AI赋能资产配置（三十四）：首发：AI+多资产泛量化系列指数

2026-01-12 王开国信证券 GHK

Agentic AI全流程辅助策略开发，实现“泛量化”：借助Agentic AI，无编程背景的研究员、投资者可通过自然语言交互完成从数据收集、信号生成到策略构建、回测优化的完整流程，实现投研流程的高度自动化。
AI“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，执行者只需校验经济逻辑并利用智能体辅助调试，最终将业务意图高效转化为标准化、可复盘的量化成果。
AI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，夏普比率分别提升至1.56和1.81，最大回撤分别收窄至-8.16%和-6.39%。
AI增强型风险平价：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%，夏普比率提升至1.46，最大回撤缩减至-3.00%。

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，识别观点与数学表达之间的映射关系，并推导出求解算法逻辑。
选择优秀的AI智能体或利用CoT生成完整目标和约束的任务单：优秀的智能体能通过追问具体化任务，或使用“需求澄清”代理利用CoT技术帮助AI具体化任务目标和约束。
利用AI调试代码：优秀智能体的初稿基本能跑通，代码注释和章节化说明明确每一步操作。只需围绕结果合理性和经济逻辑进行检查，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。

策略简介：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、信心度以及方向等信息和简短理由，作为Black-Litterman模型的主观观点输入。
具体流程：输入多维信息（资产横截面特征、风险因素摘要、宏观市场快照），提示预测未来表现，观点量化与融合（预期收益作为观点向量Q，置信度映射为观点的方差Ω，与市场均衡回报结合计算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）。
策略标的：选择国内股、债、商市场，设定回测区间为2023年初至2025年末，每周调仓。
模型效果：引入AI视角的Black-Litterman策略大幅超越基准。DeepSeek-V3策略年化收益18.29%，夏普比率1.56，最大回撤-8.61%；Qwen-72B策略年化收益20.37%，夏普比率1.81，最大回撤-6.39%。

策略简介：引入AI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。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。
具体流程：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，选择较短的回溯窗口（60~120天）；若市场波动平稳、宏观趋势明确，则使用较长窗口（240~500天）；如果介于两者之间的模糊状态，则选择中等长度窗口。
策略标的：选择国内股、债、商市场，设定回测区间为2026年初至2025年末，每月调仓。
模型效果：AI动态调参带来的边际增益主要体现在回撤更可控、胜率与收益/回撤效率更优。Qwen-72B策略年化收益率提高0.12%，夏普比率进一步提升约0.06（约+4.5%），表现出更稳定的收益实现能力。