本文针对传统多智能体投资系统依赖现金流估值、难以处理临床阶段生物科技企业的问题,提出融合科学临床分析、事件驱动风险调整估值、跨市场协调、冲突感知意见融合及风险组合管理的多智能体框架。该框架源于作者此前手工执行的“Glocal”投资方法,该方法在十六个月内实现127.17%的回报,相对50.67%的基准显著跑赢,但论文明确指出该业绩属于人工实践,并非AI系统验证结果。
该框架通过专业化分工、保留意见冲突和提供可审计决策链,辅助而非取代人工投资经理。
标题:《Beyond Cash Flows: A Multi-Agent AI Framework for Valuing Clinical-Stage, Cross-Border Biotechnology》
作者:Yuhan Fang(方宇涵),Strategic Investment Manager,CPC Scientific Inc.
发布机构与日期:原文未明确给出正式出版机构、会议/期刊名称及发布日期;文中引用了截至2025年的研究,因此至少可以判断其资料范围延伸至2025年,但不能据此确定本文的正式发布日期。
主题:临床阶段、跨境、生物科技企业的估值,以及面向该类资产的多智能体人工智能投资框架。
报告的核心判断是:现有金融多智能体系统虽然已经能够模拟分析师、研究员、风控人员和基金经理的协作,但基本建立在企业存在收入、利润或可预测现金流的前提上,因此并不适合临床阶段、尚未商业化的生物科技公司。 对于这类企业,价值主要取决于药物是否成功通过临床试验、是否获得监管批准、商业化时间和竞争格局,而不是历史利润或传统现金流。
作者提出的解决方案并不是简单地把更多AI分析师组合在一起,而是增加三个专门设计的组成部分:第一,能够将科学、临床和监管判断转换为风险调整估值的估值层;第二,能够同时处理A股、港股和美国市场差异的跨市场协调层;第三,能够识别并处理科学判断与监管判断冲突的领域专属意见融合机制。
需要特别强调的是,本文并未报告任何已经实施的AI系统业绩,也没有提供可复现的模型参数、权重或回测结果。作者所提供的经验依据,是其本人在2019年至2021年间亲自管理基金时形成的人工投资方法及其历史业绩,而不是AI系统的表现。
报告指出,现有投资型多智能体系统通常使用DCF、所有者收益、市盈率或EV/EBITDA等方法。这些方法本质上要求企业具有收入、利润或可预测现金流。 DCF即现金流折现法,是将未来自由现金流按照资本成本折算为今天的价值;市盈率和EV/EBITDA则依赖企业已经产生盈利或经营现金流。
但临床阶段生物科技企业通常处于“收入为零、利润为负、研发投入高”的状态,其主要资产是候选药物、专利、临床数据和未来批准机会。因此,若直接使用传统倍数,模型可能得到一个形式精确、实质缺乏经济基础的数字。
作者将生物科技价值概括为一系列二元或近似二元事件:药物能否完成临床、是否达到主要终点、能否通过监管审批,以及最终能否商业化。 报告引用的数据表明,进入I期临床的药物最终获批比例低于14%;此外,约一半的新分子实体在首次向监管机构提交申请时无法获得批准。
这些数字的意义在于,生物科技估值不能只预测“平均收入”,还必须估算每一个开发阶段成功的概率。成功概率可能因适应症、治疗机制、临床阶段、终点设计、患者群体和监管机构而大幅变化,行业基准本身存在数量级差异。 因此,风险调整后的成功概率是估值最关键的输入之一,而不是估值模型的附属参数。
人类投资经理通常需要综合卖方和买方研究、临床专家意见、监管专家判断、原始科研论文、学术会议数据、公司披露及市场价格等信息。 这类工作需要把不同领域的证据进行解释和权衡,具备较高专业门槛,但受制于个人时间、覆盖公司数量和认知带宽。
作者同时指出,人类投资过程也存在锚定、近因偏差、确认偏误和过度自信等问题。 多智能体系统的潜在价值,是扩大资料阅读和覆盖范围,同时将分歧显式化,从而降低单一投资经理被某个早期观点长期影响的风险。不过,作者并未声称AI能够自动消除偏差,而是提出通过结构化流程改善信息处理。
报告将既有工作分为两类。
第一类是金融投资多智能体系统,例如TradingAgents、ai-hedge-fund、AlphaAgents和FinRobot。这些系统已经探索了角色专业化、牛熊辩论、风险团队和基金经理式决策层,但其估值组件仍主要面向传统股票和现金流资产。
第二类是面向生物医药科学问题的AI系统,例如临床试验结果预测、治疗属性预测以及技术和监管成功概率预测平台。这些系统能够帮助判断药物成功的可能性,但通常不负责投资组合构建、跨市场配置或资本分配。
作者认为,两类系统之间存在明显断层:金融多智能体系统缺乏临床资产估值能力,临床AI系统又缺乏投资决策和跨市场执行能力。本文试图填补的正是二者交叉处,即“面向二元里程碑资产、支持多国市场协调、能够融合专家冲突的投资型多智能体框架”。
这一定位具有一定清晰度,但“据作者所知尚无公开系统占据该交叉点”的判断属于文献检索范围内的主张,并非严格意义上的全面证明。
作者将此前亲自执行的方法命名为“Glocal”,即全球化资源与本地市场实践的结合。该方法包含三个维度。
输入包括创始人及管理层完整职业经历、招股书和创始人信件等原始披露,以及公司的人力资本、临床试验网络和科学数据资产。 其判断逻辑是评估团队的战略广度、已被证明的执行能力和战略方向的持续性,并决定公司应该与国内企业比较,还是与拥有全球资源的国际同行比较。
最终输出是创始人能力综合评分,以及在确认公司资源全球化后,相对于“纯国内可比公司”进行竞争地位和估值倍数上调。 这实际上是在传统财务报表之外,对管理层资本、全球研发能力和执行可信度进行估值。
该维度关注不同司法辖区的临床入组速度、监管审评周期,以及资本市场和监管制度改革信号。 如果数据证明某一地区具有临床或监管速度优势,且制度改革使该优势能够转化为可投资机会,方法就会缩短达到价值实现的时间,并提高资产期权价值及仓位配置。
缩短时间具有直接的估值含义:在风险调整净现值中,未来现金流或批准收益越早实现,折现损失越小;同时,较早进入市场可能提高竞争优势。因此,该方法不只判断“能否成功”,还判断“何时能够被市场重新定价”。
第三维度通过个股成交量、自由流通股本、不同交易规模下的清仓天数,以及基金层面的赎回压力情景,约束投资组合的仓位和现金储备。 作者提出,单一持仓实际不超过组合约10%,流动性储备约20%。
这一安排的逻辑是:临床事件具有高波动和二元损益特征,若基金在流动性不足时遭遇赎回,可能被迫低价出售资产,进一步造成净值下跌和更多赎回,形成自我强化的流动性危机。 因此,流动性约束不是与高 conviction 投资相矛盾,而是使较高信念仓位能够在压力情景下生存。
作者称,该方法被用于设计和管理中国首只专门投资跨境生物科技的基金,基金代码为001984,基金于2019年2月成立。 策略受到香港交易所2018年4月实施Chapter 18A制度的推动,该制度允许无收入的生物科技发行人登陆主板,从而使原本难以进入公开资本市场的资产类别获得融资渠道。
报告给出的历史结果包括:16个月内基金回报127.17%,同期基准回报50.67%;基金在平台跨境资产管理规模中的占比扩大93倍;2020年市场压力期间,在276只可比基金中排名第一,而同类基金平均收益为负。
这些数据支持作者关于“人工方法有效且具有执行纪律”的论述,但仍存在局限。报告没有在正文中详细说明基准构成、收益是否为净收益、费用和赎回影响、基金规模变化,以及“93倍”所对应的起始和终止规模。因此,这些业绩可以作为方法形成背景和经验依据,却不足以单独证明未来AI系统具有可复制的超额收益。 作者本人也明确指出,历史结果属于人工投资实践,不代表任何AI系统表现。
图1从上至下展示了一个分层、并行、可反馈的投资系统,输入包括试验数据、作用机制、监管路径、竞争格局和多市场价格。
分析师层由两类标注为原创贡献的代理组成:科学与临床代理,以及A股、港股和美国市场代理。 科学代理分析作用机制、试验设计、终点、临床结果、标准治疗和监管路线,并输出带有理由与置信度的结构化判断,而不是简单的买入或卖出信号。
跨市场代理则分别从各市场的估值习惯、流动性、货币、投资者结构和监管规则出发,识别同一经济资产在不同市场的价格差异。 该设计承认跨上市或跨市场证券的价格不一定完全相同,投资者基础分割、卖空限制和不同信念都可能造成持续价差。
图1中央的估值代理使用“事件驱动重构”,采用rNPV、情景分析和概率加权二元闸门,最终输出价值区间而不是单点价值。 rNPV即风险调整净现值,通常将药物获批后的潜在商业收益,乘以各开发阶段成功概率,再扣除研发成本,并按时间折现。
例如,一项药物要经过II期成功、III期成功、监管批准等多个阶段,其最终成功概率可以表示为各阶段条件成功概率的乘积。若某个环节的监管不确定性较高,价值区间应扩大或中位估值下降。报告还借鉴真实期权思想,将药物开发视为一组可以根据新信息继续投资、暂停或放弃的选择权。
该层负责二元事件仓位管理、组合相关性和流动性限制。 它不仅考虑单个项目失败,还考虑多个项目可能因相同作用机制、适应症、监管机构或临床终点而同时失败。相比传统现金流股票,临床资产之间的相关性更可能在压力事件中突然上升。
报告提到Kelly思想,即在重复的不确定性下注中根据成功概率和赔率确定最优仓位,但本文并未公开具体仓位公式。 因此,Kelly在这里更像是风险管理理念,而非可直接复现的配置算法。
PM综合代理不采用简单投票或平均分数,而是根据冲突类型对专家意见进行加权,并将残余不确定性传导到估值结果中。 图中最下方仍保留“Human PM”,说明人工投资经理拥有最终受托责任和否决权。
图1右侧的虚线反馈箭头表示,如果冲突无法解决,综合代理会把问题退回分析师层重新研究,而不是强行给出结论。 这是一个重要设计:系统并非单向“输入—输出”流水线,而是允许针对特定监管先例、试验数据或机制争议进行迭代分析。
作者区分了不同类型的冲突。例如,“作用机制强但审批路径弱”属于科学风险与监管风险之间的冲突,应进入成功概率估计;“疗效数据强但估值过高”则属于基本面与价格之间的冲突,应主要影响安全边际和仓位,而不应简单降低药物成功概率。
这种区分很重要,因为将所有意见压缩成一个平均分数,会混淆“资产本身是否有价值”和“当前价格是否已经反映价值”两个问题。前者是科学及监管判断,后者是投资回报判断。
作者还强调,冲突本身可能是最有价值的信息。如果科学代理乐观、监管代理谨慎,系统应保留这种分歧,并通过扩大估值区间、降低置信度或要求进一步调查来处理,而不是输出一个看似中性的平均结论。
报告构造了一个匿名的“Company X”案例:公司处于II期、主营肿瘤药物、无收入、在香港上市并可通过跨境渠道接触内地投资者。 科学代理首先评估I期数据、作用机制、II期设计、主要终点和竞争格局;估值代理随后把成功概率和潜在获批收益转化为rNPV区间;跨市场代理识别香港和内地渠道的流动性及投资者差异;PM综合代理则处理科学积极但监管不确定的冲突;风险代理最后确保公司X即使临床失败,也不会导致组合灾难性损失。
该案例没有给出任何数值,因此不能视为回测、投资建议或实际公司判断。它的作用是说明流程结构,而不是证明模型准确率。
最核心风险是成功概率本身可能判断错误。临床数据具有样本量有限、终点替代性、患者异质性和统计显著性与临床意义不一致等问题。模型即使能够阅读论文,也未必能够替代真实临床专家和监管机构的判断。报告承认概率校准和权重属于未披露的专有参数,因此外部读者无法检验其可靠性。
大型语言模型可能产生流畅但缺乏证据支持的陈述,报告也引用了语言模型幻觉研究。 多代理并不必然消除这一问题,因为多个代理可能共享同一错误资料或互相放大错误结论。作者通过结构化理由、置信度、审计轨迹和人工复核来缓解,但没有提供事实准确率、错误率或异常处理结果。
反馈机制可以提高审慎程度,但也可能增加计算成本、延迟决策并导致代理之间反复争论。报告没有规定何时停止迭代,也没有明确“无法解决的冲突”应如何量化为最终仓位。
不同市场的货币、交易时间、结算制度、投资者结构和监管规则可能造成估值差异,但价差未必能够被投资者及时套利。流动性不足、跨境额度、交易限制和汇率变化都可能使理论价差无法转化为实际收益。
作者的127.17%回报发生在特定制度改革和新资产类别形成时期,可能受益于先发优势、市场扩容和估值重估。虽然报告称同一方法在另一只国内市场基金中也取得类似结果,但仍没有提供完整的交易记录、风险调整收益、最大回撤或样本外测试。 因此,将人工历史业绩直接外推为AI系统未来表现是不恰当的。
报告下一步建议对公开临床事件进行实证验证,将模型估值与实际临床结果、审批结果及市场价格变化进行比较;同时拓展至医疗器械和平台技术等同样具有里程碑二元属性的资产,并改善人机协作界面。 作者还认为,监管改革可能是资本进入新资产类别的领先指标,2023年香港针对专业科技公司的Chapter 18C改革被用作生物科技Chapter 18A机制的类比案例。
综合来看,本文的主要贡献是提出了一种适用于临床阶段、跨境生物科技的架构蓝图,而不是展示一个已经验证的AI投资产品。其最重要的创新不在于重新发明rNPV或真实期权估值,而在于把科学判断、监管判断、跨市场价格和组合流动性纳入同一套多代理决策链。 其中,科学与临床分析代理解决“价值能否产生”的问题,估值代理解决“成功概率和时间如何转化为价值”的问题,跨市场代理解决“同一资产在不同市场如何定价”的问题,风险代理解决“失败是否可承受”的问题,PM综合代理则解决“不同专家意见如何审慎融合”的问题。
作者总体立场是积极但有限度的:传统金融AI在临床生物科技领域存在结构性缺陷,多智能体架构能够扩大分析能力、保留分歧并提升可审计性;但最终受托判断仍应由人工投资经理承担,且本文没有证明任何AI系统已经产生投资超额收益。
2608.10175.pdf