AI组合跑赢了，优势究竟来自哪里？

回测常按“事件发生时间”归档资料。交易决策能否使用它，还要看资料何时公开、何时进入系统。

OpenPM把这件事写成逐条记录的硬条件：一条数据的可用时间，必须不晚于当前决策时点。财报看EDGAR接收时间，宏观数据看当时的数据版本，K线衍生特征要等该根K线收完；新闻通道还设置了发布时间后30分钟的延迟。（第3页、附录A表4）

例如，一份文件内容涉及昨天，并不代表昨天就能读到它。如果它今天才公开，昨天的决策必须看不到。这个例子解释时间门禁的作用，不是论文中的收益实验。

研究从100万美元初始现金出发，采用只做多、无杠杆、整股交易的账本。市场状态以5分钟为间隔，调仓可以设为每小时、每日或只建仓一次；观察频率不等于交易频率。

这次评估覆盖2026年3月2日至5月1日，共44个交易日、3,432根5分钟K线。冻结股票集合涉及508个在收集期至少一天属于标普500的名称，按时点成分过滤后，评估期内涉及504个可交易名称。流动性筛选再把每次候选控制在最多50只。（第3—4页）

这些数字描述的是这份数据发布与实验设置，不能读成“AI全天每5分钟交易500只股票”。

OpenPM把系统分成两层：分析师读取不同类型的信息，输出评分和置信度；组合构建器据此选择持仓并分配权重。外围的流动性筛选、约束修正和成交模拟由程序执行。

为了比较构建器，作者先把分析师输出保存成固定快照。两个分析师模型、三个种子，得到六份快照，再分别交给五个构建器，在候选数30、40、50下运行，共90个LLM实验单元。同一份证据无需重新生成，减少了“比较决策器时连输入也一起换了”的干扰。（第4页、附录E）

关键基准是同池等权：使用同一份分析证据，按综合分数选取前N只，平均分配资金，并经过同样的约束与回测。这比单独拿大盘作比较，更贴近“这次复杂构建究竟增加了什么”的问题。

表2只看候选数50、一次建仓后持有、三个种子的均值：在DeepSeek-V3.2分析证据下，同池等权净收益8.0%，gpt-5构建器7.0%；换成gpt-5分析证据，同池等权7.2%，gpt-5构建器12.5%。后者相对等权高5.3个百分点，前者却低1.0个百分点。（第5页表2）

这不是在证明某个模型永远更好。它说明：在这个窗口里，输入证据改变了构建器能否胜过简单分配。等权本身从8.0%变为7.2%，也没有同步改善，所以不能把差异简单归结为“候选池选得更好”；证据如何影响权重同样重要。

附录案例还显示，少数强趋势股票可能主导模型间的差距。只靠一个窗口的排序，很难把可迁移的构建能力与押中个别股票分开。本文保留原模型名称供核对，不据此推荐付费选型，也未独立复现这些结果。

一次建仓后持有时，换手有限，计入买卖报价差后的净收益与毛收益很接近。把频率改为每日调仓，44次调整不断累积，情况就不同了。

表3在固定DeepSeek-V3.2分析师、50只候选和相同风险设定下，各构建器运行一次。gpt-4o-mini的区间毛收益6.8%，净收益5.1%，累计换手41.4倍；Qwen3-Max毛收益7.4%，净收益4.8%，累计换手43.6倍。两者扣费后均低于同期SPY的5.8%。表内数值经过四舍五入，不能据此声称精确到小数点后的成本差。（第6页表3）

不过，换手少也不自动带来更好选股。gpt-5构建器累计换手21.6倍，是这一组最低值，净收益仍只有4.2%。低换手能减少一类损耗，不能凭空创造有效信号。

这里的“倍”按全区间买卖成交总额除以平均权益计算，不是年化换手。表3每个模型仅有一次运行，所谓“Beat all”在这张表里指净收益胜过SPY与现金，并不包括同池等权。它与一次建仓实验中的等权胜出统计口径不同，不能混读。

执行假设也要跟着数字一起保留：买按卖价成交、卖按买价成交，使用单一交易场所IEX TOPS报价，并非综合最优报价NBBO；没有完整模拟滑点、市场冲击和排队。文中的“净收益”只是扣除了这套模拟内的成本，仍不能视作实盘可得收益。（第3、7、10页）

OpenPM把自然语言风险要求转成结构化约束。例如本次平衡型设定要求单只权重不超过10%、持仓不超过20只。模型先提出组合，程序再执行只做多、持仓数量、单只权重、流动性、现金及换手等限制，并记录提案与最终执行的差异。

这里有一个容易被讲错的结果：90个一次建仓实验单元中，原始模型提案都没有突破明确给出的10%单只上限和20只持仓上限。不能把论文说成“AI普遍不听风控要求”。（第6页§6.3）

真正经常触发的是更严格、且模型并未直接看到的单只流动性限制：90个单元里37个需要裁剪。作者把这种流动性修正与违反用户明确风险要求分开报告。

这也解释了确定性程序的角色。模型能遵守这组简单数字，不代表面对更紧约束、其他模型或新数据也一定能遵守。可执行的边界由程序落实，日志则回答到底是哪条限制在起作用。是否合规，应看最终持仓与成交，不能只看回答里有没有“谨慎”“分散”这些词。

可以把它理解为一道带检测的装配工序：研究证据是原料，构建器决定怎样组装，限位装置检查产品能否进入下一环节。换装配师之前先固定原料，才知道改善来自哪里。这个类比不覆盖市场价格的随机性；合格产品也可能亏损，程序保证约束不等于保证收益。

对自己的研究系统，这篇论文给出了一种可落地的对照思路：把分析证据保存下来，在相同输入、候选和交易规则下比较构建器，同时保留同池等权。再单独改变调仓频率与成本假设，记录原始提案、修正后的权重及真实使用的数据时间。

这是从论文延伸出的研究检查建议，不是已验证的通用交易规则。分析证据质量、信号组合价值、成本与约束可以分开定位，但最终仍需多个不重叠窗口来检验。

OpenPM为每次运行保留污染检查证书、成本敏感性曲线、约束报告及逐股归因。证书即使显示PASS，也只覆盖已检查的泄漏方式，不能证明所有可能配置绝无泄漏。三次种子重复也不能替代三个独立市场时期。

下一次看到AI组合跑赢的曲线，可以继续追问：输入是否相同，等权是否也能做到，收益是否集中在少数股票，成本是否完整，最终执行是否真的遵守约束？回答这些问题，需要一份可追踪的实验记录，而不只是更长的模型解释。

原文：Xinying Cai、Minghao Guo等，OpenPM: Auditable Point-in-Time Evaluation for LLM Portfolio-Management Agents，arXiv:2608.09988v1，2026年8月6日。重点依据第3—7页、表2—3、附录A—E；完整本地论文14页已读取。公开原文：https://arxiv.org/abs/2608.09988 。本文未独立运行作者代码，也未复核作者报告之外的实时模型能力。

本文由AI辅助整理与制图，保留原研究条件和局限，仅供学习与方法交流，不构成投资建议。历史模拟结果不代表未来收益。