[论文解读] Designing Agentic AI-Based Screening for Portfolio Investment

Mehmet Caner, Agostino Capponi+2 more|arXiv (Cornell University)|Mar 24, 2026

Stock Market Forecasting Methods被引用 0

一句话总结

论文构建了一个具备主动性特征的AI框架，使用两个基于LLM的股票筛选器（基础面与情绪面）加上高维精度矩阵加权，提出合理的筛选方法，并在标普500数据（2020–2024 与 2015–2024）上实现夏普比率提升。

ABSTRACT

We introduce a new agentic artificial intelligence (AI) platform for portfolio management. Our architecture consists of three layers. First, two large language model (LLM) agents are assigned specialized tasks: one agent screens for firms with desirable fundamentals, while a sentiment analysis agent screens for firms with desirable news. Second, these agents deliberate to generate and agree upon buy and sell signals from a large portfolio, substantially narrowing the pool of candidate assets. Finally, we apply a high-dimensional precision matrix estimation procedure to determine optimal portfolio weights. A defining theoretical feature of our framework is that the number of assets in the portfolio is itself a random variable, realized through the screening process. We introduce the concept of sensible screening and establish that, under mild screening errors, the squared Sharpe ratio of the screened portfolio consistently estimates its target. Empirically, our method achieves superior Sharpe ratios relative to an unscreened baseline portfolio and to conventional screening approaches, evaluated on S&P 500 data over the period 2020--2024.

研究动机与目标

• 将投资组合构建动机描述为两阶段过程：股票筛选与权重优化。
• 开发结合基本面与情绪分析的多智能体AI架构用于股票筛选。
• 提出合理筛选的概念及理论夏普比率的一致性。
• 在不同市场阶段的基准和替代方法下对框架进行实证验证。

提出的方法

• 两层次架构，设有两位专门的AI代理（用于基本面分析的LLM-S，情绪分析的FinBERT）以及一个共识规则来筛选资产。
• 高维精度矩阵估计程序（如节点回归、残差节点回归、POET、基于深度学习的方法、非线性收缩等）以确定最优权重。
• 将投资组合中的资产数量视为通过筛选实现的随机变量，并证明在合理筛选下，被筛选组合的平方夏普比率可一致估计目标值（定理A.1）。
• 滚动再训练计划（LLM-S每年一次，FinBERT每月一次）以捕捉缓慢叙述与快速新闻，采用三选二共识规则。
• 与多种基线进行比较（纯定量、多智能体LLMs、传统筛选，以及人机协同系统），以 isolating 多智能体设计的价值。

实验结果

研究问题

• RQ1 将基于LLM的基本面筛选与情绪分析整合，相对于基准对投资组合表现有何影响？
• RQ2 对于筛选集合的随机基数，是否高维精度矩阵方法能产生更优的权重形成？
• RQ3 合理筛选的概念是否确保在筛选引入错误时夏普比率估计的一致性？
• RQ4 在不同市场环境和更长视角下，主动性AI框架的表现如何？

主要发现

• 多智能体AI框架在大多数方法–目标组合中实现的夏普比率高于市场基准。
• 在2020–2024年期间，最佳主动性配置的年化夏普比率为1.1867（相比标普500的0.6324提升），相比指数提升88%。
• 在2015–2024年期间，主动性AI架构占优，峰值夏普比率为0.9429，而市场基准为0.7298。
• 最佳主动性配置在五年窗口内的年化收益率为36.34%，而最佳纯定量基线为19.99%。
• 在许多配置中，人类分析师输入会因为偏差而降低表现，凸显基于AI的筛选的价值。