平稳、宏观趋势明确，则使用较长窗口（240~500天）获取稳定统计特征、避免过度调仓；如果介于两者之间的模糊状态，则选择中等长度窗口。LLM会读取最近月度的宏观数据（如通胀、利率、经济增长等上一期已公布值）和当月内市场的量价指标（如月内波动率水平、资产间相关性等日频统计），并严格按照上述逻辑给出一个建议窗口以及简短理由。例如，当宏观环境稳定且市场波动较低时，模型倾向回答“市场波动平稳且宏观趋势明确，选择长窗口以获得更稳定的统计特征，减少无谓调仓”，对应选取最长候选窗（例如500天）。反之，在波动率突然上升的月份，模型可能选择120天甚至60天的短窗口，并给出“短期波动加剧，选择短窗口以快速适应高波环境”等理由。 核心在于：在不同市场状态下自动切换风险评估的时间尺度——当市场波动/相关性结构发生突变时，更强调近期信息以快速“再定价”风险；当市场回归平稳时，则倾向更长窗口以提升协方差估计的稳定性、减少噪声驱动的无效调仓，从机制上提升组合的稳健性与可解释性。 AI增强型风险平价 Ø策略标的：选择国内股、债、商（沪深300、中证500、中证1000、中证2000、红利指数、十年国债指数、黄金）市场设定回测区间为2026年初至2025年末，每月调仓。未能使用杠杆。 Ø模型效果：我们对比了三种风险平价方案固定窗口风险平价（RP_300D）与两条AI动态窗口风险平价（分别由DeepSeek与Qwen-72B作为窗口决策模型。 •整体上，三条策略的净值路径高度一致，说明在本样本期内风险平价框架本身已显著压降波动；AI动态调参带来的边际增益主