知識(shí)庫+Agent投資策略——知識(shí)增強(qiáng)型LLM Agent在多元資產(chǎn)配置中的應(yīng)用.pdf

大語言模型的涌現(xiàn)能力為傳統(tǒng)資產(chǎn)配置方法缺乏語義理解的困境提供了新的突破口。光大證券研究所構(gòu)建了一個(gè)完整的知識(shí)增強(qiáng)型LLM資產(chǎn)配置框架，以2004年1月至2026年6月共270個(gè)月的四資產(chǎn)（A股/債券/黃金/貨幣）配置為統(tǒng)一考題，系統(tǒng)檢驗(yàn)知識(shí)增強(qiáng)型LLM Agent能否在超長周期中持續(xù)產(chǎn)生顯著超額收益。

核心發(fā)現(xiàn)

研究設(shè)置五種策略范式進(jìn)行橫向?qū)Ρ龋篠ingle Agent（KB v1·events）、Single Agent（KB v2·summaries）、Single Agent（無知識(shí)庫）、等權(quán)基準(zhǔn)和風(fēng)險(xiǎn)平價(jià)。結(jié)果顯示，有知識(shí)庫策略均顯著跑贏無知識(shí)庫版本，知識(shí)庫是收益增強(qiáng)的關(guān)鍵驅(qū)動(dòng)力。其中，v1的非結(jié)構(gòu)化歷史事件格式提供更豐富的擇時(shí)信號(hào)，收益更高；v2的規(guī)范化摘要格式回撤控制最優(yōu)，構(gòu)成了銳度與穩(wěn)健的經(jīng)典取舍。兩個(gè)版本共享相同信息來源和相同時(shí)期，唯一差異在于知識(shí)呈現(xiàn)方式，卻產(chǎn)生了顯著的年化收益差距，揭示了"格式效應(yīng)"的核心發(fā)現(xiàn)——信息呈現(xiàn)方式可能比信息內(nèi)容本身更影響LLM的決策質(zhì)量。

實(shí)驗(yàn)設(shè)計(jì)與方法

知識(shí)庫覆蓋2001-2026年，每月記錄經(jīng)濟(jì)事件、宏觀指標(biāo)、政策信號(hào)和庫存周期判斷，決策時(shí)僅注入當(dāng)前時(shí)點(diǎn)之前已知的知識(shí)（無前視偏差）。回測引擎以月度頻率運(yùn)行，初始資金1000萬元，全部270期決策以結(jié)構(gòu)化JSON記錄，確保完全可復(fù)現(xiàn)。三種LLM策略均基于DeepSeek模型，傳統(tǒng)策略采用等權(quán)和風(fēng)險(xiǎn)平價(jià)作為對(duì)照。

關(guān)鍵數(shù)據(jù)與表現(xiàn)特征

全周期表現(xiàn)呈現(xiàn)高度有序的梯度分布：每下降一個(gè)知識(shí)層級(jí)，累計(jì)收益大約減半。三個(gè)LLM策略的年化波動(dòng)率集中在極窄區(qū)間內(nèi)，與等權(quán)基準(zhǔn)幾乎相同，意味著在承擔(dān)相同風(fēng)險(xiǎn)的情況下通過更優(yōu)配置獲取顯著更高收益。回撤分析顯示，有知識(shí)庫策略在2008年金融危機(jī)中將回撤控制在等權(quán)基準(zhǔn)的約40%，且恢復(fù)速度顯著更快。因子分析揭示了Agent穩(wěn)定的三層決策架構(gòu)：宏觀環(huán)境判斷為配置錨定方向，估值水位決定倉位中樞，市場情緒決定調(diào)倉節(jié)奏。

局限與展望

當(dāng)前局限包括資產(chǎn)覆蓋面有限（僅4類資產(chǎn)）、單一模型限制（僅DeepSeek），以及實(shí)盤滑點(diǎn)與容量約束未評(píng)估。未來方向應(yīng)擴(kuò)展至行業(yè)ETF、國際資產(chǎn)和另類資產(chǎn)，檢驗(yàn)多模型條件下的格式效應(yīng)穩(wěn)定性，并評(píng)估策略的AUM容量邊界。