本文建立了一个“完全 agentic”的实时 nowcasting 框架:每天让大型语言模型自主网络检索并对 Russell 1000 全样本给出吸引力评分,从而严格消除先见偏差并生成可交易信号,发现模型能显著挑出顶尖赢家——以每日信号构建的 Top-20 组合在样本期产生约 0.184%/日的 Fama-French 六因子 alpha(年化约 46%),年化 Sharpe=2.43,且交易成本<10% 的毛 alpha,可实现性强;但可预测性高度不对称,仅集中在最优想法,底部样本 alpha 与市场无显著差异;数据集具有不可重建性,提供了检验 agentic AI 信息处理能力的新范式
| 指标 | 值 |
|---|---|
| 日度 FF6 alpha(Top-20) | 0.184%/日(t=2.46) |
| 年化 Sharpe(Top-20, daily) | 2.43 |
| 平均买入价差(Top-20) | ≈1.6 bps(开盘) |
元数据与概览(引言与报告概览)
逐节深度解读
图表深度解读(每幅重要图/表逐一说明、展示与解读)
Figure 1(累计收益比较;图像文件 page=2)
Table 1(样本摘要统计;page=13)
Table 2(相关矩阵;page=15)
Table 3(稳定性检验结果;page=16)
图组 Figure 2(Top‑20 不同信号期限的累计回报;page=17)
Table 4 / Section 5.1(Top‑20 因子回归与 alpha,page=18)
Figure 3(Top vs Bottom 的 alpha 随 N 变化;page=21)
Figure 5(50 组细分排序的 alpha 分布;page=28)
Figure 4(Top‑20 换手率时序;page=26)
交易成本与流动性(Appendix B.4,Figure A2,page=45)
估值分析(报告中有关估值方法的缺失与说明)
风险因素评估(报告所述与我方补充)
批判性视角与细微差别(审慎观点)
结论性综合(关键发现与总体判断)
附:关键图像(按报告原图引用)
總體評價(簡短)
2601.11958.pdf