AI 时代，投资经理的工作重心正在变化。信息收集、模型计算和部分研究执行可以交给机器，人把更多精力放在目标、边界、风险和系统训练上。

顺着这条路往前走，基金经理会越来越像一套投资系统的设计者。他需要分配决策权，写清风险预算和升级条件。不同 Agent 在各自岗位上观察市场、更新假设、运行模型，最后由真实的组合结果来结算这套安排。

一张 Self-Driving Portfolio 的施工图

2026 年 4 月，Andrew Ang、Nazym Azimbayev 和 Andrey Kim 发布了工作论文 The Self Driving Portfolio: Agentic Architecture for Institutional Asset Management。

三位作者把机构战略资产配置拆成约五十个专业 Agent。宏观 Agent 判断经济状态，各资产类别 Agent 生成预期收益和风险参数，二十多种组合方法并行给出方案。同行评审和投票结束后，CIO Agent 汇总结果，Researcher Agent 再去寻找系统尚未覆盖的方法。

这些角色有具体的岗位说明、工具权限、Python 脚本和结构化输出。语言模型适合读材料、比较证据和写判断；计算、统计与优化仍交给确定性脚本。运行过程会留下机器可读的 JSON、供人检查的报告和完整 Trace。

我读下来，论文最有用的地方是组织设计。分析能力可以大规模复制以后，投资经理该怎样分配决策权、约束各个角色，并保留一条能回看的责任链？五十个 Agent 只是外观，真正费功夫的是这套组织怎样运转。

Investment Policy Statement 成为可执行的投资宪法

整套系统由 Investment Policy Statement（IPS）约束。过去，IPS 主要写给投委会和基金经理看；在这套架构里，它还要能被机器读取和执行。

可投资范围、风险暴露上限、流动性要求和数据权限都要写清楚。普通研究动作可以自动完成，碰到异常或高影响变更则交还给基金经理。规则调整需要谁审批，运行记录要保存到什么程度，也都属于这份投资宪法。

这会迫使基金经理把一些过去依赖默契的东西说透。系统得到的自主权越多，权限和审计就越具体。版本管理也很现实：三个月后回看一笔决策，至少要知道当时运行的是哪套规则。

还有一个容易被 Agent 数量掩盖的问题。如果它们共用同一个基础模型，知识边界和推理盲区也可能高度相似。五十个名字听起来人多势众，背后也许还是同一个脑袋。异质模型、独立数据源、确定性检查和人类复核，都是为了解决这种相关性。

回测数字提供了什么信息

论文给出的 1996—2026 年历史回测中，Agentic 组合的 Sharpe ratio 为 0.39，60/40 基准为 0.41；最大回撤分别为 -25.6% 和 -34.3%。

0.39 的 Sharpe ratio 没有给出稳定 Alpha 的证据。最大回撤较低，说明组合的风险暴露与 60/40 基准不同。作者对结果的处理很克制，我因此更愿意继续读下去。

论文也直接讨论了 LLM 回测中的 look-ahead bias。今天的模型在训练时读过大量历史金融信息，让它回到过去做“历史决策”，很难保证它对未来一无所知。严格的 point-in-time 数据可以约束输入，模型参数里已有的历史知识仍很难彻底清除。

所以，真正有分量的验证来自上线后的前瞻运行。系统要记录当时能看到的信息、形成的判断和实际动作，再等市场给结果。样本积累起来以后，我们才有机会分辨模型在什么市场状态下更可靠，也能顺着记录检查错误究竟出在事实、映射、时机还是仓位。人类干预是否有效，同样应该留给结果回答。

报告完成之后，投资过程继续运行

机器已经可以阅读公告和研报，整理财务数据，跟踪新闻，甚至在很短时间里写出结构完整的分析。报告完成得越来越快，投资过程仍要经历数周、数月，有时甚至数年。

我更关心后面这条链：

Coverage → Evidence → Hypothesis → Decision → Position → NAV → Decision Memory

Coverage 先规定长期观察的市场和资产范围。新证据进来后，它会改变某条 Hypothesis 的强弱，随后影响决策和仓位。NAV 给出连续反馈，Decision Memory 则保存当时的信息集、规则版本和事后归因。

这几层之间需要一个共同主键。一次产业判断如何变成组合动作，后来又怎样反映在净值里，应该能够前后对应。基金经理复盘时可以回到判断形成的现场，后续规则也能使用同一批前瞻记录继续训练。

过去，这些中间状态经常留在人的脑中。研究员写报告，交易员执行，组合经理凭经验调整。等价格走完一段再回头看，盈亏很清楚，错误发生在哪一层往往说不准。组织做了很多研究，真正能留给下一轮市场风格的数据并不多。

Research Desk：持续运行的买方研究状态

LunarTulip 正在构建的 Always-On Research Desk，负责保存这条链上的研究状态。

事件账本收下每天出现的新变化，再把它们接回原来的假设和产业因果路径。假设看板记录观点何时建立、证据怎样变化、验证窗口还有多长。每日简报只压缩真正影响判断的部分，Decision Memory 则把当时的信息、后续动作和结果放在一起。

AlphaMap 处理产业链驱动、传导和价值兑现路径，QuantLab 负责因子、情景与组合层验证。Research Desk 把两边放到同一条时间线上。我一直觉得界面或呈现载体没有那么重要，难的是让一条判断在几个月后仍有来路，也有下文。

当前的机构合作以受邀试点和共同研究展开。我们从一个真实命题开始，确认 Coverage、数据边界和复核节点，然后看它在实际运行中如何应对变化。这个过程会暴露很多细节，恰好也是系统最需要学习的部分。

AI-native Fund 的长期组织形态

LunarTulip 的长期愿景指向 AI-native Fund。这个想法从一开始就在，也需要一段很长的建设期。

未来的组织会围绕一套长期运行的投资系统展开。人承担投资责任并作最终判断，Agent 扩大研究覆盖、追踪证据并执行明确流程。Investment Constitution 写下目标、权限和风险边界，基金经理据此设定组合目标、持仓限制与否决权。

研究范围会覆盖全球泛 AI 科技产业链，跟踪 A 股、美股与港股之间的技术演进、供应链变化和利润传导。进入组合环节后，假设、赔率和情景条件要与具体动作相连。真实交易拥有更严格的权限，流动性、集中度和回撤也会经过风险闸门。

日常观察和状态更新可以交给 Research Desk。基金经理负责核心命题、组合结果和异常处置，投委会定期检查模型漂移及前瞻表现。工程与研究团队再根据这些记录调整 Agent、Skill 和数据。

未来的资管业务会在匹配的主体、资质和合规框架中展开。现在要做的，是让产业理解、量化纪律、组合管理和净值反馈逐渐进入同一套买方基础设施。

投资经理开始训练一套持续接受市场奖惩的系统

Self-Driving Portfolio 给出了一张早期施工图：Agent 有明确分工，组合方法可以并行比较，IPS 负责治理，Meta-Agent 根据历史结果提出修改建议。

这张图离成熟还很远。模型相关性、数据污染、规则漂移和监督疲劳，都要经过长期的前瞻运行。市场状态一变，原先有效的分工也可能需要重写。

投资经理因此多了一份工作：把对市场的理解转成可验证、可记录的判断，再训练整个组织从组合结果中学习。

我喜欢投资系统化，原因很朴素。人暂时离开时，研究还能继续；判断出错以后，错误形成的过程仍然留在记录里。时间足够长，最终会有一条诚实的 NAV 曲线回答这套系统究竟创造了什么价值。