投资智能体的记忆，必须先通过反事实归因审计

投资智能体很可能会稳定地记住错误的教训。如果一条人工智能生成的研究笔记被调用之后，投资组合恰好上涨，普通的记忆系统就可能提高这条笔记的重要性。但当天发生的市场上涨，也被所有其他决策共同经历了。笔记只是遇到了好天气，并没有证明自己造成了结果。

这正是十月发布的 arXiv 工作论文《MemTrial: Learning When to Trust Memory in LLM Portfolio Agents》（arXiv:2610.11732）提出的警告。它的实际判断不是“换一个更好的提示词”，而是：投资智能体不能只根据组合结果奖励记忆。它需要反事实的归因审计、面向未来日期的信任测试，以及在证据不足时保持保守的退路。

工作流改变在哪里

旧流程很直观：先检索几条相似经验，让模型生成组合，等结果出来后，把好结果归因给当时使用的经验。若反馈主要反映智能体自己的动作，这个循环或许有用；但当市场冲击主导结果时，经验和市场环境就混在了一起。

MemTrial 改变了分析单位。对每个决策日，它用检索到的经验的不同子集生成多份草稿。所有草稿面对同一个已经发生的市场，因此可以扣除共同的市场变化。真正的问题变成：与没有这条经验的草稿相比，这条经验改变了什么？

论文在四条检索经验上采用分数因子设计，用类似 Banzhaf 值的平均边际贡献估计每条经验的作用；随后用分层贝叶斯模型，把不同日期和相近内容的噪声观测合并起来。最关键的一步，是检查这些估计能否预测未见过的后续日期。在前向测试通过之前，智能体停留在等权组合等保守参考附近。

这并不是发现超额收益的声明，而是研究运营方式的变化：记忆不再是自动服从的权威，而是一项必须接受检验的假设。

证据能支持什么

研究在三个真实基准和一个植入了已知经验质量的半合成环境上进行评估。作者报告，普通的结果奖励更多追踪市场，而不是追踪经验本身。其方法在经验确实有用时尝试利用它们，在经验不能迁移时限制损失。论文摘要称，在五种设置的平均结果中，它的效用比最佳经验学习智能体高 21.2%；在两个真实基准上，相对等权组合的最大落后幅度不超过 2.2%，而对照经验学习智能体为 15%–38%。

这些是基准测试，不是实盘承诺。论文也明确指出，语言模型抽样带来噪声，真实基准只有一段市场历史，结果还取决于模型、提示和评估设定；过去测得的贡献未必适用于未来日期。信任闸门有时选择不使用学习到的价值，这反而是方法的一部分：在证据不足时不行动，并不等于自动化失败。

实现上，流程可以复核：记录检索到的记忆，分别生成包含和不包含某条记忆的草稿，在同一个价格区间和成本模型下评估，计算增量贡献，再只用后续日期检验排名。等权基线必须始终可见。应同时记录换手率、成本、风险、校准程度，以及信任闸门开放的比例。若某条记忆只改善毛收益，却增加成本或让流程变得不稳定，就不能简单称为改进。

这与本系列关于可复现投资研究轨迹和证据有效期的讨论相接：来源账本回答证据从哪里来；反事实归因则追问它究竟改变了什么。

一个安全的研究练习

做一次 60 分钟的历史纸面研究。选取四条带日期的研究笔记和一个简单的配置任务，让同一个模型用不同笔记子集生成八份决策。固定提示词、模型、温度、资产范围、持有期和交易成本假设。先计算每条笔记相对于“不包含它”的草稿的同日差异，再把紧接着的时间片保留为观察窗口，检查原来的排序能否预测相同方向的贡献。

以等权组合为基线，记录平均贡献、前向窗口的排名相关性、换手率、扣除成本后的效用，以及笔记被信任的比例。如果未来信息泄漏进检索或评估，如果样本不足以区分噪声与信号，或如果因为已经知道结果才选择笔记，就应停止。不要据此下单，也不要把结果当作投资建议；最终产物应是一张审计表，以及一份仍不可信任的记忆清单。

判断

真正的前沿不是给投资智能体更大的记忆库，而是让记忆可以被追责。只记录成功案例会产生选择偏差；让失败笔记消失会产生幸存者偏差；忽略成本、风险和授权限制会产生测量偏差。市场制度也会变化，一条在某种环境有用的笔记可能在另一种环境有害。供应商和研究团队还可能有动力把更活跃的智能体描述成更有能力。

对主观投资者，要求每一条“经验”留下可核验的依据；对系统团队，把归因和结果拆开并按时间顺序验证；对构建者，把不行动、锚定和审计日志做成一等输出。模型可以有用，但前提是它必须在未见日期上说明记忆改变了什么，以及什么时候可以安全地使用这份知识。

Read in English →