AI 投资前沿 — 组合优化重新变成搜索问题
当持仓数量、风险预算和实施约束同时生效时，投资 AI 更像在可行域里做搜索与修复，而不是只做预测。
真正值得注意的，不是又出现了一个“更准的收益预测模型”，而是投资 AI 开始更认真地面对组合构建这件事。最近一篇 arXiv 论文把“带持仓数量约束的组合优化”写得很直接：一旦把真实限制加进去，问题就不再是漂亮的闭式解，而会迅速变成需要启发式搜索、修复机制和多目标权衡的组合问题。对做投资系统的人来说，这个信号很重要，因为很多时候难点不在预测，而在把预测变成一个真的能下单、能执行、能过风控的方案。
这也和 MSCI 最近提出的组合构建工作流很一致：先看 intent，再看 exposures，然后是 risk control，最后才是 implementation。换句话说，投资 AI 的重心正在从“给一个分数”转向“把整条决策链跑通”。
前沿信号
这篇论文的题目是 Large-Scale Portfolio Optimization Problem Under Cardinality Constraint With Enhanced Multi-Objective Evolutionary Algorithms。它讨论的是一个非常现实的问题：组合里能放多少只资产，不是一个装饰性的约束，而是直接决定了搜索空间、交易复杂度和最终可执行性的硬约束。
作者的处理方式也很说明问题。他们没有把重点放在“更大的神经网络”，而是放在更适合约束优化的搜索框架上：独特的解表示、新算子、修复机制、以及配套的 mating 策略，用来在带上下限的持仓集合里更快找到可行且更优的解。论文还提到，随着资产数量上升，这套方法在近似质量和收敛速度上都有改进。
MSCI 的 The Common Language of Portfolio Construction 则从机构视角补上了同一个逻辑。它把组合构建统一成四个环节：investment intent、exposures、risk control 和 implementation。这个框架其实是在说，组合管理本来就是一个多阶段、多约束的优化流程，不是单一预测器可以搞定的。
为什么投资者在意
对投资团队来说，这类进展的意义不在于“又多了一个算法名词”，而在于它会改变系统设计的方式。
几个最直接的场景：
- 量化股票、信用策略里，模型要同时顾及换手、持仓集中度、行业暴露和风险预算。
- Direct indexing 或定制化委托里，客户约束更多，税务、排除名单和 tracking error 目标会把问题推向更复杂的可行域。
- 研究团队如果只能输出预测分数，最后还是要人工把它翻译成交易单；如果系统能直接给出可执行的组合候选，工作流会短很多。
所以，真正的分界线不是“有没有 AI”，而是 AI 是否能处理约束、修复无效方案、并让结果对投资经理有操作意义。一个只会给 return forecast 的模型，和一个能在实施约束下给出可行组合的系统，差别非常大。
这也和我们前几篇关于 End-to-End Portfolio Policies Are Getting Real 以及 Causal Separation Makes Portfolio AI Harder to Fake 的判断是连着的：前沿正在从“单点预测”转向“整套决策系统”。
技术解读
这篇论文之所以值得看，是因为它把技术细节摆在台面上，而不是只说一句“用了 AI 优化”。
核心点可以概括成几条：
- 问题设定是带 cardinality constraint 的组合优化，也就是组合里只能放有限数量的资产。
- 一旦加入这类约束，问题通常会变成 NP-hard，精确求解会很快变得昂贵。
- 作者使用的是 multi-objective evolutionary algorithms，而不是只靠封闭形式或者单一凸优化套路。
- 他们加入了自定义的解表示、新算子、repair 机制和 mating 策略，目的就是让搜索更容易停留在可行域里。
- 实验是用知名市场指数做 benchmark，重点看近似效果和收敛速度。
对 builder 来说，最有价值的启发是：组合 AI 不应该只负责“预测”，而应该负责“生成可行候选、发现约束冲突、修复无效解、再做排序”。这和传统的 alpha 模型完全不是一回事。
现实校验
这类方法当然也有明显边界。
第一，约束感知搜索很容易对 benchmark 和历史结构过拟合，换一个市场 regime 未必一样有效。第二，模拟里收敛更快，不代表真实交易里成本更低。第三，cardinality 只是众多约束中的一个，真实投资里还有流动性、税务、基准偏离、合规和冲击成本。
更重要的是，组合优化不能被包装成“一个算法包打天下”。MSCI 那种 intent → exposures → risk control → implementation 的思路其实是在提醒我们：optimizer 只是流程中的一个环节。没有风险模型、没有 pre-trade check、没有治理和解释层，单个优化器做得再漂亮，也未必能进生产。
构建者要点
- 把组合生成看成受约束的搜索问题，而不是单纯的预测问题。
- 把预测层和可行性层分开，先修复无效组合，再做排序。
- 不只看目标函数分数，还要统计有多少候选会在实施检查里失败。
- 测试 cardinality-aware search 对换手、集中度和成本后的真实影响。
- 把 factor risk 和 exposure map 作为主状态，而不是报表附件。
链接 / 来源
- Large-Scale Portfolio Optimization Problem Under Cardinality Constraint With Enhanced Multi-Objective Evolutionary Algorithms - 约束下组合搜索的最新论文。
- The Common Language of Portfolio Construction - 机构组合构建框架，强调 intent / exposures / risk / implementation。
- End-to-End Portfolio Policies Are Getting Real - 相关的内部上下文。
- Causal Separation Makes Portfolio AI Harder to Fake - 相关的内部上下文。