不止一个投资专家:多视角 Agent 如何共同检验投资假设
多 Agent 投研协作 · 第三篇|同一份事实,不同的方法,以及真正有价值的分歧
多专家投研的价值,不是让六个 Agent 投票,而是让可能影响投资决定的一条假设,有机会被不同方法推翻。 如果多个专家只是重复同一份不完整资料,结论一致也不会更可信。
例如,持有多只基金的用户准备再买一只科技 ETF,理由是“增加基金数量可以分散风险”。真正值得研究的不是有多少专家支持买入,而是新基金与旧仓位是否重叠、现金约束能否承受,以及哪些证据会推翻“更分散”的理由。
下面把负责用户问题与最终综合的模型称为主研究者(Main),把按需处理局部任务的执行实例称为研究助手(Child)。多空(Bull/Bear)分别承担支持与质疑某条假设的职责,不是给结果投票。
这也是我们在 ETF Agent 中按需引入 Markowitz、Taleb 等投资方法与 Bull/Bear 反证的原因。只有不同方法能够提供新的检验角度时,额外 Child 才值得消耗模型调用与等待成本;最终仍由 Main 给出有依据、有条件的综合结果。具体的消息与恢复协议留给多空 Runtime 专文,本篇专注怎样选择和使用这些视角。
一、问题不是缺少专家,而是容易漏掉关键问题
投资者问“这只基金怎么样”,通常需要产品介绍、费用、指数与风险披露。但问“该不该加入我的组合”,就要考虑新增后占比怎么变、资金从哪里来、长期计划是否会受影响。
这些问题没有一个万能指标。高增长不等于价格便宜;持有更多基金不等于底层资产更加分散;历史波动较低也不等于没有极端损失。
我们想让多视角研究为用户做三件事:找到原问题中的关键假设;用合适的方法检查同一组事实;在异议成立时修改理由,而不是把不同声音排成一张投票表。
因此,系统不该默认“每次都叫齐所有专家”。如果问题只是查某只 ETF 的管理费,一次获准的查询就可能足够。只有存在方法上的分歧、重大的不确定性或重要的反证价值时,额外的 Child Agent 才可能值得它消耗的时间与成本。
二、六种投资方法,究竟有什么不同?
我们在现有 Child 执行机制上注册了六种固定投资研究方法。名字借用对应投资理论和研究传统,但不是让 AI 冒充投资大师本人,更不是让它捏造大师当下的观点。
| 研究视角 | 它最先问什么 | 不能因此推断什么 |
|---|---|---|
| Markowitz:组合配置 | 新持仓怎样改变相关性、边际风险和风险贡献? | 没有相同口径的收益序列,不能凭行业标签算出最优配置 |
| Taleb:尾部与脆弱性 | 极端行情、流动性受限或跨境渠道变化时会发生什么? | 历史 VaR 不代表所有黑天鹅风险,也不能凭想象给出概率 |
| Bernstein:长期纪律 | 这次调整符合期限、现金需求和既定投资计划吗? | 当前仓位不自动证明真实风险承受能力 |
| Bogle:成本与实现 | 目标指数、跟踪差异、重叠和持有总成本是否合理? | 价格最便宜不一定最适合,不能忽略跟踪与交易条件 |
| Marks:价格与风险补偿 | 资产质量不错,当前价格是否补偿了所承担的风险? | 不凭一段宏观叙事准确预测市场拐点 |
| Fama–French:因子解释 | 历史收益可能来自哪些具有可比数据的风险因子? | 解释性回归不是选股能力、因果关系或未来 Alpha 预测 |
比如研究“新增科技 ETF 是否合理”,如果已有完整持仓穿透,Markowitz 可以进一步关注与原有资产的相关性;Bernstein 则可能提醒半年后要使用的现金不应被随意假定可投入;Bogle 检查用哪一只产品获得同一暴露更合适。三者不需要得出同一句话,因为它们回答的本来就不是同一个问题。
投资者得到的不是“六个人都很专业”,而是同一项决定有哪些不同的检验标准。
三、真正的独立分析,为什么要先共享事实?
让几个 Agent 分别写一篇报告并不难,困难在于:它们可能读了不同日期的资料、采用不同口径,最后得出看似矛盾的意见。
我们的取舍是:优先复用 Main 已经取得的本次获准的来源与确定性计算结果,再让不同 Child 用各自的方法解释。原本的 inputRefs 与 Result/Lineage 机制能把真实结果身份带给 Child,不需要为每位专家再建一套数据抓取或独立事实库。
更细一点,这里需要分清三件事:
- 事实:某个时点的持仓、产品披露或一个真实执行过的计算结果,有原始来源和口径。
- 假设:例如“科技基金加入后能改善分散化”,是待检验的主张。
- 观点:Markowitz 或 Taleb 基于事实和假设作出的分析,是有归属的研究判断。
如果 Main 先告诉所有专家“我认为买入会改善分散化”,再把这句话塞进它们的材料当成事实,那么所谓独立视角可能只是重复 Main 的立场。更好的做法是给它们同一份原始资料与用户约束,让每位研究者明确自己在检查什么;需要评价已有观点时,要标注它只是待核验观点。
同样,结果共享不等于共享一切权限。一个 Child 取得了受限文件,不代表另一个 Child 可以通过阅读它的摘要绕过原始数据许可。真实工具、数据与预算权限,仍由 Host 的授权和资源机制裁决。
四、用同一份组合,看看多 Agent 应该如何工作
下面只用纯合成教学数据。为了说明研究方法,假设组合原本为宽基股票基金 50%、债券 30%、现金 20%;宽基内部的科技行业权重为 30%,候选科技 ETF 的科技行业权重为 80%。我们暂且假定日期、行业分类、持仓覆盖相同且完整,债券和现金没有本例定义的股票科技行业暴露。
| 方案 | 宽基基金 | 科技 ETF | 债券 | 现金 | 科技行业暴露 |
|---|---|---|---|---|---|
| A:保持不动 | 50% | 0% | 30% | 20% | 15% |
| B:用现金买入 | 50% | 10% | 30% | 10% | 23% |
| C:从宽基换入 | 40% | 10% | 30% | 20% | 20% |
这里的确定性计算只是 各基金在组合中的权重 × 该基金的科技行业比例 后相加。它不需要调用三位“专家”各算一次。重要的是,他们如何使用同一个合格数字,回答不同的问题。
- 配置视角会注意到:方案 B 不仅把科技行业暴露从 15% 提高到 23%,也增加了股票总权重,减少了现金;但没有同口径收益数据和协方差,就不能断言整体波动率必然上升。
- 长期纪律视角会问:现金减少的 10 个百分点是不是本来就要用于近期支出?投资者没有确认之前,应将这个条件保留为未知。
- 成本实现视角会问:如果投资者的真实目标是主动增加科技暴露,候选 ETF 的指数、费用、流动性和与原基金的重叠,是否值得这次替换?没有实际费率就不能给出“更划算”的数字结论。
到这里,我们可以反驳一个具体主张:“多了一只基金,科技行业暴露就不会上升。”但并没有证明所有分散化指标都恶化,更没有据此判定该买或该卖。
这也暴露了多 Agent 投研最容易犯的错误:把三位专家讲的内容拼在一起,就称之为“综合研究”。真正的综合,是让它们围绕同一项选择解释哪些条件成立、哪些尚不能判断。
五、什么时候该让 Bull 和 Bear 真正交锋?
不同方法并不必然需要辩论。如果问题只是“持仓重叠率是多少”,取数与计算更重要。但当研究中出现影响决策的可证伪假设,独立反方会更有价值。
假设原主张 H1 是:“方案 B 不提高科技行业占比。”我们记录它的原始证伪条件:采用可比、完整的行业穿透数据,B 的科技行业占比高于 A。
一个简化的教学对话可能是:
Bull: 增加科技 ETF 可能带来目标成长资产,但我尚未核实“基金变多就更分散”的理由。
Bear: 根据这份同口径数据,B 的科技暴露从 15% 提至 23%,满足 H1 的原证伪条件。你是否应当撤回这个具体主张?
Bull: 我撤回 H1。若用户想主动加大科技配置,还要重新讨论价格、现金与整体风险;不能把这次变动描述成已验证的分散化改善。
这是一段说明交互价值的合成示例,不是实际模型运行摘录。有效变化不在于 Bear “赢了”,而在于 Bull 修改了一个明确的理由。
我们保留普通的 Main→Child 委派与 Child→Main 成果交接;获准配对的 Bull/Bear 可以在同一 Run 内直接交换研究质询与回应,Main 无需逐条转述。发送的只是经 Host 核对收件方来源权限的可共享研究表述,不含隐藏推理或对方无权读取的资料;这些消息可在原有授权历史入口查看,不是向互联网公开发布。双方可以主动提前结束,不必强制凑满轮数。消息投递、等待和恢复机制见多空 Runtime 文章。
六、Main 不是“投票裁判”,而是对用户负责的综合者
读者可能会问:既然已经有不同意见,到底听谁的?
我们的答案是:不能用票数、平均数或一个“共识分”替代投资判断。 如果一位专家说需要核对相关性,另一位提醒现金用途未确认,那么把“买 10%”和“不买”折中成“买 5%”,并没有回答任何一个关键问题。
Main 应综合三类东西:有来源的事实和已执行计算;各专家真实提出、能够归属的分析及重大分歧;仍需用户补充或仍无数据的条件。某位专家超时、取消或没有交付,Main 也不能虚构它参与投票;已有独立有效的结果仍可以交付。
一个合理的输出可能是:
已核实的变化:在本例完整合成数据下,方案 B 将科技行业权重从 15% 提高到 23%,现金从 20% 降到 10%。
原主张的修正:新增一只基金本身并未证明科技暴露得到分散;该理由应撤回。
未解决的问题:总组合波动率、真实现金用途、候选 ETF 费用和估值资料尚不足。
下一步:如果真正目标是主动提高科技暴露,再按这个目标讨论配置与成本;不自动产生交易指令。
它对用户的收益并不是“AI 看起来更自信”,而是知道哪条理由已经改变、其他条件还欠什么。至于是否提高真实决策质量,还需要独立对照验证,不能仅凭这个合成案例断言。
可选 Research Reviewer:检查研究,而不是加入投票
投资视角解决“从哪种方法看问题”,Bull/Bear 解决“谁来质疑这条假设”。我们还实现了独立的 Research Reviewer 子代理,负责检查一轮研究原始证据是否充分、是否存在明显遗漏,以及该补查还是收尾。它不是第七位投资大师,也不是 Bull/Bear 的第三位辩论者。
例如 Main 准备解释“新增科技 ETF 让组合更加分散”,Reviewer 可以在原有授权下核对真实持仓、计算结果和披露日期,而不只读 Main 的摘要:是否把行业占比当成整体波动率?是否漏掉半年后的现金需求?如有必要,它可用继承的获准工具补查,并提出 continue、pivot、finalize 或 suspend 等建议。
它复用 Child 执行、预算与恢复路径。Main 可在手动咨询开启时调用 consult_research_reviewer;Runtime 也能在配置和事实候选满足条件时自动准入检查。Reviewer 的建议不负责批准答案、决定投资真值或阻止 Main 合法发布;没有审阅也可以交付已有充分依据的研究。
这条路径已有针对审阅执行与建议交接的限定工程验收;真实模型自动审阅的金融质量收益与额外成本仍待独立验证。另有对已发布答案显式触发的事后金融语义审查报告,它是独立评审工具,不属于当前 Run 的 Reviewer Child,也不是强制终审。
七、技术往深处看:一套 Child,怎样装配不同方法?
我们没有为六种投资方法分别实现一套研究 Runtime。当前新建的专家 Child 通过统一的 agentId 选择已注册方法,复用原 Child 的授权工具、预算、输入交接和恢复机制;历史封存的旧调用仍按原描述读取,不能被新参数偷偷改写。
一个专家能否独立分析,并不取决于多了多少角色字段,而取决于三个条件:
- 专家方法有明确、可追溯的版本,恢复旧研究时不变成同名的新方法。
- Main 优先交付已经获准的原始结果和真正的用户问题,不把自己的暂定结论伪装成来源事实;证据不足时仍可选择继续调查。
- 专家交回的是分析、分歧与缺口,不会自动得到额外数据、交易权或最终发布决定权。
按起点分组阅读关系与条件;完整图保留在下方。
- → Main 确认目标与现有证据
- → 一个研究路径已足够? (判断)
- 是 → Main 直接研究与交付
- 否 → 按需选择投资方法与 Child
- → 各 Child 读取同一组获准事实
- → 存在需要检验的关键分歧? (判断)
- 否 → 专家交回发现与缺口
- 是 → 可选 Bull Bear 反证交流
- → Main 结合依据与未解决条件
- → 专家交回发现与缺口
- → Main 直接研究与交付
完整关系图 · 可放大查看细节
图中表达的是按需协作关系,不是每道投资题都必须执行的固定流程。一条简单费用查询可以不调用专家;关键假设存在不同可检验方法时,才选择有实际增量的视角。
八、什么情况下,额外专家才值得花成本?
目前六种方法已经有注册、执行交接和恢复方面的限定工程证据;多空直接对话也有自己的执行与恢复证据。这些成果还没有证明多专家研究能让投资建议更正确。 真实模型仍可能选择错专家、重复委派,或增加很多文字却没有提出新的有效反例。
因此,下一次要不要增加专家,我们更愿意用三个问题作决定:普通 Main 已经能够回答了吗?新视角是否能够检查一项真正影响选择的假设?新发现能否回到同一批获准事实复核?
如果只查管理费,直接读取就足够;如果讨论科技 ETF 会不会降低集中度,相关性分析、极端风险和现金纪律可能提出彼此不同、值得检查的问题。专家之间的分歧也不该折成一个投票分数,而要转化为“哪个条件成立、何时应该改判”。
正式衡量这些选择,还需要在相同问题和数据口径下比较单 Main、多专家的有效反证、研究时间与成本;当前全面金融质量对照仍未完成。
研究质量不取决于有多少位专家同意,而取决于哪一条关键理由经受住了不同方法的检验。
延伸阅读
已有的Subagent 基础机制讲上下文隔离与成果交接;多空对话 Runtime讲直接通信、等待与恢复;2026-10-24 多层协作历史展望保留当时的设计假设与比较问题,不作为现行实现指南。研究理由的历史管理可继续阅读Investment Thesis 与长期周报。
以上例子均为教学构造,不涉及真实个人组合或交易建议。本文解释内部研究系统的设计;公开教学实现并不包含这些能力的完整形态,实际范围见公开仓库说明。更多文章见文集,欢迎 Star。