一、记忆增强Agent：主动投研体系的下一块拼图
- 原有框架以医药生物行业为样本，搭建了从卖方研报自动挖掘投资思维链、经滚动回测筛选有效逻辑、再由多链投票生成持仓的主动化投研体系，但局限于事件驱动的时点式判断，对科技板块信息密度高、叙事跨越多季度的行业存在短板。
- 为解决此问题，本篇报告提出为Agent补上两样东西：纵向沉淀个股脉络的记忆，与横向理解产业链上下游供需的认知。
- 引入双层认知架构：第一层“个股记忆栈”用六个维度逐月滚动维护每只个股的基本面画像；第二层“产业链供需认知层”以三级行业为客观骨架、以客观过滤的Wind概念板块生成需求锚点，按环节聚合跨主体供需信息（海外锚点需求、环节景气与价格、订单能见度、国产替代进度），经可溯源的“个股-环节”映射在判断时注入，专门弥补科技板块订单确定性藏在客户与同行信息里的结构性缺口。
二、行业投资专家Agent：CoT框架×双层认知架构
- 端到端的选股工作流分为七个环节：行业研报处理、双层认知架构更新、LLM判断、单链回测筛选、多链投票选股、持仓回测与收益归因。
- 行业思维链的生成与半年频迭代：大模型从当月行业研报文本中总结投资推理链条；半年层面，大模型先对半年内的月度链组做合并补缺，进行二次学习，再与上一半年期的存量链组做迭代更新。
- 双层认知架构：第一层个股记忆栈以“个股月度画像”为存储单元，每月月末，将该股当月新增研报与新闻交给LLM，与上月记忆快照做迭代合并；第二层产业链供需认知层以“环节月度状态”为存储单元，以申万三级行业做客观骨架，以客观过滤的Wind概念板块自动生成各环节的需求锚点，按环节聚合跨主体供需信息，经可溯源的“个股-环节”映射在判断时注入。
- 判断、筛选与投票选股机制：LLM依据个股增量信息、记忆栈及产业链认知层对每只个股、每条思维链输出JSON结构化判断，综合得分高的链对每只个股逐月投票，票数达到标准的个股等权入选下月持仓。
三、多科技子行业策略超额表现
- 回测数据显示（样本外2025.02–2026.07），六个科技子行业策略相对申万二级行业指数全部录得正超额：半导体年化超额106.8%（信息比率1.94）、光学光电子43.3%（1.44）、通信设备42.8%（2.25）、元件27.4%（1.57）、消费电子17.7%（0.52）、计算机设备11.8%（0.34）。
- 行业中性策略：多行业合并的行业中性科技组合年化超额46.9%、累计超额71.0%，而超额年化波动仅14.9%、超额最大回撤收窄至-6.6%、信息比率高达3.14，各风险维度均优于所有单一子行业。
- 应用产业链认知层带来的边际改善：以“判断时是否注入M-1月环节供需快照”为唯一变量的A/B对照进一步显示，第二层产业链认知层在多数行业带来更高质量的超额并明显压缩尾部风险。
四、收益归因：超额源于选股Alpha
- 持仓法：策略呈“科技成长质量”画像，系统性超配行业内大市值龙头、高成长、高质量与一致预期上修个股，同时低配动量、高波动与低估值。
- 收益法：风格仅解释约一成超额，Alpha显著为正，剥离全部风格贡献后，Alpha日均约17.0bp、年化41.6%，t值3.29，在1%水平上显著。
五、技能与应用
- 应用一：active-quant智能问答技能，支持行业概览、有效单链、持仓预测、个股符合度与证据、跨行业定位个股、产业链环节供需等自然语言查询。
- 应用二：单文件可视化看板，集净值曲线、绩效汇总与分年度表现、最新有效单链、持仓预测与个股查询于一体。
六、总结与展望
- 本篇报告完成了主观投资框架验证Agent从“单行业方法论验证”到“多行业策略化落地”的关键一跃。
- 方法论上，以四点必要性论证并构建了双层认知架构，使LLM判断从时点式阅读升级为携带历史脉络与产业链视角的专家式推理。
- 实证上，六个科技子行业在统一参数下全部录得正超额，科技组合年化超额46.9%、累计超额71.0%，超额年化波动仅14.9%、超额最大回撤收窄至-6.6%、信息比率高达3.14，Alpha显著为正。
- 后续工作将沿四条线推进：深挖思维链提取环节优化机制、横向复制到更多科技制造子行业及非科技赛道、探索记忆与认知的表征化。
