核心观点 - Agentic AI能够全流程辅助策略开发，实现“泛量化”，使无编程背景的研究员和投资者通过自然语言交互即可完成从数据收集、信号生成到策略构建、回测优化的完整流程 [4] - AI“泛量化”的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 [5] - 引入AI视角的Black-Litterman资产配置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，最大回撤由-14.23%大幅收窄至-8.16%和-6.39% [6] - AI增强型风险平价模型对比300天固定窗口方案，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% [7] Agentic AI如何做到量化平权 - 从对话即服务到AI智能体：早期的AI应用（如交互式对话、API调用）主要作为“增强型工具”，提升单点环节效率（如会议纪要自动化、舆情归纳），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 [13][14] - 从专注提示词工程到运用合适的智能体：AI工具的使用重心从“怎么写提示词”转向“先把目标定清楚”，通过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，实现对投研流程的结构化赋能 [16][18] - 从担心幻觉到拓展知识边界：Agentic AI结合Python等外接工具、Wind等数据与记忆能力，能够通过事实检索与推理拓展知识边界，使不懂编程的人员能用自然语言完成编程，实现“泛量化”投资 [20][22] AI泛量化具体流程 - 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，辅助识别观点与数学表达之间的映射关系，并推导出求解非线性优化问题所需的算法逻辑 [30] - 第二步：需求澄清与任务拆解：利用“需求澄清”代理或具备追问能力的优秀智能体，通过CoT（思维链）技术将用户的自然语言表达具体化为具备明确目标和约束的任务单 [36][38] - 第三步：AI生成与调试代码：优秀智能体生成的初稿代码基本能够跑通，并带有注释和章节化说明，便于非编程者复核，执行者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 [39][40] - 流程总结：该模式通过知识智能体保证知识解构与跨域映射，需求澄清代理拆解任务，执行者校验经济逻辑并利用智能体拓展知识边界进行调试，最终将业务意图高效转化为标准化、可复盘的量化成果 [43][44][45] AI视角驱动的Black-Litterman资产配置 - 策略简介：该策略将大型语言模型（LLM）自动生成的资产视角作为Black-Litterman模型的投资者主观观点输入，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、信心度及方向 [52] - 输入与处理：每周向LLM提供三类信息：资产横截面特征（如近期4周平均涨跌幅、波动率）、风险因素摘要（如资产间相关性）以及宏观市场快照，LLM基于此预测未来表现并以严格JSON格式输出 [52] - 观点量化与融合：将LLM输出的预期收益作为观点向量Q，置信度映射为观点的方差Ω，然后与市场均衡回报结合，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 [53] - 模型效果：策略标的包括国内股、债、商等七类资产，回测区间为2023年初至2025年末，每周调仓，引入AI视角的策略大幅超越等权基准，其中Qwen2.5-72B模型策略年化收益率高达20.37%，夏普比率1.81，最大回撤仅-6.39% [55][57] AI增强型风险平价模型 - 策略简介：引入AI动态决定风险平价策略中计算资产协方差矩阵的历史窗口长度，使其随市场环境自适应改变，以提升组合的稳健性与可解释性 [63] - 具体机制：在每个调仓日，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，决策逻辑依据市场波动率、资产间相关性及宏观环境剧变程度进行动态切换 [63][64] - 模型效果：策略标的同样为国内股、债、商等七类资产，回测区间为2026年初至2025年末，每月调仓且未使用杠杆，AI动态窗口方案在不增加波动的情况下优化了风险控制，Qwen2.5-72B方案年化收益4.71%，夏普比率1.46，最大回撤-3.00% [66][68] - 模型行为差异：DeepSeek-V3的窗口选择更“进攻型”、切换更频繁，导致更高的换手率（平均月换手2.41%）和交易成本；而Qwen2.5-72B的窗口选择更“稳健型”、更集中在中长窗口（平均月换手1.98%） [69][71][75]