二十一个智能体开一场投委会：审计留下来了，可重复性走了
一家资管机构的投资委员会一年怎么运转：CIO 盯 10 到 15 个部门，一位分析师覆盖 10 到 20 只股票，委员会每月或每季度碰几小时。决策带宽被人的注意力卡着，这是《The Self-Driving Portfolio》一文立论的起点。论文作者 Andrew Ang，前贝莱德因子投资主管，哥伦比亚大学兼任教授…
🏛️ 先量一量投委会的带宽
一家资管机构的投资委员会一年怎么运转：CIO 盯 10 到 15 个部门，一位分析师覆盖 10 到 20 只股票，委员会每月或每季度碰几小时。决策带宽被人的注意力卡着，这是《The Self-Driving Portfolio》一文立论的起点。论文作者 Andrew Ang，前贝莱德因子投资主管，哥伦比亚大学兼任教授，合作者 Nazym Azimbayev（主权财富基金 CIO）与 Andrey Kim（德意志银行量化）。工作论文挂在 arXiv，标题直译过来是《自动驾驶组合：机构资产管理的智能体架构》。
高盛系统化交易团队的资深人士 Nick Baltas 在 Top Traders Unplugged 节目里逐层拆解了这篇论文。他的结论分两半：这套架构在组合构建层有真实价值；同一套东西，回测不了。
两句话加起来，才是这件事的全貌。
🤖 一条完整的流水线
论文搭的系统按投委会的真实分工建：治理文件管边界，宏观 agent 判周期，资产类别 agent 出预期，二十来个组合 agent 各按一种方法建组合，互相投票，最后由 CIO agent 汇总成一份董事会备忘录。
几个部件值得单独停一下。
- 19 个组合 agent 覆盖五类方法：启发式（等权、市值加权、逆波动率）、收益导向（均值方差、Black-Litterman）、风险导向（风险平价、最大分散化、最小波动）、非传统（CVaR 优化、回撤约束），外加两个特殊角色。
- Researcher agent 的职责是读文献找新方法，本次应用中它提出的是最大熵方法。
- Adversarial diversifier 观察其他所有 agent 的输出，对这些输出做主成分分析，然后故意反着建组合，专门搜捕共识漏掉的相关性口袋。
- 投票规则：每个 agent 必须投本组内同伴和组外至少一个对象，21 个 agent 共产生 42 票，票分六档，5、4、3、2、1 和负 2。投票与历史综合评分（夏普、回撤等）按 60/40 混合，得出每个方案的最终得分。
一个口径差先记下：Baltas 的转述全程说 21 个 agent；另一路报道（AI Street）说约 50 个。调和的办法是数清楚层级：21 指的是组合构建与投票层，50 把宏观、资产类别、协方差等上游角色全算上了。两套数字各有各的用途，引用时得说明数的是哪一层。
📉 2026 年 3 月的那次实盘推演
论文用 2026 年 3 月做了一次完整推演。授权范围覆盖 18 个流动资产类别（6 股票、8 固收、4 另类），目标 CPI 加 3 到 4 个百分点的实际收益、8 到 12% 波动、最大回撤负 25%。宏观 agent 判定的环境是：晚周期，带滞胀风险。
| 项目 | 系统输出 | 基准对照 |
|---|---|---|
| 股票配置 | 44.9% | 60%（标准均衡组合） |
| 债券配置 | 41.7% | 40% |
| 现金 | 8.1% | 0% |
| 1996-2026 回测收益 | 接近 60/40 | — |
| 回测峰谷回撤 | 25.6% | 34.3% |
- 预期收益被分歧化：美国成长股的预测收益被砍到综合估计以下 2.0 个百分点，大盘股砍 1.1 个百分点，新兴市场几乎没动。系统在惩罚历史上贵的资产。
- 第一名是最大分散化，一个完全不依赖收益预测、只用波动与相关性的方法。
- CIO 选的方案与投票共识不一致：它排名最高的组合是市值加权、波动率目标、等权、均值方差，清一色不含资本市场假设的方法。Baltas 的解读："我不信任我的资本市场假设，因为周期判定不清楚。"他从中提炼出一条原则：周期含糊时押分散，周期看得准时才允许集中。
🚫 Baltas 的四条否决
下面是节目里最锋利的部分。Baltas 逐一数过这套系统为什么没法回测。
| 批评 | 机制 | 后果 |
|---|---|---|
| 参数化前视 | 今天的模型参数里带着训练时点之后的知识 | 即便锁死输入，历史推演仍含未来 |
| 投票复制数据挖掘 | 20 多个方案会投票给历史上表现好的那种 | 人肉回测的挖掘偏差被搬进流程内部 |
| 非确定性 | 同一模型同一提示，两次运行给不同答案 | 可重复性无从谈起 |
| 模型漂移 | 一年后底座模型已更新 | 同一问题得到两个不同回测 |
他对此的总评值得原样保留："这不是 x 加 y 等于二。"智能体系统会说人话、能留下自然语言审计痕迹、能组织同行辩论，这些是真实的收益；同一个属性恰好就是随机性的来源。审计与可重复，这组承诺在当前技术条件下互斥。
📊 顺手拆掉的第二篇：VIX 触发式趋势跟踪
同一期节目里，Baltas 还拆了一篇 Alpha Architect 的研究笔记。那篇重做 2017 年 9 月的一项研究，加了九年数据，问题是：趋势跟踪的回看窗口该不该随 VIX 动态调整：波动高就交易得快些，波动低就慢些。
- 策略：五只 ETF（标普、美股除标普、国际股票、全球投资级债、短期美债），每月按动量选最强一到两只，等名义权重月度再平衡；基线是固定 10 个月回看，动态版按 VIX 水平切换三个窗口。
- 结论：高波动桶在九年扩展样本里只有 3 个月的数据。相对静态 10 个月回看，动态窗口没有显著增值。
- 表面上的超额来自 best-of-five 变体，集中在一个月：2020 年 11 月，疫苗公告触发小盘股单月 10 到 18% 的反弹，而静态策略当时拿着国债赚约 1%。
🌐 市场背景：指数里的指数
这段讨论的市场底色同样具体。三个月滚动 beta 统计下，目前约 45% 的标普 500 成分股对其所属指数呈负 beta；上一个峰值出现在互联网泡沫时期，也才刚过 20%。机制并不神秘：市值加权让 AI 巨头在指数内部形成一个迷你指数，其余成分股与这个集中核心的相关性持续走低。
| 背景数据 | 数值 | 时间口径 |
|---|---|---|
| 标普 500 成分股负 beta 占比 | 约 45% | 三个月滚动，当前 |
| 互联网泡沫期前峰值 | 刚过 20% | 历史对照 |
| SG Trend Index / SG CTA Index | 当月约 +3.7%，年内约 +15.2% | 若保持，为 15 年内第三好年份 |
| 10 年期美债收益率 | 升破 5.2%，2007 年以来首次 | 趋势策略做空长债为主要贡献 |
🎯 组合构建层，最后一块没人深耕的地
Baltas 对智能体架构的态度最后落在一个具体位置上。他把 Ang 的流水线逐层映射到自己的趋势跟踪流程：宏观 agent 对应价格信号本身（"上涨的价格就是周期指标"），资产类别 agent 对应波动率缩放后的历史收益加置信度，协方差 agent 对应稳健估计。映射到组合构建层时他停住了：多数机构只用一两种方法建组合，这一层是他眼里"探索最少的空间"，也是未来十年系统化创新最可能集中的地方。
至于智能体会不会很快取代 CIO，他的答案是否定的。真正留下的问题是节目结尾那一个：CIO agent 覆盖了同伴投票的共识、给出了与共识不同的配置。到底是人在监督系统，还是系统在悄悄监督人。
这问题没有答案。但每个准备把投委会交给智能体的机构，最好在签约之前先想一遍。
信源与限定
- 论文：Ang, Azimbayev & Kim, The Self-Driving Portfolio: Agentic Architecture for Institutional Asset Management，工作论文（arXiv，2026 年 4 月前后）；Andrew Ang 个人主页收录
- Baltas 评述：Top Traders Unplugged, Systematic Investor Ep.419，经 BigGo Finance 全文转述（2026-09 下旬）
- 45% 负 beta、VIX 笔记拆解、SG 指数与美债数据均出自该期节目转述口径，原文为音频对话，数字以转述稿为准
- 21 与 50 个 agent 的口径差已在文中调和说明；44% 与 44.9% 分别为 Baltas 转述与 AI Street 报道口径
- 本篇为方法与行业观察，不构成投资建议