AI赋能资产配置分析报告：AI+多资产泛量化系列指数

证券研究报告|

2026年1月12日AI赋能资产配置（三十四）首发：AI+多资产泛量化系列指数核心观点Ø

Agentic

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Agentic

AI，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。Ø

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。Ø

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%。Ø

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本人有

169580个文档在互联网上公开展示，

每天几万个目光扫过，商业价值无可估量。本广告页虚席以待，有眼光人士可以和我联系宣传和推广，目前只放开四个位置，见下方有意联系wechat

:

lycqlc位置一：

每月5000元位置二：

每月3000元位置三：

每月2000元位置四：

每月1000元目录Agentic

AI如何做到量化平权AI

泛量化具体流程01020304AI视角驱动的Black-Litterman资产配置AI增强型风险平价模型风险提示05AgenticAI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。图1：交互式AI在赋能投研时的缺陷理论上完整策略开发闭环交互式AI/API调用数据获取➡

️数据清洗➡

️建模➡

️回测➡

️调参会议既要自动化舆情和情绪快速归纳逻辑断层与人工干预上下文丢失，指令依赖低容错率的落地门槛交互式AI只能生成代码片段，无法自主完成长路径闭环策略复杂后交互式AI容易丢失00上下文，逻辑前后不一致代码报错仍需技术人员二次修改，限制策略迭代速度图表信息识别研报结构化整理效率提升，但局限于单点环节资料：万得，国信证券经济研究所整理AgenticAI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。图2：2024-2026年AI工具进化

推理时计算崛起（DeepSeek-R1等）

优化与训练知识提取过去“记背”知识现在思考过程

思维链技术（CoT），输出前多步搜索、验证、自我纠错

通过触发词命中答案分布概率

专注提示词工程，例如“语境-任务-案例-格式-语调”、专家法

专注从“怎么说”➡️“定目标”：给定标准与约束条件

MCP、Skills等基础设施的完善智能体=LLM+外接工具+记忆反思规划选择不同的智能体=选择不同的工具与记忆复杂目标➡️子任务拆解外接工具记忆自我质询➡️不符合则修正➡️重新尝资料：万得，国信证券经济研究所整理AgenticAI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。AgenticAI

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。图3：智能体如何增强扩展知识边界并赋能“泛量化”能力Agentic

AI编排逻辑用自然语言定义研究目标和约束执行-校验-修复闭环运行

事实检索（工具调用）+推理

带有检索功能的智能体能检索生成最新研报、政策和数据

不懂编程的人员能利用自然语言做编程

本质是“预测下一个看起来合理的词”自动拆解任务并执行流程输出可复用脚本与标准化结果

依赖训练记忆

金融：严谨程度不够资料：万得，国信证券经济研究所整理目录AgenticAI如何做到量化平权AI

泛量化具体流程01020304AI视角驱动的Black-Litterman资产配置AI增强型风险平价模型风险提示05AI

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。图4：知识智能体帮助学习“投资直觉”到“数学”理解图5：知识智能体帮助学习“数学公式”到“代码”翻译资料：国信证券经济研究所整理资料：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”图6：优秀的智能体通过追问详细化任务图7：在给任务前，先使用“需求澄清”代理资料：国信证券经济研究所整理资料：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。图9：AI智能体优化代码图8：AI生成的部分代码资料：万得，国信证券经济研究所整理图10：利用有长推理能力的AI优化代码资料：国信证券经济研究所整理资料：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。图11：AI泛量化流程总结执行者利用知识智能体拓展知识边界，拓展的知识帮助执行者调试代码知识智能体保证需求澄清代理执行者校验经济逻辑输出可复用脚本与标准化结果知识解构与跨域映射拆解任务并执行流程执行者利用知识智能体拓展知识边界，拓展的知识帮助执行者用自然语言确定修改路径资料：国信证券经济研究所整理目录AgenticAI如何做到量化平权AI

泛量化具体流程01020304AI视角驱动的Black-Litterman资产配置AI增强型风险平价模型风险提示05AI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。图12：AI赋能BL模型的表现图13：AI赋能BL模型的净值总累计收益

年化收益率

年化波动率夏普比率最大回撤策略等权39.34%64.46%11.85%18.29%11.94%11.71%0.991.56-14.23%-8.61%DeepSeek-V3Qwen2.5-72B73.15%20.37%11.24%1.81-6.39%资料：万得，国信证券经济研究所整理资料：万得，国信证券经济研究所整理目录AgenticAI如何做到量化平权AI

泛量化具体流程01020304AI视角驱动的Black-Litterman资产配置AI增强型风险平价模型风险提示05AI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要体现在回撤更可控、胜率与收益/回撤效率更优，其中Qwen-72B版本在不增加波动的情况下实现了更好的收益效率与回撤约束。•

在该样本期内，AI动态窗口的边际价值主要体现在“更高的月度胜率”与“更高的风险调整后收益”：相对固定

300

日窗口，两条

AI

策略胜率均提升约1.65pct，其中Qwen-72B的夏普进一步提升约0.06（约+4.5%），表现出更稳定的收益实现能力。•

Qwen-72B赋能结果将年化收益率提高0.12%.图14：AI赋能风险平价模型的表现图15：AI赋能风险平价模型的净值策略年化收益4.59%4.51%4.71%年化波动3.25%3.19%3.19%夏普率月度胜率65.29%66.94%66.94%最大回撤-4.50%-3.69%-3.00%300天固定窗口DeepSeek-V3Qwen2.5-72B1.39