本稿提出一种“agentic”战略资产配置(SAA)流水线:约50个专职智能体并行产出资本市场假设、用20余种构建方法生成候选组合并相互审议投票,最终由CIO代理基于多个集成方法选出并出具董事会备忘录,所有智能体受投资政策声明(IPS)约束,且包含自我改进的meta-agent闭环机制
| Asset Class | Hist. ERP | Regime Adj. | BL Equil. | Inv. Gordon | Impl. ERP | Auto-Blend | Judge | △ Judge vs. Auto Blend |
|---|---|---|---|---|---|---|---|---|
| US Large Cap | 12.5 | 9.8 | 9.3 | 4.3 | 4.0 | 7.9 | 6.8 | -1.1 |
| US Growth | 13.3 | 10.0 | 9.7 | 3.5 | 3.2 | 8.2 | 6.2 | -2.0 |
| US Value | 11.7 | 9.5 | 9.0 | 4.8 | 4.9 | 8.0 | 7.5 | -0.5 |
| US Small Cap | 12.1 | 9.8 | 10.2 | 4.1 | 5.6 | 8.2 | 8.2 | 0.0 |
| Intl Developed | 7.7 | 6.2 | 9.3 | 6.6 | 5.7 | 7.0 | 6.7 | -0.3 |
| Emg. Markets | 10.9 | 9.2 | 10.4 | 5.3 | 6.9 | 8.4 | 8.2 | -0.2 |
| REITs | 12.1 | 11.2 | 8.7 | 7.1 | 3.4 | 8.5 | 8.3 | -0.2 |
| Rank | Method | Category | Vote |
|---|---|---|---|
| 1 | Maximum Diversification | Risk-Structured | 96 |
| 2 | Black-Litterman | Return-Optimized | 76 |
| 3 | Risk Parity | Risk-Structured | 42 |
| 4 | Hierarchical RP | Risk-Structured | 41 |
| 5 | Tail Risk Parity | Non-Traditional | 22 |
元数据与概览(引言与报告概览)
逐节深度解读
Exhibit 1(管线示意)及解读
Exhibit 2(资产类代理通信结构)及解读
Exhibit 3(US Large Cap agent 配置节选)解析
Exhibit 5(PC 方法清单表)为方法覆盖性证据,支持报告关于“跨哲学流派运行多方法并以多机制汇聚”的主张。
图表深度解读(逐一表格/图像)
Exhibit 1(见上图)说明并行化与双轨输出设计,并支持“IPS 作为运营边界”的治理主张。
Exhibit 2(资产类代理依赖图,见上)强调每个资产类代理同时读取资产类专属描述、共享技能与执行脚本,说明机构知识(技能)在 agent 之间的共享机制与岗位说明在运行时被 LLM 读取以保持一致性。
Exhibit 8(表:权益类 CMA 方法估计与 Judge 选择,3 年名义 horizon,见 page 17)是关键的数值证据。表中列示每种资产类对 6(或 7)个方法的点估与 auto-blend,以及最终 judge 选择与 judge 相对 auto-blend 的偏差。主要可观察到的趋势包括:US Growth、US Large Cap 等估值较贵的类别,judge 对 auto-blend 大幅下调(US Growth −2.0pp,US Large Cap −1.1pp),而估值便宜或中性类别(Emerging Markets、REITs)仅小幅调整或基本保持 auto-blend,显示 judge 融合规则确实在高估值处赋予估值方法更高权重以降低远期预期。
该表反映的假设:judge 的调整主要由估值(如 CAPE、earnings yield)与宏观 regime(late-cycle 更偏向估值/regime-adj)驱动,且最终估计被硬性限制在候选方法的 min–max 区间内以防极端外推,这些规则在 cma-judge SKILL.md 中被明确列出并在实证中兑现。
Exhibit 9(表:PC 方法投票结果与复合评分,见 page 18)清楚表明在该次(2026.03)运行中,风险结构化方法(如 Maximum Diversification、Risk Parity、Hierarchical Risk Parity)及 Black–Litterman 获得最高票与复合评分,而依赖重度预期收益的某些 return-optimized 方法(如 Resampled Efficient Frontier、Robust Mean-Variance)排名中间或偏后,Adversarial Diversifier 与 CVaR 最低并触发大量反对票。该结果与当时宏观被判定为“晚周期且存在滞胀风险”的情境相一致,由此可见 agent 投票行为会显著受 regime 信号影响。
Exhibit 10(表:CIO Ensemble 权重分配,见 page 19–20)展示了 CIO 最终在多种方法上的加权选择(逆跟踪误差加权被采纳),有趣的点包括:尽管 Maximum Diversification 在投票中排名第一,但在 CIO 的逆跟踪误差加权下其 ensemble 权重仅 3.1%,反而市场权重(Market-Cap Weight)被赋予 11.1% 的最大权重;同时 PC-researcher 提出的 Maximum Entropy 获得 5.6% 权重,Adversarial Diversifier 虽然在投票中得分极低,仍被赋予 2.7% 权重以提升跨方法的正交性并扩大有效搜索空间。
这些数值反映 CIO-agent 在打分时对“ensemble 多样性(即方法间相关性/跟踪误差)”给予了实质性重视,CIO 的目标不是挑出单一“最优”方法,而是构建一个在 IPS 约束下、跨方法具备互补性的加权组合,说明集成逻辑既考虑方法质量也考虑方法间的冗余/覆盖特性。
Exhibit 11(表:最终资产类权重与风险贡献,见 page 21)给出最终策略的资产配比细节:总体权益权重 44.9%(对比 60% 基准有明显减配)、固定收益 41.7%(与基准 40% 相近)、现金 8.1%、实物/另类 5.1%,并在权益内呈现国际偏向(Intl Developed 15.9% 为最大单项权重),在债券端以中长期国债集中(Intermediate + Long-Term Treasuries = 23.1%)。回测期(1996–2026)Sharpe 为 0.39,略低于 60/40 的 0.41,但最大回撤明显改善(−25.6% vs −34.3%),显示作者重点强调在晚周期/滞胀风险环境下的防御性与回撤改善目标。
这张表同时提供风险贡献(Risk Contrib.)列,表明虽然 Intl Developed 权重 15.9%,其风险贡献接近 29.8%,说明该国际偏倚在波动/β 上贡献较高,CIO 在构建时同时监控“权重”与“风险贡献”的不对称性以满足 IPS 的风险预算与最大追踪误差约束。
估值分析(Valuation / 方法论)
风险因素评估(Section 5.1)
批判性视角与细微差别(审慎视角)
关于图表与数据局限性的说明
结论性综合与关键发现总结
附:报告中关键图像引用(便于审阅)
總體評價(簡短)
2604.02279.pdf