LUMS发布AI无悔学习框架：LLM引导聚类实现最优配置

聚焦「AI大模型时代的资产增值与市场前瞻」

关键结论：该框架把大语言模型与在线学习理论联动，借助CNN恐惧与贪婪指数进行筛选，并引入由LLM驱动的行业对冲安排，形成低频的季度再平衡方案。在由51个行业ETF构成的投资范围内，模型获得了更突出的风险调整后收益表现，最大回撤仅为16%，显著低于SPY的34%。

Regret-Driven Portfolios：LLM引导智能聚类以实现最优分配

Muhammad Aarash, Hassan Jaleel | Lahore University of Management Sciences

arXiv: 2601.17021

为何传统投资组合很难跑赢被动指数基金？

过去十年里，只有大约6.6%的对冲基金能在名义收益率层面超过标准普尔500指数，这一结果凸显了主动策略长期面临的重重压力。沃伦·巴菲特在2007年发起的经典赌约最终以指数基金取得85.4%的总收益，而对冲基金仅拿到22%的收益而告终，迫使市场对主动选股的真实能力进行再评估。不过，名义收益率只是衡量投资表现的一个方面，机构与个人投资者往往更重视风险调整后的收益，尤其在养老金与退休基金这类要求严格控制下行风险的情境中。如何在不过度冒险、避免高频交易的前提下获得更优回报，是量化金融领域的关键难题。传统均值方差方法虽然给出了理论依据，但在应对市场快速变化时存在明显短板。在全球低利率持续与地缘政治不确定性上升的背景下，传统资产配置思路也遭遇前所未有的挑战，因此投资者需要在收益率被压缩的环境里继续挖掘超额回报。