本文提出“知识优化”(Knowledge Optimisation,KO)这一金融科技流程,针对非价格型信息数据在投资决策中的知识价值、隐性知识和资源约束问题,构建决策结构、投资组合选择与绩效评估三阶段框架。研究将信息数据纳入Throughput Model,并从现代投资组合理论中解释其对隐性知识和最优权重的影响,同时以Return on Knowledge修正夏普比率,形成考虑知识单位投入的绩效指标Sk。情景分析表明,KO能够评估计算资源约束与投资规模扩展对组合选择的影响,从而弥补传统风险调整收益指标的绩效归因盲点。
报告标题:《Knowledge-Optimising Investment Decisions with Informative Datasets》(利用信息型数据集优化投资决策)
作者:Sidharth Mallik、Waymond Rodgers。
机构:Sidharth Mallik来自英国赫尔大学数据科学、人工智能与建模卓越中心;Waymond Rodgers来自美国德克萨斯大学埃尔帕索分校Woody L. Hunt商学院。
发布日期:原文未明确给出发布日期、期刊名称或报告编号,因此无法据此判断其正式发表时间。
研究主题:金融科技、另类数据、知识管理、现代投资组合理论以及投资决策中的数据与模型运用。
报告的核心观点是:传统投资分析通常把另类数据或其他非价格数据仅仅作为资产定价模型的输入变量,进而通过预测收益、波动率或协方差来构建投资组合;但这种做法可能低估数据、模型、计算资源和业务团队知识对真实投资决策的整体影响。 作者因此提出“知识优化”(Knowledge Optimisation,KO)流程,试图把投资决策看成一种知识工作,并把知识要素纳入决策结构、组合选择和绩效评价三个环节。
报告没有针对某一具体公司给出买入、持有或卖出评级,也没有给出股票目标价。它是一篇方法论研究,主要结论是:在存在信息型数据集、第三方模型、计算约束和投资规模约束的现实环境中,仅使用传统夏普比率可能无法准确识别策略价值;加入“知识单位”后的绩效指标,能够揭示资源消耗、可扩展性和知识贡献。
作者将“Informative Datasets,ID”定义为:包含对投资具有实质性信息、但本身不代表任何金融工具价格的数据集。 这一定义强调了两个条件:
报告列举的例子包括气候科学数据、社交媒体数据和情绪指标。气候数据可以帮助投资者评估气候行动、碳排放或转型风险;社交媒体数据可能反映市场情绪、品牌热度或突发事件;情绪指标则可能作为资产定价或收益预测的外生变量。
作者还特别区分了信息型数据集和价格数据集。例如,碳价格虽然与气候投资有关,但它本身是一个价格变量,甚至可以直接作为一种资产或市场价格输入;而气候变化程度、排放数据或公众态度等非价格变量,则更符合ID的定义。 这一划分的意义在于:价格数据通常可以直接进入资产定价或组合模型,而ID更多是模型外部变量,需要经过转换、建模和解释后才能影响证券收益预测。
作者指出,ID并不会自动带来超额收益。投资者面临三个主要问题:
因此,作者认为需要一个不只关注“数据是否改善预测”的流程,还应关注数据、模型和组织资源如何共同构成投资决策能力。这就是KO的理论出发点。
报告使用Rodgers等人的Throughput Model(TM,决策吞吐模型)来组织投资决策。传统TM包含“感知—判断—决策”的链条:投资者接收信息,通过认知过程形成判断,最终做出决策。 在扩展模型中,投资者面对的最终不是单一信息输入,而是“可投资证券”和“信息型数据集”共同作用下形成的“可行投资组合”,再进一步转化为投资者参与。
作者的关键扩展是:ID被置于证券选择和组合形成过程的上游,而不只是被动地用于预测价格。换言之,ID可能影响投资者对证券集合、风险边界、收益目标和组合可实施性的整体判断。
现代投资组合理论(MPT)通过证券预期收益、方差和协方差来选择组合权重。报告提到的变量包括:
传统做法是先估计每项证券的收益和风险参数,再求出满足约束条件的最优权重。ID可以通过影响单项证券收益预测 (r_i) 而间接进入MPT,例如报告提到的GARCH-X模型能够将外部变量纳入波动率或收益动态建模。
作者并不否认这种规范性方法的理论价值,而是认为它存在“知识盲点”:模型能显示ID改变了预期收益或风险,却不能直接显示ID本身、模型本身和执行资源对最终绩效的贡献。
报告将知识分为两类:
作者把优化后的组合权重视为默会知识的体现。其逻辑是:在优化之前,所有证券或输入可以先被看成编码知识,并可形成等权组合;优化程序利用历史矩、收益预测和风险估计重新分配权重,这种权重差异被解释为模型和优化过程所加入的隐含知识。
报告进一步把这种“证明组合达到事前最优、但不揭示全部知识内容”的情况类比为零知识证明(Zero-Knowledge Proof,ZKP)。需要注意的是,文中的ZKP并非严格意义上区块链密码学中的完整零知识协议,而是一个知识管理类比:投资者能够证明某种最优性成立,却未必需要公开模型内部的全部知识或信息。 这一概念是报告最具原创性的部分,但也带有较强的概念迁移性质,后文的批判性分析将对此展开。
图1由左右两个部分组成。左侧是传统TM,展示“Perception(感知)”和“Information(信息)”共同进入“Judgement(判断)”,再形成“Decision(决策)”。
右侧是作者扩展后的投资决策结构,顶部的“Investable Securities(可投资证券)”与底部的“Informative Datasets(信息型数据集)”共同影响“Feasible Portfolios(可行投资组合)”,随后形成“Investor Participation(投资者参与)”。
该图的重要含义有三点:
从表达方式看,图1是概念框架图而不是实证图表,因此它不能证明ID一定提高收益,只能说明作者希望将ID放置在投资组合形成机制的上游。
第一阶段是将ID明确纳入决策结构。传统金融中的“信息”往往指新闻、事件或公告,而作者扩大了信息概念,把数据集本身也作为信息载体。 这一变化有助于识别数据在投资流程中的位置,尤其适用于社交媒体、气候数据、文本数据和情绪指标等非价格信息。
第二阶段重新解释MPT。作者认为,历史收益的均值、方差和协方差不仅是统计量,也可以被看成知识的数字化表达。 当ID被纳入收益或风险模型时,它会改变证券的矩估计,并进一步改变最优权重。因此,ID即使没有直接作为一个投资资产出现,也能通过模型影响组合配置。
作者的论证依赖以下假设:
报告同时承认MPT存在估计误差和适用性争议,但认为如果讨论的是事前理论最优,而不是事后实际表现,那么相关反驳可以被部分规避。
传统夏普比率通常定义为超额收益除以收益波动率,即:
[ SR=\frac{\mu_d}{\sigma_d} ]
其中,(d)代表相对于基准的超额收益,(\mu_d)和(\sigma_d)分别是超额收益的均值和标准差。 夏普比率的优点是能够衡量单位风险所获得的收益,但它只关注结果,不关注实现结果所消耗的数据、模型、计算或组织资源。
作者引入“Return on Knowledge(ROK,知识回报)”,并提出含知识单位的修正夏普比率 (S_k)。其基本思想是:
[ S_k=\frac{\mu_d/\sigma_d}{K} ]
其中,(K)是实现目标风险调整收益所需的知识单位数量。 (K)可以按照管理目的定义,例如:
因此,(S_k)不是简单地衡量“收益有多高”,而是衡量“每单位知识资源能够产生多少风险调整收益”。在其他条件相同的情况下,如果两个策略获得相同的风险调整收益,但其中一个消耗更多知识单位,则后者被视为知识效率较低,可能意味着第三方数据、模型或计算资源已经出现贬值。
报告设定一个每月再平衡的组合。每次再平衡时,投资者只有长度为 (D) 的时间区间重新调整持仓和模型参数。 由于现代数据科学模型可能包含数千个参数,工业级模型的复杂度甚至更高,重新校准需要大量计算资源。
如果每个再平衡区间投入金额为 (I),单位计算成本为 (C),则可使用的最大知识单位为:
[ K_{max}=\frac{I}{C} ]
策略必须在消耗不超过 (K_{max})的情况下找到预期收益至少达到 (r_{target})的参数解。如果在资源上限内找到符合要求的解,再平衡成功;如果没有找到,则投资应被暂缓。
这一场景揭示了传统回测的局限:回测可能显示策略在无限计算时间或无限资源下有效,但现实交易受到时间、计算预算和执行窗口约束,策略可能根本来不及生成可执行结果。 该问题在高频交易中尤其突出,因为决策间隔更短。
报告的实质贡献在于把计算能力视为投资知识生产的一部分,而不是单纯的技术后台成本。对于广泛使用相同第三方ID的市场参与者而言,模型复杂度可能被迫提高,以抵消信息同质化和竞争压力;如果可用的 (K_{max})不足,ID的价值就可能无法兑现。
场景二展示了传统夏普比率 (S)和知识调整指标 (S_k)可能得出不同结论。 报告比较了P1和P2:
报告给出的投资例子是:P1投资100万美元,预期获得相对基准的10万美元收益,即10%的预期超额收益;P2能够扩展至300万美元,尽管其预期收益率只有8%,但预期获得24万美元的超额收益。
这说明单纯比较收益率或夏普比率,可能忽略策略规模化能力。P1的单位表现较高,但P2的资源效率和可扩展性更好,最终产生的总收益为P1的2.4倍。作者还指出,这一毛收益比例可以通过两个策略的 (S_k)之比得到,说明知识调整指标可能把资源效率转化为投资规模优势。
不过,表1在当前文本提取结果中未完整显示具体列名、夏普比率、知识单位数和(S_k)数值,因而无法对每个数值逐项复核。能够明确确认的是报告强调的方向性关系:P1的传统风险调整表现更好,但P2的知识资源消耗更低、可承载资金规模更大。
本报告没有企业估值、DCF、可比公司估值、P/E或EV/EBITDA等传统估值部分,也没有目标价。它的“评价”对象是投资策略和投资决策流程,而不是上市公司的内在价值。
报告使用的主要评价工具包括:
该方法的关键难点在于(K)的定义。若(K)定义为团队人数,则指标偏向组织效率;若定义为计算成本,则更接近技术效率;若定义为管理资金,则可能同时混合资源规模与投资结果。报告承认(K)具有管理选择性,但将这种灵活性视为该指标可以适配不同业务场景的优点。
报告识别的主要风险包括:
报告没有为这些风险给出发生概率,也没有提供完整的风险缓释矩阵。其主要缓释思路是:通过KO在事前明确数据、模型、计算能力和投资约束,并在绩效评价中加入知识单位,从而识别传统指标无法发现的低效率或隐性不利影响。
首先,报告的理论创新主要在于重新解释既有工具,而不是提出经过大样本实证验证的新资产定价模型。作者以MPT的事前最优性作为默会知识存在的证明,但“优化权重”是否真的代表知识,仍是一个理论假设,而不是直接可观测事实。
其次,ZKP在文中更像是知识管理隐喻。严格的零知识证明要求证明者能够证明某命题成立,同时不泄露命题之外的信息;而MPT优化结果只是基于输入、模型和约束得到的数学最优解,不能自动保证数据正确、模型稳健或现实结果良好。因此,将两者类比能够帮助讨论“可证明但不完全披露”的知识,但不能等同于密码学意义上的ZKP。
再次,报告强调(S_k)可以改善组合选择,但这一结论依赖(K)的定义和可比性。如果P1和P2的知识单位采用不同口径,或者计算成本、团队规模和资金规模被混合使用,指标可能产生解释偏差。 场景二的“P2可承载三倍资金”也隐含假设:扩大投资规模不会显著改变流动性、市场冲击、交易成本或策略容量,而报告没有对此展开量化分析。
最后,报告承认MPT存在估计问题,却主要通过区分事前理论最优和事后实际表现来回应批评。 这在逻辑上可以维护模型的规范性,但并没有消除现实投资中参数不稳定、非正态分布、交易成本和结构变化等问题。
总体而言,报告提出了一个以知识为核心的投资决策框架。其三阶段KO流程分别是:利用TM把ID纳入决策结构;利用MPT将数据和优化过程转化为组合权重及隐含知识;利用ROK和知识调整夏普比率(S_k)评价每单位知识资源产生的风险调整收益。
图1直观展示了作者的基本转变:投资决策的输入不再只有证券和价格信息,而是由可投资证券与信息型数据集共同塑造可行组合。 场景一说明计算能力会决定策略能否在真实时间窗口内执行;场景二则说明传统夏普比率偏向单位表现,而知识调整指标能够补充资源效率和规模化能力。
作者最终主张,KO尤其适用于数据和模型来自外部供应商、市场竞争激烈、模型复杂度高以及存在实时执行约束的现代投资环境。 报告没有提出证券评级或目标价格,而是提出一种管理和评价投资决策的新方法。其最重要的启示是:投资绩效不能只看收益和波动率,还应分析产生这些结果所需要的数据、模型、计算和组织知识;不过,KO要成为可操作的投资管理工具,仍需要进一步明确知识单位的统一定义,并通过真实市场数据检验其增量解释力。
2608.05991.pdf