知识增强型LLM Agent多元资产配置策略：22.5年回测验证与格式效应分析

实验框架与核心问题

资产配置的传统方法依赖历史统计量和数学优化，天然缺乏对宏观经济环境、政策变化和市场情绪的语义理解。大语言模型的涌现能力为这一困境提供了新的突破口。本研究构建了一个完整的知识增强型LLM资产配置框架，核心设计包括三个层次：结构化宏观经济知识库、完整的月度回测引擎，以及多策略横向对比。研究以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，让五种策略范式在同一回测引擎中独立决策，核心研究问题聚焦于：LLM Agent能否在超长周期中持续战胜传统配置策略，以及知识库格式如何影响Agent的决策质量和风险特征。

知识库体系与实验设计

本研究覆盖四大类资产，数据来源为Wind万得终端，频率为月度。实验设置五种核心策略变体：三种为LLM驱动的单Agent策略（基于DeepSeek模型），包括注入v1·events格式非结构化历史事件知识库的Single Agent（KB v1）、注入v2·summaries格式规范化文本摘要的Single Agent（KB v2），以及无知识库的对照基线；另外两种传统策略作为市场基准，即等权基准和风险平价。两个知识库版本共享相同的信息来源（宏观经济数据、政策事件、地缘风险、市场事件、库存周期判断），覆盖2001-2026年每月一条记录，核心差异在于信息呈现方式——v1的非结构化事件描述更接近新闻/研报的自然语言分布，v2的规范化摘要则按宏观数据/政策事件/地缘风险/市场事件/周期判断分类，信息更规整但缺乏事件锚点和时间线细节。

全周期表现评估

五种策略在全周期的核心指标呈现出高度有序的梯度分布。有知识库策略均显著跑赢无知识库版本，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LLM策略在承担相同风险的情况下，通过更优的跨资产配置获取了显著更高的收益。风险平价虽然Sharpe比率最高，但这是在极低的绝对收益为代价，本质上是不参与风险而非管理风险。

回撤分析显示，在每次重大危机中，策略的回撤深度和恢复速度呈现出高度一致的排序。两个有知识库的LLM策略将2008年全球金融危机的回撤控制在等权基准的约40%，且恢复速度显著更快。知识库赋予Agent的不只是减仓更快的能力，更是在危机底部敢于加仓的信心。

知识库效应的深度解剖

三种范式的量化对比揭示了格式效应的显著影响。v1与v2使用完全相同的信息来源和相同时期，唯一的差异在于知识呈现方式，却产生了年化收益差距以及累计收益差距。这一发现表明，信息的呈现方式至少与信息内容本身同等重要。

v1表现优于v2的原因可从三个维度解释：信息密度差异方面，v1的events格式包含具体事件名称和时间线，为LLM提供了更明确的历史类比线索；叙事驱动与数据驱动的分野方面，v1的非结构化事件描述更符合LLM预训练语料的自然语言分布，可能更好地激活模型的推理能力；风险偏好传导方面，v2的规范化格式可能使Agent在不确定性较高时倾向于更安全的解读，导致系统性保守。

超额收益的累计路径显示，KB v1的超额收益自2009年后加速累积，2014-2015年再次跃升，2020年后进入第三轮加速；KB v2的超额累积更为平滑，反映其更均衡的配置风格。

决策行为与因子分析

从因子频率分布可勾勒出Agent的决策逻辑链：首先判断宏观经济所处的周期位置，然后评估当前市场的估值水位，最后根据市场情绪微调仓位的时机和节奏。这一宏观-估值-情绪的三层架构与主动管理框架高度吻合，表明LLM有效地将既有投资知识应用于持续决策中。

值得注意的缺失项在于，Agent对行业轮动指标和全球宏观联动的关注度极低，视野主要局限在中国本土的宏观和估值指标，缺乏全球资产配置视角下的跨境信号。

权重配置特征方面，知识库增强了配置的果断性。v1和v2在牛市中的加仓斜率更陡、在熊市中的减仓幅度更大，而无知识库版本的权重变动更为渐进和平滑。先发优势的累积效应在长达22.5年的复利中被持续放大。同时，知识库格式影响配置的弹性区间，v1的A股配置范围约为10%-60%，而v2约为15%-45%，无知识库约为10%-50%。

核心结论与增量贡献

基于270个月的严格回测证据，研究得出三项核心结论：知识增强型LLM Agent能够在超长周期中持续产生显著的超额收益；知识库格式是决定策略锐度与稳健特征的关键设计变量；Agent的决策过程是透明和可解释的，并呈现出稳定的三层架构。

研究的增量贡献体现在：首次系统量化了格式效应在LLM金融决策中的影响，为知识库设计和检索增强生成系统的工程实践提供直接指导；提供了22.5年超长周期的严格回测证据，涵盖了A股市场三轮完整牛熊周期及所有重大宏观冲击；提出了锐度与稳健的分析框架来刻画LLM策略的风格特征。

局限性与未来方向

当前研究存在三方面局限：资产覆盖面有限，仅覆盖4类资产，远少于实际投资组合的典型资产数量；单一模型限制，仅使用DeepSeek单一LLM，不同模型在相同知识库条件下的表现可能存在系统性差异；实盘滑点与容量约束，回测中的交易成本假设在实盘中可能被显著突破，且策略的AUM容量尚未评估。未来研究应扩展至行业ETF、国际资产、另类资产，引入多空组合和杠杆工具，并检验Agent在高维空间中的决策能力是否保持稳定。