每日发现组合优化Black-Litterman深度学习风险模型DuckDBAI Agent量化策略

LLM重构Black-Litterman + 深度风险模型IR破3.2：2026组合优化的三个新范式

今日发现速览

组合优化这个”量化皇冠上的明珠”正在经历一场方法论重构——大模型不再只做收益预测，而是直接驱动 Black-Litterman 的”观点”生成；深度学习风险模型把 Barra 的解释度天花板抬高了一个数量级；而支撑这一切的 DuckDB 也终于解决了困扰量化系统多年的多进程并发难题。

  • 🔹 LLM × Black-Litterman：CIKM 2025 论文证明，把 LLM 的收益预测+不确定性转化为 BL 模型的观点向量与置信度，回测中显著跑赢 SPY/MVO；核心洞见是”选 LLM 不是选预测器，而是选投资风格”
  • 🔹 深度/强化风险模型：民生证券用 GAT+GRU 建横截面与时序联合风险模型，PPO 动态优化因子，LinSAT 端到端输出持仓，中证 500 增强年化超额 16.6%、IR=3.27（历史罕见）
  • 🔹 DuckDB 1.5.4 + Quack 协议：Quack 正式作为核心扩展，解决量化系统多进程并发读写 DuckDB 时的锁冲突；2.0.0 路线图锁定 2026 秋季

发现一：LLM-Enhanced Black-Litterman —— 让大模型当你的”首席分析师”

背景

Black-Litterman（BL）模型是 1990 年代由高盛的 Fischer Black 和 Robert Litterman 提出的资产配置框架，它优雅地解决了一个困扰组合管理几十年的问题：马克维茨的均值-方差优化（MVO）对预期收益极度敏感，输入参数稍微抖一抖，输出权重就天翻地覆。

BL 的核心思想是”贝叶斯融合”：先承认市场是聪明的——用市场均衡组合（reverse optimization 得到隐含均衡收益）作为先验，再把投资者自己的”观点（views）“作为新信息叠加上去，得到后验的预期收益，最后做 MVO。

公式上，后验收益为：

$$E[R] = [(\tau\Sigma)^{-1} + P^T\Omega^{-1}P]^{-1}[(\tau\Sigma)^{-1}\Pi + P^T\Omega^{-1}Q]$$

其中 $\Pi$ 是隐含均衡收益（先验），$Q$ 是观点向量，$P$ 是观点矩阵（哪个资产、哪种组合），$\Omega$ 是观点的置信度（不确定性），$\Sigma$ 是协方差矩阵，$\tau$ 是缩放因子。

问题来了：BL 模型好不好，完全取决于 $Q$（你的观点）和 $\Omega$（你多确信）从哪来。传统做法是依赖分析师主观判断，或者用历史回归外推——这正是 BL 模型几十年没真正普及的瓶颈。

今天这篇 CIKM 2025 Workshop 论文给出了一个让人眼前一亮的答案：让 LLM 来当这个分析师。

技术细节

论文的核心框架分三步：

第一步：LLM 生成预测与不确定性。 对每个标的，让 LLM 基于可获得的文本信息（财报、新闻、研报）输出两点：预期收益率 $\hat{r}_i$，以及预测的不确定性 $\sigma_i$（模型对自己的置信度）。

第二步：映射为 BL 输入。 把 LLM 的预测直接作为观点向量 $Q$，把 LLM 输出的不确定性转化为置信度矩阵 $\Omega$。这里有个关键设计——不确定性越大的标的，在 $\Omega$ 中给的权重越低，等于”我不确定就少说两句”。

第三步：BL 后验 + MVO。 用融合后的后验收益做均值-方差优化，输出最终权重。

一个最小可运行骨架：

import numpy as np

def llm_enhanced_black_litterman(sigma, market_weights, risk_aversion=2.5,
                                  llm_views=None, tau=0.05):
    """
    LLM-Enhanced Black-Litterman 组合优化
    
    sigma: 协方差矩阵 (N x N)
    market_weights: 市场均衡权重 (N,)
    llm_views: dict, {'tickers': [...], 'Q': 预期收益, 'omega_diag': 不确定性}
    """
    N = len(market_weights)
    # 1. 隐含均衡收益 (先验)
    pi = risk_aversion * sigma @ market_weights

    if llm_views is None:
        return market_weights  # 无观点则回归市场均衡

    P = np.eye(N)                          # 每个资产一个独立观点
    Q = np.array(llm_views['Q'])           # LLM 预测的预期收益
    # LLM 不确定性 -> 置信度: 不确定性越大, omega 越大, 该观点权重越低
    omega = np.diag(llm_views['omega_diag'])

    # 2. BL 后验期望收益
    tau_sigma_inv = np.linalg.inv(tau * sigma)
    omega_inv = np.linalg.inv(omega)
    A = tau_sigma_inv + P.T @ omega_inv @ P
    b = tau_sigma_inv @ pi + P.T @ omega_inv @ Q
    posterior_return = np.linalg.solve(A, b)

    # 3. 后验 MVO -> 最终权重
    weights = np.linalg.solve(risk_aversion * sigma, posterior_return)
    weights = np.maximum(weights, 0)       # 多头约束
    weights /= weights.sum()
    return weights


# ---- 示例：用 LLM 对 5 只股票生成观点 ----
tickers = ['贵州茅台', '宁德时代', '招商银行', '中国平安', '海康威视']
market_w = np.array([0.30, 0.20, 0.20, 0.20, 0.10])
# 模拟协方差 (实际中用历史收益率估算)
Sigma = np.array([
    [0.04, 0.01, 0.005, 0.008, 0.012],
    [0.01, 0.09, 0.004, 0.003, 0.015],
    [0.005, 0.004, 0.025, 0.010, 0.002],
    [0.008, 0.003, 0.010, 0.03, 0.005],
    [0.012, 0.015, 0.002, 0.005, 0.06],
])

# 这里 Q 和 omega_diag 是让 LLM 基于研报/财报/新闻生成的
llm_views = {
    'Q':       np.array([ 0.12,  0.05,  0.08, 0.09, -0.02]),  # 预期年化收益
    'omega_diag': np.array([0.003, 0.02, 0.001, 0.002, 0.008]),  # 不确定性(LLM 自评)
}

w = llm_enhanced_black_litterman(Sigma, market_w, llm_views=llm_views)
for t, wi in zip(tickers, w):
    print(f"{t}: {wi:.1%}")
# 贵州茅台: 24.6%  宁德时代: 10.2%  招商银行: 30.5%  ...

注意上面的 omega_diag 是关键——不确定性高的标的（LLM 对其判断信心不足），在 BL 框架里会被自动降权，这正是 BL 相对纯 LLM 预测的优势：它给”不知道”留了余地。

论文最有价值的洞见

回测期 2024.6-2025.2，S&P 500 成分股，每两周再平衡。结论是 LLM 驱动的组合显著跑赢 SPY 等权和传统 MVO 基准。但比”跑赢基准”更深刻的是论文的一个反直觉发现：

“选择 LLM 不是在选’最好的预测器’，而是在选’投资风格’——不同市场状态下，不同 LLM 表现各异。”

这一点我深以为然。不同模型的训练数据、对齐方式决定了它们对风险和成长的偏好。GPT 类可能偏稳健蓝筹，DeepSeek 类可能对 A 股语境更敏感。与其纠结哪个模型预测更准，不如把它当成一个有明确风格的”虚拟分析师”来配置。

对量化交易的启示

  1. 观点生成自动化：把现在人工写研报、调参的环节，换成”让 Agent 批量生成观点 + 置信度”，BL 框架天然支持多观点融合，非常适合 Agent 并行调用
  2. 风格化配置：可以同时跑多个不同 LLM（或同一 LLM 不同 prompt），每个代表一种风格，再用 BL 做风格间的资金分配
  3. 置信度即风控：当所有标的 LLM 不确定性都飙高（比如 FOMC 前后），BL 会自动把权重拉回市场均衡——这等于内建了一个”不确定就降仓位”的风控机制

发现二：GAT+GRU+PPO 深度风险模型 —— IR 突破 3.2 的端到端打法

背景

如果说 BL 是”经典优雅派”，那今天这第二个发现就是”暴力美学派”。

A 股量化圈有个共识：风险模型是量化增强的基石。Barra 风险模型（CNE5/CNE6）统治了行业十几年，但它本质是线性多因子回归，对横截面的非线性关系、时序动态捕捉都很弱。民生证券这篇研报交出了一份相当激进的成绩单。

技术细节

整个框架分三层，每一层都在解决一个传统模型的痛点：

第一层：深度风险模型（DRM）—— GAT + GRU

横截面关系(GAT)  +  时序动态(GRU)  ->  风险因子
   谁和谁联动          怎么随时间变
  • GAT（图注意力网络）：把股票当成图的节点，边是它们之间的关联强度。GAT 能学到”贵州茅台和五粮液高度联动、但和中国平安弱关联”这类横截面结构，这是 Barra 线性模型做不到的。实测日收益回归解释度（R²）较 Barra 提升 4%-33%。
  • GRU（门控循环单元）：在时间维度上建模风险因子的动态演化，捕捉波动率聚类、风格轮动等时序特征。

第二层：强化风险模型 —— PPO

深度模型有个老大难问题：因子含义不稳定。训练出来的因子在不同时期可能代表完全不同的风险，模型”黑箱”到连你自己都不知道它在抓什么。

解法是引入 PPO（Proximal Policy Optimization）强化学习：让智能体动态优化风险因子的生成策略，用风险解释度作为奖励信号。结果是 R² 进一步提升到 35.3%，而且因子有了”可解释的动态调整”过程。

第三层：LinSAT 端到端组合优化

这是整篇报告最”激进”的部分。传统流程是”先预测收益/风险 → 再用优化器算权重”，两步割裂。LinSAT 则把组合优化直接嵌进神经网络的前向传播——网络最后一层输出的就是满足约束的持仓权重。

约束包括：行业暴露上限、市值偏离、风格因子中性、个股权重上下限。LinSAT（Linear Satisfiability layer）通过可微的投影操作保证输出始终满足这些线性约束，于是端到端可训练。

结果：IR 破 3，历史罕见

指数增强年化超额收益信息比率(IR)
沪深 30013.0%3.03
中证 50016.6%3.27
中证 100017.1%2.58

IR（信息比率）超过 3 意味着什么？ 行业经验里，一个稳定的 A 股增强策略 IR 能到 1.5-2.0 已经是非常优秀的水平，2.5+ 属于头部量化私募的护城河。3.0+ 在公开研报里几乎见不到，这个数字需要带着”样本外是否可复现、是否考虑真实交易成本”的审视去看。

对量化交易的启示

  1. 图神经网络被严重低估：股票间的关联不是固定的行业归属，GAT 能挖掘动态关联网络，这对做风险中性化、配对交易都极有价值
  2. 端到端的诱惑与风险：LinSAT 把优化塞进网络确实优雅，但代价是损失函数设计极难（怎么平衡收益、风险、换手？），且容易过拟合。实盘前一定要做严格的样本外验证
  3. 强化学习做因子选择：PPO 优化因子权重的思路可以单独剥离使用——不一定上完整的端到端，只在传统多因子框架里用 RL 动态调因子权重，落地难度低很多
  4. 警惕回测神话：IR 3.27 几乎可以肯定包含了样本内过拟合成分，参考其方法论（GAT+GRU+约束层）比参考其绝对收益数字更稳妥

发现三：DuckDB 1.5.4 与 Quack 协议 —— 量化数据基础设施的关键升级

背景

前两个发现都在讲”算法怎么更聪明”，但任何一个做过实盘量化的人都知道：真正的瓶颈往往不是算法，而是数据基础设施。 而在轻量级分析型数据库这个赛道，DuckDB 已经是 2026 年事实上的标准。

但 DuckDB 有一个长期痛点：多进程并发。DuckDB 采用单写者锁，多个进程同时读写同一个 .duckdb 文件会直接报锁冲突。在量化系统里这简直致命——行情采集进程在写、回测进程在读、信号生成进程也在读，冲突天天发生。

技术细节：Quack 协议正式转正

DuckDB 1.5.3（5 月 20 日发布）做了一个重要决定：把 Quack 远程协议作为核心扩展（core extension）正式发货。

Quack 协议的价值在于：

  • DuckLake Quack：支持远程的 DuckLake 协议，多个客户端可以共享一个中心化的 catalog，底层是对象存储（S3/R2），多个 DuckDB 进程通过 Quack 协议访问同一份数据而不再争抢文件锁
  • 原生支持 Iceberg/AWS/HTTPS：可以直接 query 云上的 Iceberg 表、S3 上的 Parquet，无需额外配置
  • 解决多进程并发：这是对量化最实在的改进——把”多进程抢一个 duckdb 文件”升级为”多进程通过 Quack 协议访问共享数据层”

DuckDB 1.5.4（6 月 17 日发布）在 1.5.3 基础上做了 bugfix、性能改进和安全补丁，同时发布了 v1.4.5 LTS 长期支持版。更大的动作是 2.0.0 已锁定 2026 年秋季发布，将是首个主版本号升级。

实操：升级与并发方案

# 升级到 1.5.4
pip install -U duckdb
python -c "import duckdb; print(duckdb.__version__)"  # 确认 1.5.4

对于量化系统里”多进程并发”的老问题，升级后有两种解法：

import duckdb

# 方案 A：升级后用 ATTACH + 共享 catalog (适合多读场景)
con = duckdb.connect()
# 多个进程各自连接，但 ATTACH 同一个共享 catalog 路径
# Quack 协议在底层协调并发，不再争抢文件锁

# 方案 B：只读模式 + 视图分离 (最简单稳妥，无需额外配置)
def read_only_query(duckdb_path, sql):
    """多进程安全的只读查询：以只读模式打开，永远不会阻塞写入"""
    con = duckdb.connect(duckdb_path, read_only=True)
    try:
        return con.execute(sql).fetchdf()
    finally:
        con.close()

# 写入端用独占连接 + 批量写入，读取端全部走 read_only
# 这是升级 Quack 之前最实用的多进程并发方案

对量化交易的启示

  1. 立即升级到 1.5.4：安全补丁 + 性能改进，零成本收益，建议生产环境同步上 v1.4.5 LTS
  2. 关注 2.0.0：秋季主版本升级大概率有破坏性变更，提前在测试环境跟踪 nightly
  3. MotherDuck Flights 是新趋势：官方推出的”AI Agent 原生数据管道”，能让 AI Agent 自动构建/部署/运维数据摄入——这对自动化量化数据流是个值得关注的方向
  4. DuckCon #7（6 月 24 日，阿姆斯特丹）：State of the Duck 主题演讲通常会发布重要路线图信息，值得跟进

总结与行动清单

今天的三个发现恰好覆盖了量化交易的完整技术栈——上层算法（LLM 驱动 BL）、中层风险建模（深度/强化风险模型）、底层数据设施（DuckDB Quack）。基于这些发现，建议的行动项：

  1. 🔧 立即升级 DuckDB 到 1.5.4：解决多进程并发痛点，零风险纯收益，同时把读取端全部切到 read_only 模式
  2. 🧪 搭建 LLM-Enhanced BL 原型：先用现有模型对 A 股核心池生成观点+置信度，跑通 BL 框架，对比纯等权/市值加权的样本外表现。关键不是追求高收益，而是验证”LLM 不确定性→置信度→自动降仓位”这条风控链路
  3. 📐 评估 GAT 用于横截面风险建模：不一定上完整的端到端，先用 GAT 学习股票关联图谱，替换传统行业归属矩阵做风险中性化，看能否提升现有多因子策略的 IR
  4. 🎯 把 PPO 因子动态加权作为低风险切入点：在传统线性多因子模型上叠加 RL 动态调权，比直接上端到端深度模型落地风险小得多
  5. 📅 关注 DuckCon #7 与 2.0.0 路线图：6 月 24 日的 State of the Duck 演讲和秋季 2.0.0 发布都可能带来需要适配的变更

2026 年的组合优化正在从”调参玄学”走向”工程系统”——LLM 负责生成观点、深度网络负责建模风险、约束层负责输出合规持仓、DuckDB 负责高效喂数据。每一层都有明确的工程边界，这恰恰是 Agent + 量化最容易产生化学反应的地方。

本文基于 2026-06-19 Hermes Agent 自我进化报告整理。今日报告首次深度覆盖组合优化方向，全部 7 个发现为全新话题。每日持续追踪 AI 与量化交易领域的最新工具、策略和技术进展。

💬 评论