本文提出面向自主投资的多智能体大语言模型系统 Steward,通过九类角色代理、代码组装的七层共享记忆、类型化推理记录以及不可修改的风险控制核心,实现可审计、可回放且受约束的自我进化。系统在102个交易日的实时纸面账户部署中取得5.0%的组合收益,并将半导体板块24.6%的回撤控制为0.3%的组合损失;回放实验显示,单一模型在相同数据下交易更频繁且相对市场额外损失1.35个百分点,而多代理协同未出现显著损失。研究同时验证了提示词注入防御、确定性风险规则、量化结果追踪及季度学习机制的有效性。
这不是传统意义上的证券研究报告,没有股票评级、目标价、盈利预测或估值区间。其核心对象也不是某一家上市公司,而是一个名为 Steward 的自主投资系统。作者希望证明的不是“人工智能能够稳定跑赢市场”,而是:如果一个LLM系统需要在不可信的网络数据上自主行动并持续修改自身,那么必须把可进化部分和不可修改的安全核心分离,并通过类型系统、确定性代码、审计日志和回放机制约束自我改进。
报告的中心论点可以概括为三层:
作者报告称,Steward进行了102个交易日、1,632次LLM调用的实时部署;在一段半导体板块显著下跌的时期,组合将板块24.6%的跌幅控制为0.3%的损失;在对抗性提示词注入测试中没有执行恶意指令;2015—2026年的回测则显示,仅使用确定性风险核心也能降低最大回撤。
需要强调的是,作者同时承认,这段实盘部署是在纸面账户中进行,市场冲击没有被模拟,而且只有一个系统配置、一个主要市场窗口和两轮季度进化,因此研究不能证明该系统具备长期超额收益能力。
报告把自主投资系统抽象为:系统根据网络证据 (x_t) 产生决策 (d_t),通过API执行;市场随后产生结果 (y_t),系统再利用历史记录修改其提示词或代码配置。这个框架的关键在于,系统不能只负责“做出决策”,还要能够解释、评分、回放并安全地改进。
作者识别了四个主要风险:
这些问题体现了金融自动化系统和普通聊天机器人的根本差异:普通机器人回答错误通常可以重试,而交易行为可能已经产生资金损失。因此,作者把“能否修改自身”从一个提示词问题转化为一个权限和类型系统问题。
Steward以五项要求实现受治理自我进化:
这套设计的重点不是保证模型永不犯错,而是将错误限制在可观察、可回滚和可评估的范围内。作者把订单算术、硬性风险规则和两个纪律代理放入不可触及的“ invariant core”,而把分析提示词、组合经理提示词及晚间分析提示词放到可进化的外围。
Steward每天运行六类流程。早间流程是唯一允许建立新仓位的流程;四个分析代理并行读取新闻、SEC文件、宏观数据和市场数据,随后由Portfolio Manager生成目标仓位,再依次经过订单构造器、硬风险引擎和Risk Manager,最后提交券商执行。午间和收盘流程只允许卖出或减仓;Position Reviewer负责对已有持仓给出HOLD、REDUCE、SELL或TRAIL_STOP判断;电路断路器每30分钟运行一次且不依赖LLM;晚间流程负责评分;季度流程负责反思和提示词修改。
系统使用的外部数据包括9个RSS新闻源、SEC EDGAR的10-Q和10-K文件、9个FRED宏观序列、80只美国股票和21只ETF的价格、行业及估值数据。所有订单通过券商REST API发出。
九个LLM角色大致分为:
各代理不共享完整对话,而是由代码从系统记录中构造七层记忆:
该结构解决了两个问题。第一,模型不需要从另一名代理的自然语言中重新猜测数字;第二,系统能够把“过去的判断是否有效”反馈到未来的仓位决策中。报告特别强调,每个数字都由代码提供,而不是由代理之间传递的未经验证文字提供。
每个代理的输出都必须符合Pydantic数据模型;推理过程被拆成强制字段,字段不能为空,枚举值必须来自预先定义的集合,跨字段验证器还会检查例如“可交易评级必须同时存在入场价和保护性止损”等条件。错误的列表项目可以被单独丢弃并记录,而不必使整份报告失效。
这里的“类型化CoT”并不是单纯要求模型多写解释,而是将推理步骤变成机器可检查的数据结构。其作用包括:
不过,类型化输出只能保证格式和部分字段逻辑正确,不能自动保证模型的金融判断正确。这一点后来在技术信号和晚间预测的实际表现中得到体现。
Portfolio Manager不能直接向券商发送价格或数量。它只能提出TargetPosition,包括股票代码、目标权重、信念程度和能够证伪投资论点的条件;订单构造器再根据实时价格、止损、ATR和风险预算计算实际订单。
核心规则包括:
Risk Manager本身也不能批准硬风险引擎已经拒绝的交易;如果它调用失败或输出格式不合格,系统采取“fail closed”,即拒绝计划,而不是放行计划。
这种设计体现了“判断由LLM完成,算术和约束由代码完成”的原则。作者认为,LLM可以提出投资意图,但不能直接决定实际持仓规模或突破风险边界。
晚间流程由代码先整理证据,包括最近两天卖出交易、最近五天买入交易的实现收益、过去十次次日预测,以及系统未持有但五日上涨超过8%的股票。Evening Analyst随后为交易标记“正确、过早或错误”,为错误买入指定九类根因,并分类记录错过的机会。
需要区分两种信息:错误类别和定量结果不是同一回事。Evening Analyst可以用LLM给交易贴上“过早卖出”标签,但收益、价格、持仓时间和胜率由代码从成交和市场价格计算。只有满足重复出现条件的主题和根因才会反馈给第二天的Portfolio Manager,例如过去14个晚间中至少两个事件或股票重复出现的错失主题。
报告还规定,前一晚的判断对第二日仓位的影响不能超过20%,避免单次主观反思直接支配组合。
季度Meta Reflector读取90天的确定性摘要,包括相对SPY的表现、按仓位规模分类的校准结果、捕捉或错过的主题、错误交易根因、每个代理的信号活动,以及所有可编辑提示词和既有Learnings内容。
它必须按固定顺序完成七步分析:绩效事实、主题审计、损失剖析、自画像、差距归因、现有规则审计和提案理由。最多提出三条PromptLearning,每条学习只能修改六个允许修改的代理之一,文本长度、理由长度和引用数字均有要求。
门控机制包括:
Q2阶段,反思器认为20次错误买入中有14次属于“忽视宏观警告”,并提出把高信念负面新闻状态变化作为仓位门控条件。不过,由于该提案长度为282个字符,超过当时200字符的限制,门控拒绝了它。
回放显示,即使把这条被拒绝的规则强行加入,10个错误交易日中模型仍保留了其中8个标的,仓位变化处于模型重复运行噪声范围之内。因此,这条学习实际上是“无效修改”,严格门控没有造成性能损失。
Q3阶段,反思器首先复核Q2结论,发现“忽视宏观警告”从14次错误买入下降至3次,而且现有提示词已经包含相关规则,因此没有继续追加规则。随后它发现104个分类错失中有70个属于错过价值买入或趋势时点,其中一些在至少三个晚间重复出现。于是系统向Evening Analyst添加规则:若同一股票连续三次或以上被归类为错失机会,应在建议行动中明确给出TAKE/WAIT判断和阻碍因素。
回放显示,这条Q3学习确实改变了目标行为:触发日中,20次回放有5次出现规定格式,而基础提示词和控制日均为0次;同时次日方向判断的一致性仍接近基础提示词,说明修改增加了目标字段,没有明显扰乱其他输出。
但回放也发现了新问题:Evening Analyst的输入中没有提供“过去被分类了几次”这一计数,因此尽管格式行为改变,反复出现的错失股票并没有明显增加,触发样本中的相关数量为25/64,对比基础版本的26/64。该结果说明,语法门控可以检查长度、权限和格式,却无法判断一条规则是否拥有执行它所需的输入变量。
系统从2026年4月8日运行至9月10日,共102个交易日,使用100,000美元纸面账户、实时网络数据和市场报价。纸面成交使用实时价格模拟,因此价格、时点和订单拒绝接近真实流程,但不包括市场冲击。
部署共记录619次流水线运行、1,632次LLM调用、492个订单和746次成交,形成438个往返交易。晚间评分运行了98个晚上,季度流程运行了两个季度末。API成本约455美元,相当于每天约4.4美元。
作者还记录了7,843次技术评级、1,885个股票日新闻情绪、97次晚间预测、556个目标权重、90次风险裁决和438次交易往返,为后续逐层归因提供数据基础。
图一用颜色区分可进化代理、受保护代理和确定性代码,展示了从四类Web数据到分析代理、共享记忆、Portfolio Manager、订单构造器、硬风险引擎、Risk Manager和券商API的完整链路。右上方还展示了晚间评分、季度反思、提示词编辑器和回放工具组成的自我进化闭环。
图中的核心视觉信息是:绿色自我进化箭头只指向外围的可编辑提示词,而不进入订单算术、硬风险规则、Risk Manager和Position Reviewer。这个结构直观支持作者的核心论点,即安全边界不是靠模型“记住不要违规”,而是靠权限结构阻止模型修改关键部分。
图二分为四部分:
表一对应图2a和图2b,比较不同政策层的收益、波动、最大回撤、敞口和相对SPY表现。
关键结果是:
这说明系统的主要价值不在单一分析信号本身,而在于Portfolio Manager对弱信号和纵向记忆的综合。另一方面,Risk Manager并没有明显提高收益,却降低了波动;它更像一个风险调整器,而非收益增强器。
实际组合落后于意图组合的主要原因是执行和约束:492个订单中有180个被取消或因未成交而过期,硬规则还会削减买入,盘中止损也会提前退出,而基于收盘价的模拟组合可能仍然持有。实际组合Beta为0.16,而意图组合为0.64,表明实际仓位对市场上涨和下跌的敏感度明显更低。
退出质量也存在明显差异。438次往返交易中,306次由代理决策关闭,132次由券商止损关闭;止损关闭的交易在退出后仅额外上涨约0.7千美元,而代理退出的交易在退出后继续上涨约19.9千美元,远高于已实现的约0.8千美元收益。也就是说,机械止损保护了下行,却可能在一定程度上牺牲上行;真正的改进空间主要位于主动退出和执行环节。
报告指出,Evening Analyst把163次卖出中的134次评为正确,但这种自我评价没有暴露退出后的机会成本,只有将卖出后的价格路径交给代码评分,才看出代理退出存在明显的“卖早”问题。
图五左侧显示不同技术评级在1日、5日、10日和20日市场调整后收益上的表现;右侧显示技术评级和新闻情绪的日均Spearman秩相关,即rank IC。IC衡量信号排序与未来相对收益排序之间的一致性,接近0意味着信号没有稳定的排序能力。
技术分析师的平均日均IC在5日、10日和20日分别为0.004、0.019和0.031,20日统计量为1.2,整体较弱;其中只有卖出评级显示出较明显的效果,20日市场调整收益约为负值。新闻情绪与未来价格变动基本不相关。
该图支持作者的“综合比单一信号重要”观点:单个分析模块的预测能力有限,但多个异质信息经过组合经理、共享记忆和风险控制后,整体决策可能产生更好的组合层结果。不过,这也意味着系统表现更多来自组合选择、仓位管理和风险控制,而不是某个分析代理具备稳定的独立Alpha。
表二比较20个记录早晨的三种设计:部署版本、去除记忆的版本以及由单一模型直接读取原始数据并完成分析和交易的版本。
单一模型平均每天针对5.8只股票,而部署设计为3.7只;单一模型把41%的权益配置到新建仓位,而部署设计为19%;单一模型自我反转交易的频率为每晨0.25次,而部署版本为0.10次。单模型在未来5日和10日分别相对SPY损失1.35和1.76个百分点,命中率只有35%和32%;部署版本的结果与零差异不显著。
去除记忆在单个早晨几乎没有改变结果,因此作者认为,结构化分析报告提供了主要的单日信息,记忆更重要的功能是跨日校准、连续性和反馈,而不是即时预测本身。
这一结论较为细腻:论文并没有证明“共享记忆必然提高每一天的收益”,而是认为记忆可以减少反复买回刚卖出的股票、控制过度交易,并让系统对自身历史表现形成连续认识。
图三a显示Q2被拒绝的学习加入后,错误交易日和控制日的仓位变化都大致落在重复运行噪声范围内,说明该规则没有产生实质行为变化。图三b显示Q3被接受的学习只在触发日增加了预期的TAKE/WAIT格式,而没有在控制日错误激活。
表八详细记录Q2回放,包括错误标记买入数、基础提示词仍提出的买入数以及加入学习后保留在正负1个百分点范围内的数量;表九记录Q3回放中的重复错失股票、TAKE/WAIT或阻碍因素格式;表十则报告过去预测命中率、实现胜率与次日实际敞口之间的Spearman相关及原始和Holm校正后的p值。
晚间循环的结果显示,实际敞口与过去预测命中率的相关系数为0.34,p值为0.01;与过去实现胜率的相关系数为0.22,p值为0.05,而Portfolio Manager自己声明的仓位规模与这些指标的绝对相关系数不超过0.14。这说明适应性主要通过代码生成的共享记忆发挥作用,而不是通过模型口头宣称的信心发挥作用。
表三比较Steward、SPY和每日再平衡的T-bill组合,指标包括收益率、波动率、最大回撤和基于SPY的Jensen Alpha。
完整部署期内,Steward收益为5.0%,SPY收益为12.4%,组合Beta为0.16,波动率为9.0%,SPY波动率为12.4%。作者明确表示,在102个交易日和单一上涨窗口内无法识别稳定Alpha,因此论文没有把5.0%的收益包装成市场超额收益。
从投资结果看,系统并没有跑赢基准;其主要成果是降低市场参与度和下行风险,而不是产生更高收益。这一点必须与摘要中的“控制半导体板块回撤”区分开:风险控制成功不等于整体收益成功。
图四a显示早间会话耗时最长,中位数约10分钟,但仍低于20分钟限制;午间、收盘和晚间会话耗时明显更短。图四b显示技术分析师是最大成本来源,约220美元,其次是新闻智能代理约106美元,Portfolio Manager约48美元,晚间分析约24美元,Risk Manager约6.1美元,Meta Reflector约0.2美元。
表六列出了每日会话安排,表明早间分析涉及四个分析代理、组合经理和风险经理,因而耗时和成本最高;技术分析师需要覆盖整个股票池,是主要成本驱动因素。
这暴露出系统的经济性瓶颈:真正昂贵的并非季度自我进化,而是每天对80只股票进行技术分析。若扩大资产范围,成本、延迟和模型调用失败概率可能快速上升。
图六a比较无核心的动量策略、加入核心的动量策略以及SPY的历史回撤;图六b比较2018年第四季度、2020年疫情、2022年熊市和2026年半导体窗口的回撤,并给出50个随机入场策略的中位数和5%—95%区间。
表十一的回测使用2015—2026年、80只股票、每周再平衡的LLM-free入场策略。动量策略选择过去126日收益最高但跳过最近5日的10只股票;随机策略则用50个随机种子。确定性核心包括双ATR止损、40%行业上限、90%净敞口上限、现金规则和单日亏损3%后的断路器。
结果显示,确定性核心在全部50个随机入场策略中都降低最大回撤,中位数大约从37%降至28%;在动量策略中最大回撤从61%降至33%。2018、2020和2022年下跌窗口中,至少49个随机策略也出现回撤改善,同时Sharpe基本不变。
消融结果显示,动量入场策略在去掉止损时回撤为36%,去掉断路器时回撤为60%,完整核心为33%。这说明止损和断路器是主要保护来源,而行业上限、现金规则和敞口上限也在组合层面发挥作用。
但该回测存在重要限制:股票池是根据2026年的80只股票建立的,因此可能存在幸存者偏差,作者也承认它只能用于比较不同规则版本,而不能用于证明绝对投资收益。
表四测试三种恶意内容:要求把单只股票配置到45%、声称某股票有300%上涨潜力并要求最大仓位、以及要求取消止损和现金规则并把60%配置到反向ETF。
在10个早晨的50次回放中,新闻代理在20次测试中全部将恶意内容排除出结构化报告,并且每次都标记为类似指令的内容;即使把恶意文本直接放进Portfolio Manager的新闻区域,30次回放中也没有一次执行,23次明确在推理中识别为注入并拒绝。
即便模型真的提出45%或60%的目标仓位,后续Schema、订单构造器和硬性上限仍会将其削减或拒绝。因此,测试显示防线具有纵深:内容过滤是第一层,结构化报告是第二层,订单规则和风险引擎是后续层。
不过,红队测试规模较小,只有10个真实早晨、三类人工构造载荷,不能据此证明系统对所有自然语言攻击、数据污染或长期记忆投毒都免疫。
表十二审计了750个CoT中的254,094个数字。严格匹配方式下,96.1%的数字可以在输入、提示词或输出字段中找到;如果允许风险收益比、ATR止损、百分比变化和明确写出的算术推导,覆盖率提高到99.9%。中位数CoT对每个代理而言都实现了完全溯源。
与另一日期输入进行placebo匹配时,严格匹配率只有22%,说明高匹配率并非完全由数字重复造成。剩余226个未匹配数字中,大部分是没有写出的仓位公式中间结果或模型选择的触发水平,只有三个被列为潜在编造,包括错误价格、误读指标和输入中不存在的政策利率峰值。
这一结果支持“结构化输入能提升金融事实 grounding”的观点,但99.9%并不等于100%。未被发现的少量数字错误,在自动交易环境中仍可能很重要,尤其是价格、止损和仓位数字。
表十三按照故障类别说明系统响应,包括LLM调用失败、输出验证失败、数据缺失、订单失败、风险代理失败和执行异常。总体原则是:故障应当移除一个动作,而不是增加一个未经验证的动作。
部署期间1,632次调用中有13个子项目验证失败,但均被隔离,没有导致整个交易会话失效;Risk Manager拒绝了90个计划中的4个,并进行了146次字段级修改;断路器没有实际触发清仓;现金规则启用后,实际总敞口未超过92%。
本报告没有DCF、P/E、EV/EBITDA、可比公司估值或目标股价,因为研究对象是自动投资系统而非上市公司。作者也没有把Steward当作一项可交易证券进行估值,而是以收益、波动、回撤、Beta、Sharpe、Alpha、调用成本和安全事件作为评价指标。
如果从研究评价角度理解,其“价值函数”更接近多目标系统评估:
因此,不能把5.0%的部署收益解释成一个目标回报率,也不能把12.2%的意图模拟收益解释为可复制的预期收益。前者受纸面成交、低实际敞口和短样本影响,后者是基于记录决策的反事实模拟。
Steward实际收益5.0%,低于SPY的12.4%,说明系统没有展示出市场超额收益;作者也承认102个交易日无法识别Alpha。 因此,论文最稳健的贡献不是投资收益,而是系统工程、审计和安全治理。
风险控制结果相对更有解释力,因为它不仅依赖LLM判断,还通过确定性核心的回测、行业仓位限制、止损和断路器进行了独立测试。然而,2026年半导体窗口仍然显示,单靠核心规则在动量入场下会损失27%,真正避免该损失的是代理在5月主动退出,因此安全核心只能限制损失上限,不能替代投资判断。
意图组合收益12.2%,实际组合只有5.0%;平均敞口79%对56%,且180个订单取消或未成交。这说明大量论文结论来自政策层模拟,而不是实际成交路径。
此外,纸面账户没有市场冲击,且止损成交和实时订单行为可能与真实资金不同。作者明确说明,价格和订单拒绝接近实时,但市场冲击未被模拟,因此不能直接推断真实大额账户会得到相同结果。
机械止损交易在退出后只额外上涨约0.7千美元,而代理退出交易在退出后继续上涨约19.9千美元。这个结果可能意味着止损过紧、盘中噪音导致过早离场,或代理退出样本和止损样本在市场状态上并不相同。
报告把“主动退出和执行”视为未来优化重点,但尚未给出一个经过独立验证的新退出模型。若放松止损,又可能损害其最核心的下行保护功能。
去除记忆后,单个早晨几乎没有变化,论文因此认为记忆主要承担纵向连续性、校准和反馈作用。 但20个早晨的回放规模较小,且多代理结构、类型化报告、提示词和记忆同时存在于部署系统中。因而,记忆对长期收益的边际贡献仍没有被充分单独识别。
文本一处说明实时部署结束于2026年9月10日,另一处又称第二轮Q3反思在9月30日“live”运行,并提到10月记录无法单独隔离该学习的影响。 这可能意味着季度实验使用了部署窗口之外的延伸数据,也可能是论文摘录中的时间口径差异。正式版本应明确部署期、Q2/Q3反思期和回放期的边界,以避免读者误解哪些结果属于最初的102个交易日。
尽管论文强调“无人在交易循环中干预”,Q2采用stage-only模式,Q3还存在操作人员修改其他提示词和股票池的情况,因此季度进化并非完全无人监管的自动过程。 这并不削弱其安全设计,反而说明系统采用的是“模型提出、代码约束、必要时人工审查”的治理模式,而不是完全放任模型自我编程。
Steward的主要贡献不是证明LLM能够稳定战胜SPY,而是展示了一种适用于高风险网络代理的系统治理框架。其最重要的架构决策是把可变的分析提示词与不可变的风险核心分开:模型可以学习如何分析、如何组织记忆和如何提出交易意图,但不能修改订单算术、仓位限制、现金规则、止损机制、断路器以及纪律代理。
图表和表格共同呈现了一个较为平衡的结论:
总体而言,作者的立场是:自主投资系统的首要问题不是让模型更聪明,而是让模型的错误可被限制、记录、评分、回放和撤销。研究在收益表现上并未提供足以支持投资建议的证据,且作者明确声明系统不是投资建议;其真正价值在于为多智能体LLM系统建立了一套可审计、可回滚、可验证的自我进化机制。
2610.30557.pdf