知识库+Agent投资策略——知识增强型LLM Agent在多元资产配置中的应用.pdf

大语言模型的涌现能力为传统资产配置方法缺乏语义理解的困境提供了新的突破口。光大证券研究所构建了一个完整的知识增强型LLM资产配置框架，以2004年1月至2026年6月共270个月的四资产（A股/债券/黄金/货币）配置为统一考题，系统检验知识增强型LLM Agent能否在超长周期中持续产生显著超额收益。

核心发现

研究设置五种策略范式进行横向对比：Single Agent（KB v1·events）、Single Agent（KB v2·summaries）、Single Agent（无知识库）、等权基准和风险平价。结果显示，有知识库策略均显著跑赢无知识库版本，知识库是收益增强的关键驱动力。其中，v1的非结构化历史事件格式提供更丰富的择时信号，收益更高；v2的规范化摘要格式回撤控制最优，构成了锐度与稳健的经典取舍。两个版本共享相同信息来源和相同时期，唯一差异在于知识呈现方式，却产生了显著的年化收益差距，揭示了"格式效应"的核心发现——信息呈现方式可能比信息内容本身更影响LLM的决策质量。

实验设计与方法

知识库覆盖2001-2026年，每月记录经济事件、宏观指标、政策信号和库存周期判断，决策时仅注入当前时点之前已知的知识（无前视偏差）。回测引擎以月度频率运行，初始资金1000万元，全部270期决策以结构化JSON记录，确保完全可复现。三种LLM策略均基于DeepSeek模型，传统策略采用等权和风险平价作为对照。

关键数据与表现特征

全周期表现呈现高度有序的梯度分布：每下降一个知识层级，累计收益大约减半。三个LLM策略的年化波动率集中在极窄区间内，与等权基准几乎相同，意味着在承担相同风险的情况下通过更优配置获取显著更高收益。回撤分析显示，有知识库策略在2008年金融危机中将回撤控制在等权基准的约40%，且恢复速度显著更快。因子分析揭示了Agent稳定的三层决策架构：宏观环境判断为配置锚定方向，估值水位决定仓位中枢，市场情绪决定调仓节奏。

局限与展望

当前局限包括资产覆盖面有限（仅4类资产）、单一模型限制（仅DeepSeek），以及实盘滑点与容量约束未评估。未来方向应扩展至行业ETF、国际资产和另类资产，检验多模型条件下的格式效应稳定性，并评估策略的AUM容量边界。