Sign in Subscribe
AI Investment Frontier

目标切换型投资 AI 需要保守默认项

DOSS 把投资 AI 的重点从预测交易转向可审计的目标选择：有把握时切换，没把握时回到保守默认项。

Kaizhi Tang

• 9 min read
抽象线稿呈现投资组合目标选择的置信门槛与保守回退路径。

今天值得关注的投资 AI 信号，不是又一个“模型更会预测市场”的故事，而是一个更接近真实投研系统的问题：当同一个组合系统可以追求收益、控制下行、或者优化风险调整表现时，今天到底该启用哪个目标？如果模型自己也没有足够把握，又该让谁来踩刹车？

近期 arXiv 论文 “Dynamic Objective Selection with Safeguards and LLM Oversight for Financial Decision-Making” 提出了 DOSS。它不是让模型直接输出交易，而是让系统在一组预先定义好的投资目标之间做选择，并用置信度门槛、保守默认项和受约束的 LLM 审核来降低失控切换的风险。这篇论文发布于 6 月 2 日，并非过去 48 小时内的新稿；今天采用它，是因为 6 月 15 日的量化金融新稿里直接面向投资 AI 落地的信号较少，而 DOSS 指向的问题很实际：自适应系统需要操作边界，不只是更强的预测器。

前沿信号

DOSS 的核心转向，是把“预测哪个资产会涨”改成“在当前环境下选择哪个组合目标”。候选目标可以包括偏收益、偏损失厌恶、偏风险调整等不同目标函数。选择器在滚动窗口中学习，输入是近期收益的可解释统计摘要，输出是当前应该使用的目标类别。

这一步很重要，因为目标函数往往藏在投资系统的底层。很多团队说自己在做预测模型，但最终组合表现由下游优化器决定：它到底奖励原始收益，还是惩罚回撤，还是降低波动，还是限制换手？在平稳环境里，固定目标也许可以接受；在市场状态变化时，固定目标会变脆。但如果允许模型自由切换目标，又容易带来追涨杀跌式的制度漂移、换手膨胀和治理困难。

DOSS 试图站在中间位置。系统可以根据近期统计特征调整目标，但当选择器置信度不足时，不把低把握建议直接变成组合行为，而是回到保守默认项。论文还讨论了切换控制，并把 LLM 放在审核层，而不是把 LLM 当成自由交易智能体。这个区别值得投资团队认真看：LLM 不是接管组合，而是在一个有候选项、有置信度、有回退路径的有限空间里做接受或覆盖。

为什么投资者在意

对投资者来说，这篇论文更像是模型风险架构文章，而不只是组合选择文章。资产管理团队真正头疼的，往往不是少一个收益预测模型，而是研究逻辑、优化器行为、风控规则和人工监督之间逐渐脱节。

如果把目标选择做成一等公民，系统契约会清晰很多。研究层可以明确：允许选择的目标有哪些，选择器能看哪些统计摘要，置信门槛是多少，保守默认项是什么。组合经理不只看最终权重，也能审查这次权重背后的目标状态。也就是说，系统不是只留下一个结果，而是留下“为什么今天用这个目标”的过程记录。

这对 AI 辅助资产配置、风险组合、智能投研流程都很关键。一个多智能体投研系统如果可以读报告、生成假设、调用回测、建议仓位，但没有明确的目标边界，它很快会从“辅助研究”滑向“说得通但难审计”。DOSS 给出一个较小但很有用的记录单位：候选目标、选择器置信度、保障层决定、最终执行目标。对合规、风控和投资委员会而言，这些记录比一句“模型认为该防守”更可检查。

技术解读

论文中的 DOSS 是一个滚动窗口目标选择器。它使用近期收益的统计摘要作为输入，而不是先去预测一个抽象市场状态，再从市场状态推导组合目标。这个设计有现实意义。市场状态模型当然有价值，但状态标签经常滞后、频繁翻转，或者难以解释给非技术投资负责人。DOSS 避开了中间状态变量，直接学习“当前更适合哪个目标”。

候选目标集合保持较小，这是它可治理的关键。一个小菜单里的每个目标都可以被单独验证：收益导向目标在什么环境下有效，下行保护目标会不会过度保守，风险调整目标是否牺牲太多上行。相比一个自由策略空间，有限目标菜单更容易进入生产审批，也更容易被事后复盘。

保障层主要做两件事。第一，它暴露不确定性，用置信度告诉系统“这次选择有多稳”。第二，它阻止低置信切换直接进入组合。当模型不够确定时，系统回到保守目标，而不是相信一个可能只是噪声驱动的切换建议。论文提到，门槛扫描中存在一种 U 形权衡：门槛太松，噪声切换会进来；门槛太紧，系统又会退化成接近静态策略。

论文还比较了静态目标基线和直接 LLM 选择器。这里的证据是学术回测证据，不是生产部署案例。作者报告 DOSS 在目标选择准确性上优于静态目标和直接 LLM 选择器，同时用回退逻辑控制操作不稳定性。论文也把 bootstrap 分析称为务实稳健性检查，而不是在时间序列独立样本下的最终证明，这一点比较谨慎。

最有落地意义的，是受约束 LLM 审核层。它不是让 LLM 编造一个新目标，也不是让 LLM 直接配置资产，而是在预定义候选集中做监督。对受监管的投资机构来说，这比“让大模型当 PM”现实得多。自然语言推理被挂在一个可审计边界上，而不是漂浮在交易系统之外。

现实校验

第一类风险是目标泄漏。如果训练标签或目标定义使用了决策当时不可见的信息，整个架构会显得比真实世界更有效。论文强调滚动窗口和前向选择，但生产实现仍然需要独立的数据血缘检查，确认每个特征、标签和评价窗口都没有偷看未来。

第二类风险是隐藏换手。目标切换即使不直接输出交易，也可能显著改变组合行为。从收益目标转向下行保护，可能带来再平衡、税务影响、流动性需求和基准偏离。置信门槛可以减少切换频率，但不能替代交易成本、冲击成本和容量约束测试。

第三类风险是对可解释性的过度放心。目标标签少，确实更容易审计；输入摘要可解释，也确实更容易沟通。但分类器仍然可能学到不稳定关系。构建者需要持续跟踪每个目标选择在不同波动环境、利率环境、流动性条件和行业集中度下是否仍然有效。

第四类风险是 LLM 越界。LLM 审核层只有在被约束时才有价值。如果它开始发明新目标、补充没有证据支持的宏观叙事，或者在没有结构化原因代码的情况下覆盖规则，系统就失去了原本要建立的可审计性。

所以，评价 DOSS 的重点不只是它是否在历史实验里超过静态基线。更重要的问题是：它是否给投资组织提供了更好的操作模型，既允许有限自适应，又减少意外行为，并且在市场变化时能解释责任链条。

构建者要点

  • 把目标选择当成正式模型决策记录下来：当前目标、候选目标、置信度、是否触发回退、以及对组合的实际影响。
  • 目标菜单要小。收益导向、下行保护、风险调整这类三元结构，比开放式策略空间更容易验证和治理。
  • 回测保障层，而不只回测选择器。至少要看切换率、回退率、换手、回撤表现和扣除成本后的结果。
  • 让 LLM 先做受约束审核，再考虑更高权限。它应审查有限候选项，而不是自由发明交易。
  • 为目标切换建立故障日志：哪些环境下模型置信不足，哪些目标经常被否决，哪些切换事后看造成了不必要的组合扰动。

链接 / 来源

Read in English →