AI 投资前沿：模型真正赢在少交易
本周两篇新论文说明，投资 AI 的边界正在从“更准的预测”转向“更稳的策略、更低的换手率、以及更像真实市场的状态估计”。
这周最值得注意的信号，不是“AI 又预测对了一次”，而是投资 AI 正在更明确地围绕真正的决策对象来设计：市场状态怎么压缩成可交易的动作，换手率怎么压住，成本怎么吞不掉优势。一个最新工作把端到端组合策略直接拿去和简单规则比，在液态很高的 CME 期货上训练，结果显示架构和交易成本会决定最终有没有可用净优势。另一篇则告诉我们，很多人熟悉的 MACD 型信号，可能本来就是隐含漂移估计的一个压缩表达。对做投资 AI 的团队来说，重点已经不是“换一个更大的模型名词”，而是“怎么设计策略层、约束层和评估层”。
前沿信号
本周最清晰的信号是：组合型投资 AI 正在把“该做什么决策”说得更直白。论文 End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing 没有先做收益率预测，再把预测结果送进另一个优化器；它直接把市场状态映射成组合权重，并且用可微分的 Sharpe ratio 目标训练模型。
这并不意味着 AI 一定全面胜出。论文本身就说，学到的策略在 pooled cross-asset portfolio 和若干子资产类别里排在规则基线之上，但并不是处处领先。最有意思的细节在于：LSTM 和 transformer 在毛收益上接近，但一旦加入交易成本，差异就放大了。transformer 交易更少，因此在中等成本下能匹配甚至超过 equal weight。
另一篇论文 Portfolio Optimization under Fast and Slow Latent Mean-Reverting and Momentum Drift 风格完全不同，但结论指向同一个方向。它证明，在部分信息的组合优化里，隐含漂移的滤波估计可以自然导出一种 MACD 型信号，并附带一个 Volterra 修正项。也就是说，市场上很多看似“经验主义”的技术指标，可能本质上是在做状态估计。
这两篇放在一起看，说明真正的研究空白已经从“能不能预测”转向“怎么更好地压缩状态、怎么更好地把状态映射成动作”。
为什么投资者在意
对投资团队来说，这个变化非常实际。研究系统里，一个模型就算预测误差好看，也可能完全不适合下单。如果最终落地的是组合决策，那真正重要的往往是策略在成本、回撤、再平衡频率和仓位约束下是否稳定。
尤其是在跨资产和期货策略里，边际状态变化会很快反转信号，换手会迅速吃掉优势。那篇期货论文把交易成本放进比较框架，这一点很关键。它提醒我们，架构选择不是纯技术口味问题；如果两个模型的毛收益差不多，净收益更高、换手更低的那个，才更接近可部署策略。
隐状态漂移那篇论文则提供了另一种价值：它给了一个从“隐藏状态”到“熟悉指标”的严格通路。对想要可解释性的团队，这很有用。一个信号如果能从估计问题而不是“祖传经验”中导出，就更容易测试、监控和替换。
这也和最近金融服务 AI 的评估思路变化一致。arXiv 2607.01740 那篇面向金融服务的 meta-benchmark 工作指出，公共榜单的总分太粗，无法支撑受监管场景的模型选择；更合理的做法，是把模型能力映射到工作活动和业务域。对投资团队来说，意思也类似：评估要贴着决策，而不是贴着抽象总分。
技术解读
期货论文的核心是端到端策略。它不是“先预测，再优化”，而是直接输出组合权重，并用可微 Sharpe ratio 作为训练目标，让模型目标和真实组合结果尽量对齐。对比基线包括 equal weighting、risk parity 和 time-series momentum，因此问题不是“AI 有没有打败空白模型”，而是“AI 能不能打败一组已经很强的简单规则”。
这里真正值得注意的是架构差异。毛收益上 LSTM 和 transformer 差别不大；到了净收益，transformer 因为交易更少而占优。这说明模型类别不仅影响表示能力，也会影响控制策略本身。
隐状态论文则用的是部分信息组合优化框架。它把风险资产的漂移拆成两个不同时间尺度上的潜在因子，并证明滤波后的潜在均值回归水平可以写成快慢两个 EMA 型过程的差，再加上一个确定性的 Volterra 修正项。于是 MACD 型信号就不再只是图表习惯，而是可由理论推导出来的状态估计器。论文还在 logarithmic、power 和 exponential utility 下给出候选最优策略，并做了 admissibility 和 verification。
meta-benchmark 工作则把同一个思路扩展到治理层。它不发明新 benchmark，而是把 452 个公共 benchmark 聚合到 41 个工作活动，再聚合到 38 个银行业务域，并用动态权重突出仍然有区分度的前沿 benchmark。这个设计提醒我们：模型评估要围绕真实工作展开。
现实校验
至少有四个地方会让这些结果在生产里失效。
第一，交易成本和市场冲击会非常快地吞掉纸面优势。模型越依赖高频再平衡，越容易在实盘里失真。
第二，隐状态模型再优雅，也仍然可能过拟合历史。一个干净的数学推导，并不自动等于能穿越新的波动 regime 或新的市场结构。
第三，评估粒度可能不对。一个在 pooled cross-asset futures timing 上表现不错的模型，不一定适合某个具体 mandate，因为持有期、风险约束和执行条件都可能不同。
第四，可解释性如果只是“看起来像技术指标”，其实没有价值。指标必须先在样本外证明自己，再谈故事。
构建者要点
- 把策略头当成一等公民来研究，不要只把它当预测后的薄薄一层。
- 除了 Sharpe 和命中率，还要追踪换手、滑点和 regime 敏感度。
- 在真实成本假设下测试“更少交易”的架构是否仍然占优。
- 把旧指标重写成状态估计器，看看是否更利于监控和特征选择。
- 评估切片要按 mandate 来做，尤其是监管和机构场景，别只看通用 benchmark。
链接 / 来源
- End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing —— 端到端策略在简单规则面前确实能赢，但换手和成本决定净效果。
- Portfolio Optimization under Fast and Slow Latent Mean-Reverting and Momentum Drift —— 说明 MACD 型信号可以从隐状态估计中自然出现。
- Meta-Benchmarks for Financial-Services LLM Evaluation —— 评估应该映射到工作活动和业务域，而不是只看总分。
- End-to-End Portfolio Policies Are Getting Real —— 可作为同主题的近因内部上下文。
- Financial AI Needs Deterministic Production Kernels —— 生产化纪律是金融 AI 落地的底座。