知识增强型LLMAgent在多元资产配置中的应用：知识库与Agent投资策略

资产配置 资产配置目录TOC\o"1-2"\h\z\u一、实验框架：LLM资产配置研究体系 3二、知识库体系搭建的实验设计 4产围数覆盖 4验体计 4识体系 4测擎 5三、全周期表现评估 5体现 5撤征 6度益解 6四、知识库效应的深度解剖 7种式量对比 7为么v1现于v2？ 7额益累路径 7五、决策行为与因子分析 8子注分布 8重置征 9六、核心结论与展望 10要论 10究增贡献 限与来向 七、风险提示 12一、实验框架：LLM资产配置研究体系资产配置是投资管理的核心问题。传统方法依赖历史统计量和数学优化，天然缺乏对宏观经济环境、政策变化和市场情绪的语义理解。大语言模型的涌现能力为这一困境提供了新的突破口。知识增强型LLM2001-2026Agent息（仅注入当前时点之前已知的知识，无前视偏差）；（2）270JSON（3）多策图1：知识增强型LLMAgent多元资产配置研究工作流程架构图资料来源：光大证券研究所LLMAgent22.5（2）库格式如何影响Agent舍？（3）Agent在决策时参考哪些经济和市场指标？其行为模式是否具有可解释性和一致性？图2：投资学习知识库体系搭建资料来源：光大证券研究所二、知识库体系搭建的实验设计资产范围与数据覆盖Wind（2004120266270。实验变体设计LLM驱动的单AgentDeepSeekSingleAgent（KBv1)注v1·eventsAgent（KBv2saresgnt基于标准化宏观描述进行判断；SingleAgent（无知识库）作为对照基线，1/N25%12资产获得更高权重。知识库体系2001-2026gnt，近期事件（12个月内）详细展示，历史背景以宏观摘要形式呈现。v1与v2v1：200811XXXXXbpLLM///时间线细节，LLM可能将其解读为数据库查询结果而非历史叙事。回测引擎四资1）（对A股按010及）1,000JSON记270三、全周期表现评估整体表现（2004-20266图3：全部策略归一化核心指标对比策略年化收益年化波动率最大回撤Sharpe比率SingleAgent(KB_v1·events)1.2%8.73%-1.1%1.47SingleAgent(Bv2·ummre)1.0%8.45%-9.11%1.28SingleAgent(无知识库)1.1%8.56%-1.7%1.17等权基准7.20%8.34%-2.1%0.88风险平价2.52%1.68%-8.82%1.49资料来源：万得，光大证券研究所；注：各个策略测试的时间区间为2004.01~2026.06，共计270个月度样本，下同。波动率的LM8487%83LM风险平价虽然Sharpe最高（1.49），但这是以极低的绝对收益（CAGR2.52%）。它的低波动（1.68%）（通常90%+）风险。图4：策略净值曲线对比 SingleAgent(KB_v2·summaries)SingleAgent(无知识库) 等权基准150001000050002004200520042005200620072008200920102011201220132014201520162017201820192020202120222023202420252026资料来源：万得，光大证券研究所；注：数据统计范围为2004.01~2026.06，标准化定基为1000。回撤特征回撤分析的核心发现是质量分层——在每次重大危机中，策略的回撤深度和恢复速度呈现出高度一致的排序：2008252%（472KB-11和KBv-91两个有知识库的LLM1040%。242008KBv1200969），KBv2（12）Agent图5：各策略月度回撤对比% ilgtK1eet) ilgtK2i) SleAet无知识库) 等权基准0-5-10-15-20-25-30资料来源：万得，光大证券研究所，注：数据统计范围为2004.01~2026.06。年度收益分解图6：各类策略年度收益对比% KB_v1KB_v2无知识库等权基准风险平价6050403020100-10-20-30资料来源：万得，光大证券研究所；注：数据统计范围为2004.01~2026.06。四、知识库效应的深度解剖三种范式的量化对比图7：三种范式的量化对比指标累计收益KB_v1(events)10.1%Kv2ae)932.00%758.42%Δv1-v2+576.11ppΔv2KB+7.5p年化收益1.2%1.0%1.1%+.2p+.9p年化波动8.73%8.45%8.56%+.2p-0.11pp最大回撤1.1%-9.11%1.7%-2.06pp+.6pSharpe1.471.281.17+0.19+0.11Calmar1.191.210.69-0.02+0.52资料来源：万得，光大证券研究所，注：数据统计范围为2004.01~2026.06。v1v2？events200811LLM208年12的sares（200811（2）叙事驱动vs数据驱动：v1更符合LLMv2LLM可能将（3）v2Agent这体现在更低的A（1的6-0eventsAgent图8：KB_v1与KB_v2净值对比2004200520042005200620072008200920102011201220132014201520162017201820192020202120222023202420252026

KB_v1_KB_v2_值 v1除v2值右）资料来源：万得，光大证券研究所；注：各个策略测试的时间区间为2004.01~2026.06，两个指数起始时点定基为1000。超额收益的累计路径KB1290425（，2020（。KB_v2反映其更均衡的配置风格。风险平价长期跑输等权基准（因过度配置低收益的货币基金）。iilgtK1eet) ilgtK2i) SleAet无知识库) 风险平价%3002001002004200520042005200620072008200920102011201220132014201520162017201820192020202120222023202420252026资料来源：万得，光大证券研究所，各个策略测试的时间区间为2004.01~2026.06。超额收益相较于等权基准。五、决策行为与因子分析因子关注度分布Agent（1）CIPI2判断货币环境松紧，通过政策信号捕捉调控方向变化；（2）PE/PB益，估值高则谨慎降仓；（3）最后根据市场情绪（成交量、波动率、风险偏好LLMAgent（A个覆盖盲区——Agent的视野主要局限在中国本土的宏观和估值指标，缺乏全球资产配置视角下的跨境信号。这既是当前框架的局限，也是未来优化的明确方向。图10：决策因子频率次 提及次数265 264257265 264257255236 235218178144211250200150100500波动率成交量相关性风险偏好

PPI

CPI

估值 利率 政策 GDP PMI资料来源：万得，光大证券研究所，各个策略测试的时间区间为2004.01~2026.06。权重配置特征各类策略下资产权重热力图呈现出如下结果：图11：各类策略下资产权重热力图资料来源：万得，光大证券研究所，各个策略测试的时间区间为2004.01~2026.06。v1v2熊市中的减仓幅度更大，而无知识库版本的权重变动更为渐进和平滑。以2014-2015A2014A15552015A40%22.5B2081在208A50%10%2008图12：不同市场阶段下各类资产的规律复盘市场环境月数策略年化收益月均收益月波动率牛市>2%)75ineAenK_v1even)57.97%3.91%2.43%牛市>2%)75ineAenK_v2ummries)50.87%3.51%2.16%牛市>2%)75ineAen(无知识库)48.69%3.38%2.24%牛市>2%)75等权基准49.42%3.41%1.26%牛市>2%)75风险平价4.74%0.39%0.48%熊市-2%)28ineAenK_v1even)-21.82%-2.02%1.43%熊市-2%)28ineAenK_v2ummries)-25.68%-2.42%2.14%熊市-2%)28ineAen(无知识库)-29.44%-2.84%2.28%熊市-2%)28等权基准-37.44%-3.82%1.79%熊市-2%)28风险平价-3.57%-0.30%1.15%震荡市±2%)166ineAenK_v1even)4.37%0.36%1.22%震荡市±2%)166ineAenK_v2ummries)4.07%0.34%1.22%震荡市±2%)166ineAen(无知识库)4.31%0.36%1.15%震荡市±2%)166等权基准1.31%0.11%1.01%震荡市±2%)166风险平价2.87%0.24%0.20%资料来源：万得，光大证券研究所，各个策略测试的时间区间为2004.01~2026.06。1的A16，而25-41-52sareset2006-2007图13：各类策略收益相关性相关性ineAentKv1even)ineAentKv2ummries)ineAent(无知识库)等权基准风险平价ineAentKv1even)100%89%87%83%26%ineAentKv2ummries)89%100%86%81%29%ineAent(无知识库)87%86%100%85%23%等权基准83%81%85%100%30%风险平价26%29%23%30%100%资料来源：万得，光大证券研究所，各个策略测试的时间区间为2004.01~2026.06。LLMLLM20152020A2016后该不该抄底、2019年初贸易战暂缓后该不该加仓这类边际判断中，知识库信号发挥了关键的置信度增强作用。六、核心结论与展望主要结论基于270个月的严格回测证据，本文得出以下三项核心结论：知识增强型LLMAgentLLMA期约9LLM驱配置决策引擎。（v22.22134%vs112）56（150%s3%）v1eventsLLM）Agent在决策时20XXXXXX20XXXX·v2sares格式让gntCalmarAgent270Agent（2008年112015620203）LLM研究的增量贡献本文在以下几个方面为LLM+金融领域的文献提供了边际贡献：LLM2pp以上的系统性差异。这对知识库设计和检索增强生成系统的工程实践有直接指导意义：在构建金融领域的LLM提供了22.55-10