AI 不能选股

昨日，我曾就人工智能在提升生产率方面的潜力略作探讨。不过，至少在选股领域，我认为我们距离真正实现生产率的显著提升仍有相当一段距离。

清华大学的一支队伍让多款模型自2024年初至2026年4月10日期间在中国股市进行股票交易。他们并非为了致富（当然，或许也有此目的），而是旨在评估这些模型利用公开信息选股并管理投资组合的能力。

然而，此类回测面临的一个问题是：人工智能在训练过程中已吸收了其训练窗口内几乎所有公开信息。因此，若回测期间与训练窗口重叠，AI实际上会“提前知晓未来”，其表现将远优于在训练窗口之外进行预测或投资时的情形。

此前，我讨论过一项研究的一份报告已表明，一旦超出训练窗口，AI模型的通胀预测准确度便会大幅下降。

为规避这一问题，研究人员开发了一种新方法（这也是其研究的真正目的）：对中国市场中的所有股票去除识别性信息，并控制训练窗口效应及其他潜在干扰因素。

由此得出的AI模型管理的投资组合业绩曲线如下，与沪深300指数基准进行了对比。

AI交易组合的业绩

看起来确实不错。Qwen 3.6 Plus的累计收益率达到85.3%，而沪深300指数仅为36.9%。不过，Kimi的表现则极为糟糕，累计收益率为负24.2%；在所测试的十款模型中，有五款跑赢基准，另有五款表现逊于基准。

但情况更为严峻。研究人员进一步分析了各交易组合，并采用常用的Barra绩效归因方法，剔除了AI组合中偶然产生的因子及风格敞口。由此得到的选股超额收益如图所示，结果并不理想。

Claude Opus 4.7在16个月测试期内的累计超额收益仅为0.2%；其余模型的超额收益均为负值，其中Gemini、DeepSeek、GLM和Kimi等更是出现灾难性的负值。

AI交易组合的选股超额收益