前几周我对名下的主要资产做了一次盘点，计算了各自的占比以及过去一年半的收益率。资产盘点清楚后，接下来自然是优化现有组合。这篇文章就和大家分享我利用 AI 优化投资组合的思路与具体过程。

先说一下大体思路：组合优化。它既体现在宏观资产配比上，也体现在微观层面每只股票配多少。所以本文有两个层面的内容和大家分享。

同样说明一下：投资有风险，本文仅为个人复盘记录，不构成任何投资建议。

宏观配置：穿透与目标函数

宏观层面的资产配置，我最初参考了汇丰针对不同风险偏好投资者的资产配比模型。上一期盘点时的一个明确结论是：大类资产配置的逻辑本身没有问题，关键在于需要定期调仓与再平衡，比如每半年或一年执行一次。

汇丰不同风险偏好的资产配比参考

在用 AI 重新审视权重时，我梳理出三个层面的问题：

第一个是资产穿透。如果不穿透到底层持仓，历史资产分类其实相当模糊。我的汇总表里基金与股票加起来看似占了 74.7%，但跑代码穿透后发现真实占比其实只有 56% 左右。原因是在基金和理财的分类里，混进了不少稳健理财、美元固收，以及一部分海外高收益债券基金。整个组合过去的真实风险收益特征，和预想的出入很大。

第二个是汇率折算。过去一年多配置美元资产的投资者大多会有体会，美元表现相对较弱。我之前把一部分资金配了美元固收理财和境外货基，换算回人民币后反而亏了约 2%。

第三个是目标函数的抉择：到底追求收益率最大化，还是夏普比率优先？

如果追求收益率，组合就要以几何复利最大化为目标。看的是资产期初到期末的复合增长倍数，而不是单看各周期的算术加权收益率。如果追求夏普比率优先，核心则是控制单位风险下的超额收益，量化标的回撤幅度与预期回报之间的比例关系。

AI 测算的结果是：如果要追求更高的夏普比率，每年大约需要牺牲 2.07 个百分点的年化收益率，换取最大回撤从 -28.2% 改善到 -22.9%，缩窄约 5.3%。

两种目标函数对配置方向的影响也截然不同。几何复利优先下，模型建议把日本股票加到 14.5%，配 5% 的加密资产；夏普优先下，日本股票压到 5.5%，加密资产直接清零。

顺带一提，汇丰模型曾建议配 11% 的"亚洲（除日本外）"。但我回测其代表 ETF（AAXJ），过去十几年年化只有 7.4%，夏普仅 0.29，成分股里约四分之一是中国资产。而我原有组合中中国权益已经占到 35%，再加只会重复暴露。

结合我自身的投资风格（属于高风险承受能力的激进型），我更倾向于追求长期几何复利最大化，愿意承担阶段性回撤。宏观层面的优化结论：减少低收益债券的配置，提高美股的权重。操作层面其实很简单，无非是资金从 A 资产挪到 B 资产，以及挪动多少比例的问题。

美股持仓复盘：押注 AI 应用的得失

微观持仓层面，我把重点放在了美股上。这里也是我培养主观选股和量化选股能力的地方。

从数据来看，我的美股自选账户跑输了纳斯达克（QQQ）。根本原因在于我去年押注了较多的 AI 应用层标的。当时我的判断逻辑是，每次重大技术革命初期，市场往往会过度渲染其潜在威胁，而高估应用落地的速度。

但从实际走势来看，短期内这个判断失败了。过去这一年多，更多的资金还是流向了看得见摸得着的 AI 硬件，也就是算力芯片。应用端标的表现分化且疲软。

之前我在梳理 Alpha 151 策略时，核心概念之一是趋势跟踪。目前趋势很明显是硬件。在 AI 应用均值回归尚未显现的前提下，做减法是更理性的做法。

持仓优化的四轮迭代

明确了方向后，我利用 AI 对美股持仓进行了四轮方案迭代：

第一轮是碎股合并。持有美股可以通过卖出 Call 期权（Covered Call）赚取权利金，但前提是必须持有 100 股整股。我持仓里有不少十几股、几十股的零散碎股。我让模型基于日收益相关性做了聚类，初衷是把同涨同跌的碎片股合并到核心标的上，凑成整手以便卖 Call 赚现金流，也减少注意力成本。

第二轮是期权流动性筛选。卖 Call 策略高度依赖期权本身的流动性。通过富途 API 接入期权链实时数据后，发现不少标的在实盘中根本跑不通。

比如亚朵（ATAT），原本计划补满 100 股，结果平值 Call 当日成交量只有 1 张，买卖价差高达 67%，虚值 Call 买盘直接为零，且只有月度合约。相对地，亚玛芬体育（AS）的 Call 日成交近 3 万张，周度到期，流动性很健康。流动性不达标的标的直接剔除。

第三轮是因子归因与相关性检验。第一轮聚类时发现 MSTR、TSLA、NVDA 等标的表现出较高的相关性，直觉上觉得重叠度高。第三版我引入了 Fama-French 五因子模型叠加动量因子做时序回归。结果显示，组合 61% 的波动来自全市场的共同 Beta。剥离掉公共因子后，各标的的平均残差相关性从 0.14 降到了 -0.01。

换句话说，之前的"高相关"大部分只是因为跟着大盘同涨同跌。典型的像 MSTR，市场 Beta 高达 2.11，高杠杆跟随大盘，个股层面没有分散价值，选择卖出。而部分原本以为重叠的软件股在残差层面其实互不相关，反而保留了个股特异性。这类分析让 AI 来做，效率比人工高得多。

第四轮是跳出已有池子寻找新标的。大模型往往习惯在用户给定的既有持仓列表里做局部优化。我引导 AI 跳出 14 只旧持仓，拉通美股全市场 8 大板块、28 只行业代表 ETF 与核心标的做横向对比，才算完成了组合的整体调整计划。

总结

本次分析主要靠前沿大模型 Claude Opus 5.1、Codex GPT 5.6 sol 以及 Antigravity 里面的 Gemini 3.8 Flash。实际体验上，Claude 更稳健一点；Codex 偏保守，但数据抓取能力相对较强；Gemini 3.8 Flash 偏乐观，胜在便宜，能提供辅助视角。

如果还没有大致方向，可以把上面的过程和自己的 AI 聊一遍。要用 AI 诊断自己的持仓，建议还是用最前沿的模型，让它们用数据说话，做好数据点检查，而不是凭大模型的随机输出下结论。

最主要的还是要有自己的判断。模型给金融建议时会相当保守，写出来的方案往往也很复杂。这个时候适当配一些可视化，能降低理解成本。

接下来按计划执行，等下一个再平衡周期再看效果。

参考资料

仓位工具与上一期盘点：

资产配置：

因子模型与目标函数：

期权与实盘数据：

关于作者