2026年AI赋能资产配置（三十四）：首发，AI+多资产泛量化系列指数

Agentic AI如何做到量化平权

Agentic AI如何做到量化平权：从“观点表达”到“泛量化”

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。

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。

AI 泛量化具体流程

AI 泛量化具体流程：复现经典的风险平价模型

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。

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”。

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。

AI视角驱动的Black-Litterman资产配置

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。

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增强型风险平价模型

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。

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。

报告节选：