《AI赋能资产配置（三十四）：首发AI+多资产泛量化系列指数-260112（23页）.pdf》由会员分享，可在线阅读，更多相关《AI赋能资产配置（三十四）：首发AI+多资产泛量化系列指数-260112（23页）.pdf（23页珍藏版）》请在三个皮匠报告上搜索。

1、请务必阅读正文之后的免责声明及其项下所有内容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AgenticAI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Exce|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。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。执行者无需深陷

2、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。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，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%。AI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

3、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%。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01AgenticAI如何做到量化平权AgenticAI如何做到量化平权：从“观点表达”到“泛量化”从对话即服务到AI智能体(divcenter)图1：交互式AI在赋能投研时的缺陷(/divcenter

4、)AgenticAI如何做到量化平权：从“观点表达”到“泛量化”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。AgenticAI如何做到量化平权：从“观点表达”到“泛量化”从担心

5、幻觉到拓展知识边界以往，投资研究依赖人工收集数据、Exce|建模，周期长且高度依赖人员技能。AgenticAl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AgenticAI在金融中最具落地性的路径。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。太棒了

6、，我们先从数学优化与目标函数开始。这是风险平价模型的大脑。在Python中构建模型时，我们不能直接告诉计算机让风险相等，而是需要定义一个目标函数(ObjectiveFunction)，并通过优化算法找到让这个函数值最小的权重_w。1.目标函数的设计我们要解决的问题是：找到一组权重，使得每个资产的风险贡献RC_i尽可能接近我们的目标风险预算b_i（在标准风险平价中，b_i=1/n)。这里的逻辑很直观：如果每个资产的实际风险贡献RC_i都等于预设的目标sigma_pcdotb_i，那么这个函数的值就是0，也就是我们要找