AI 投研
AI 如何进入机构信息处理、证据追踪、假设更新与研究生产流程。
LUNARTULIP LABRESEARCH NOTES / ARCHIVE
研究方法、系统实践与长期思考
这里讨论主观基本面、系统化量化、AI-native investing 与投资决策系统；公司与产业深度研究收录于 Lunartulip Deep Dive，历史判断结果汇总于 Authority Ledger。
AI4Quant
Agent、代码生成与机器学习如何改变因子研究、策略验证和量化工程。
量化基本面
产业理解、主观命题与量化纪律如何在同一套组合决策语言中协作。
AI-native Fund
研究、验证、风险、决策记忆与净值反馈进入同一组织系统的长期形态。
Agentic 投资研究
可编排、可验收、可追溯的 Agent 工作流如何成为买方研究基础设施。
买方决策系统
盈亏不是经验：Self-Driving Portfolio 之后，AI 投资还缺一层决策归因
自主投资系统能够独立研判并接入市场之后，真正的瓶颈不是更多回测，而是责任归因。本文拆解收益归因、决策归因、学习归因与决策记忆四层结构，讨论买方系统如何把市场盈亏转化为可复用的投资经验。
买方决策系统
Self-Driving Portfolio：AI 投研的真正终点
从《The Self-Driving Portfolio》的五十个专业 Agent 和 IPS 约束出发，讨论投资经理如何把判断、权限、审计和真实 NAV 反馈写进一套能长期运行的投资过程。
AI 原生主动管理
主观私募 AI 化成为共识之后，真正的分水岭才刚开始
主观私募的 AI 化不应停在信息读取层。LLM 把机器算力接入语义世界，真正的分水岭是将语义算力、量化纪律、主观判断与 Agent 工作流缝合成服务净值曲线的决策系统。
买方决策系统
如果量化基金有因子库，主动管理也该有假设库
本文提出以假设库作为 AI 原生主动管理的核心资产，将基金经理的判断转化为可追踪、验证、下注和复盘的生命周期系统，并沉淀为持续迭代的 Alpha 生产能力。
AI 原生主动管理
AI 正在打开基金经理的 Alpha 半径
AI 的真正价值不只是提升投研效率，而是突破人的注意力、记忆与覆盖边界，把分散信息组织成持续生长的投资假设和决策记忆，扩张基金经理可判断、可下注的 Alpha 半径。
系统生长手记
Claude Code之后，量化基金的工程护城河正在坍缩
Coding Agent 正在压缩量化投研从数据、回测到执行的工程复杂度。工程底座变便宜后，真正稀缺的将是投资假设、市场状态判断、风险控制，以及把反馈沉淀为系统复利的能力。
主观 × 量化
Qlib 一直没讲清楚的一件事：信号有了，策略从哪来
从 Qlib 截面预测分数出发，梳理信号到持仓之间的策略层，比较直接映射、条件触发与组合再平衡三种路径，并说明真实执行中的成本与时点约束。
系统生长手记
AI 量化与基本面融合：一个 AI-native Fund 原型的生长手记
从主观多头与量化策略的并行运行出发，记录 Lunartulip Lab 如何把基本面判断、机器学习、Agent 工作流和市场反馈写进一个 AI-native Fund 原型。
主观 × 量化
量化、基本面与 AI：贝叶斯更新如何重塑组合管理
以贝叶斯更新为元框架，重新理解价值投资、反身性叙事与量化统计三种范式，并讨论 AI 如何将先验、证据、策略与组合行动连接成持续迭代的投研系统。
系统生长手记
从信息焦虑到系统自由：我的 Notion 投研大脑养成记
从碎片收藏到结构化研究，本文回顾如何用 Notion 的数据库、关系和视图搭建投研系统，让假设可追溯、信息能联结，并走向人与 Agent 协同。