AI 投资前沿：风险偏好也应成为组合模型的输入
一篇新论文把机器学习的收益预期放进结构化组合模型，提示投资 AI 不应只预测资产，也要理解决策者的行为与约束。
很多投资 AI 把风险偏好当成运行前填入的一个参数：问卷给出分数，优化器据此配置组合。一篇 8 月 16 日提交的新论文提供了另一种思路：用机器学习处理收益预期，再用结构化组合模型解释人们如何在不确定性下做选择。它对投资 AI 的启发，不是“农作物数据可以预测股票”，而是决策行为本身也可以成为模型证据。
前沿信号
Remy Levin 的论文《The Yeoman's Portfolio: Measuring Historical Risk Preferences Using Crop Choice》把农作物选择建模为组合配置问题，并用历史农业与气候数据训练机器学习模型，预测预期收益。研究估计了美国县级风险偏好，以及 1889—1929 年堪萨斯农户层面的风险偏好。
随后，研究把风险厌恶与杠杆、购买第一次世界大战自由债券、参与地方风险共担机构以及 20 世纪 20 年代拖拉机采用速度等选择联系起来。这不是实时交易回测，也没有证明会产生金融超额收益；真正值得借鉴的是分工：机器学习负责预测，结构模型负责解释选择、约束与权衡。
为什么投资者在意
组合构建从来不只是“哪个资产预期收益最高”。同一份预测，面对不同的流动性需求、回撤容忍度、投资期限和合规限制，可能对应完全不同的配置。因而，风险偏好如果只来自一次问卷，就很容易变成过期的静态标签。
更实用的系统可以观察实际配置、减仓、对冲、换手、融资使用和对建议的拒绝，再对“有效委托”保持一个带不确定性的判断。这不一定提升收益预测，却可能改善适当性检查、情景分析和人工复核。
这与 WisdomChain 关于“组合求解器需要明确契约”的讨论相呼应： 先把委托条件写清楚。它也延续了“选股前先建立证据层”的思路： 让模型结论可追溯。
英文版见 Risk Preferences Are a Portfolio-Model Input。
技术解读
论文把任务拆成两层。第一层从农业与气候变量预测预期收益；第二层用结构化分配模型，把观察到的作物选择解释为风险偏好下的组合决策。对于投资平台，可以对应为：先建立时间点正确的市场、基本面和另类数据预测，再将委托、成本、流动性、期限和风险预算作为约束，最后从实际决策与人工覆盖中估计偏好状态。
这样的系统不应只输出一个目标权重，而应输出：当前判断、可能的替代解释、约束变化、证据时间戳以及是否需要人工确认。评估也要拆开：收益预测误差、偏好校准、约束违规、人工覆盖率和实际执行成本分别统计。
现实校验
历史作物选择与现代金融资产并不等价。研究结论可能依赖效用函数、历史数据质量，以及从预测收益到观察选择的映射。农户行为还受到制度、技术与融资环境影响，不能简单归因于风险偏好。
现代投资组合也有同样的识别风险。减仓可能代表风险容忍度下降，也可能是现金需求、合规限制或数据管道故障。如果系统把这些原因压成一个隐变量，就会得到看似精确却无法行动的结论。因此，偏好推断必须有置信区间、变化点检测和明确的“证据不足”出口。
构建者要点
- 把委托与偏好建成随时间变化的状态，而不是永久问卷字段。
- 将收益预测与决策解释拆成不同模型组件。
- 除预测指标外，单独评估校准度与约束遵守情况。
- 记录人工覆盖及原因，并检查其中的混淆因素。
- 面对多种合理解释时，允许系统暂停并请求补充证据。
链接 / 来源
- The Yeoman's Portfolio: Measuring Historical Risk Preferences Using Crop Choice — arXiv 摘要与提交记录，2026 年 8 月 16 日。
- 组合求解器需要一份明确契约 — 委托感知优化的相关讨论。
- 投资选股首先需要证据层 — 证据与可追溯性的相关讨论。
- Two Sigma Investments：交易系统、策略边界与模型风险教训 — 基础设施与模型风险背景。