AI 辅助投资决策（上）：16 个算法 × 4 万次置换检验下的 0 个显著 RankIC、90.5% 常数地板与 IC=0 夺冠的 0.329 分临界差

这篇讲的是：一个会自己选基、自己打分、自己排名的 AI 辅助投资决策系统，它的打分与算法擂台部分到底能不能站住。我不写概念，全部结论都来自本机跑出来的数字——用 Java 把系统的真实接口读数重算了一遍，再用置换检验和蒙特卡洛把它的统计口径量了一遍。

解决什么问题：当 AI 给出一个 0 到 100 的综合评分、一份算法排行榜、一个“今日冠军”时，你怎么判断这些数字里到底有多少信息。

适合谁读：做过量化或智能投顾相关系统、或者正准备把大模型接进投研流程的同学；不需要金融背景，需要你能读懂相关系数和标准误。

能收获什么：一套可以直接搬走的审计方法（复合分复算、归一化映射反推、命中率分母反推、置换检验临界值表），以及一份“哪些指标看起来有效但其实没有区分度”的清单。

先给一个公开报道做时间锚。证券时报基金研究院在 2026 年 11 月 2 日发了一篇《AI 深入投研腹地》，里面引了美世《2026 人工智能如何重塑资产管理研究报告》：在接受调研的 131 家全球资管机构中，69% 报告用了 AI 之后运营效率提升，55% 认为洞察获取更快或质量更高，但只有 8% 看到了可衡量的投资回报改善，只有 8% 报告组合波动率下降。同一周，世界黄金协会 11 月 3 日发布 2026 年三季度《全球黄金需求趋势》报告，全球实物黄金 ETF 持仓升到了历史高位，贵金属成了这段时间最热的资产类别之一。而中国证券报 10 月 30 日采访路博迈基金时，对方给了一个很实在的行业口径：传统人工因子的 IC 值只有 3% 左右，能做到 5% 就已经很不错，他们用深度学习做出来的因子 IC 能到 14%。

这三个数字放在一起看就很有意思：效率提升是普遍的，可归因的超额是罕见的，而一个“好因子”的 IC 量级只有百分之几。我手上这套系统正好把这三件事都摊开了——它每天都在自动选冠军、自动打分、自动出预期收益。于是我把它的读数拉下来，用 Java 重算了一遍。

关于脱敏：文中所有标的（基金、贵金属 ETF）一律不出现名称与代码，只以“基金类样本”“贵金属类持仓 #1”指代；与具体标的绑定的收益率一律换成比值或对数收益量级。系统处于本地联调测试阶段，跑的是本地模拟盘，不是真实持仓，更不是任何投资建议。

一、复合分能被逐位复算，但它的归一化只是“平移加固定尺度”

系统把 16 个算法放在同一个擂台上比，复合分公式写在接口里：0.40×RankIC + 0.30×模拟Sharpe + 0.15×Top10命中 − 0.15×最大回撤。但界面上的复合分明显不能直接用原始指标乘权重得到，说明中间有一层归一化。这一层以前不暴露，现在接口把 normIc、normSharpe 和每一项的贡献都返回了，于是可以逐行复算。

实验台 1 把 16 行读数全部重算了一遍，最大绝对误差 6.5e-7，公式可复算成立。真正的问题在归一化本身：把 normIc 和 RankIC 两列放在一起，16 行全部满足一个关系。

16 行全部命中，最大误差 0。同一列的 Sharpe 侧也成立：normSharpe = 0.5 + Sharpe/6，最大误差 3.3e-7。

这意味着归一化不是截面百分位，也不是排名归一，而是把原点搬到 0.5 的平移。后果很直接：RankIC 等于 0 的模型不会拿到差分，它会正好落在中位，白得 0.5 的 normIc。一个完全没有排序能力的模型，在“预测力”这一维上的得分和截面中位数一模一样。

二、90.5% 的复合分是常数地板，真正参与竞争的只有 0.057

既然两项归一化都自带 0.5，复合分里就必然含一块所有算法都一样的常数：0.40×0.5 + 0.30×0.5 = 0.35。实测 16 个算法复合分的中位数是 0.386929，也就是说地板占了 90.5%，真正区分高下的部分只占 9.5%。

把四项各自的极差算出来（同一批 16 个算法，基金侧）：

四项极差之和是实测极差的 2.919 倍。一个线性可加的分，各部分极差之和却比总分极差大近三倍，只有一个解释：项与项之间在互相抵消。

抵消到什么程度？把切换阈值换算成分差：规则写的是“挑战者连续 2 个评估日复合分超冠军 ≥5%”，冠军当时约 0.3738，5% 就是 0.01869。而整张擂台的总张力只有 0.05695，是阈值的 3.05 倍。换句话说，全部 16 个算法挤在三个切换阈值宽的带子里，而每次切换只需要跨过其中一个。

三、RankIC 与 Sharpe 在这张擂台上是负相关的，相加等于抵消

抵消的来源很具体。16 个算法上，RankIC 与模拟 Sharpe 的相关系数是 -0.6627，与 hitTop10 是 -0.4580，而 Sharpe 与最大回撤绝对值是 -0.5699。

看 Sharpe 最高的三个算法分别是谁：风险平价（Sharpe 1.879，RankIC -0.1167，全场最差）、梯度提升树与极端梯度提升（Sharpe 1.663，RankIC 0.0000）、均值方差优化（Sharpe 1.250，RankIC -0.0113）。而 RankIC 最高的两个——BL 观点融合 0.0656、ICIR 多因子 0.0411——Sharpe 只有 0.536 和 0.323，是全场偏低的一档。

16 个算法里有 11 个的 RankIC 小于等于 0。也就是说，在这套“模拟回测”里赚钱能力强的模型，恰恰是排序能力最差或为零的那几个。把两个符号相反的指标线性相加，得到的排序既不反映预测力也不反映收益质量，它反映的是谁在两项之间最不偏不倚。

四、4 万次置换检验：45 个标的的截面，16 个算法没有一个 RankIC 显著

这一节回答一个更根本的问题：IC 只有百分之几，是不是本来就该这样？答案是“本来就该这样，但你现在这个样本量根本测不出来”。我在 Java 里做置换检验：假设因子与未来收益完全独立（无预测力），随机打乱 45 个标的的秩，算 Spearman 相关，重复 4 万次，看得到的分布。

在 N=45 的截面上，要判“这个因子有排序能力”，|IC| 得超过 0.297。而 16 个算法里 |IC| 最大的三个是 0.1167（且是负的）、0.0656、0.0627。达到 95% 显著的算法个数：0/16。

拿路博迈给的口径反过来算需要多大规模（用 SE≈1/√(N−1)，要求 t≥2）：

• IC=0.03：需要单日截面 N≥4445，或独立评估日 99 个
• IC=0.0411：N≥2372，或 53 个独立评估日
• IC=0.0656：N≥929，或 21 个独立评估日
• IC=0.14（深度学习因子口径）：N≥205，或 5 个独立评估日

系统当前的读数是 samples=45、sectionAdequacy.validSections=3。45 个标的单日的标准误是 0.15076，3 个评估日平均后降到 0.08704。而今天夺冠模型与基线模型的 IC 差是 0.041066，只相当于 0.47 个标准误——统计上完全不可区分，但切换已经发生了。

这里埋一个下篇的钩子：IC 只有 0.03 的模型，按因子选前 3 只能拿到多少期望超额？我在 N=45 截面上跑了 20 万次蒙特卡洛，答案是 0.057 个标准差。当这个量级被系统换算成 12 个月的“预期漂移”并写进置信带时，名义 80% 的区间实际罩住了多少结果——下篇给数字。

五、命中率指标的分母是 N×k，读数被整体放大 3 倍，而且 Top3 与 Top10 互相打架

接口还给了 hitTop3 和 hitTop10 两个命中率。它们没有说明分母。我把 16 行取值拿来反推最小公共分母（考虑接口只给 6 位小数，容差取 1e-3）：

两列的分母都是“标的数 × 槽位数”，但分子是把 3 个有效评估日的命中数加在一起的。也就是说，分母里没有那个 3，读数被整体放大了 3 倍；而且 hitTop3 与 hitTop10 的槽位数不同（3 与 10），两列之间不可直接比较。

用可行性约束验证这个判断：hitTop10 最大乘数是 16，如果只算单日，10 个槽位最多 10 个命中，16 不可能；除以 3 日得 5.33 个，落在 10 以内成立。所以“3 日求和、分母不含 3”这个结构是能对上数据的。

接着算随机基线。4 万次蒙特卡洛（随机排序、3 日求和、除以 N×k）：

两个指标各自只有 1 个算法超过随机 95% 分位，而且都是同一个：风险平价（Top3 命中 3 个、Top10 命中 16 个）。它的 RankIC 是 -0.1167，是 16 个算法里排序能力最差的一个。

这是整篇里我最愿意留下的一条证据：命中率最高的模型，恰好是排序能力最差的模型。两个指标不可能同时是对的。要么命中率的实现与 RankIC 的口径不是一回事，要么 3 个评估日的样本里这两者本来就只是噪声的不同投影。

六、RankIC 等于 0 也能夺冠：临界差只有 0.329 个 Sharpe

今天系统把基金侧冠军从基线换成了一个 RankIC 恰好为 0.0000 的模型。这不是 bug，是公式的必然。把两项的贡献写成等式：IC 项分差 = 0.40 × ΔIC，Sharpe 项分差 = 0.30 × ΔSharpe / 6。要让后者盖过前者：

ΔIC = 0.041066 – 0 = 0.041066
IC 项分差 = 0.40 × 0.041066 = 0.016426
临界 ΔSharpe = 0.016426 × 6 / 0.30 = 0.3285
实测 ΔSharpe = 1.662937 – 0.323134 = 1.339803 （是临界值的 4.08 倍）

只要对手多 0.329 个 Sharpe，零预测力的模型就必胜。实测对手多了 1.34 个，是临界值的四倍。切换公告写的分差是 0.4286 对 0.3738，超 14.66%，确实满足“≥5% 连续 2 个评估日”——规则被忠实执行了，执行的结果是把一个没有排序能力的模型扶成冠军。

权重敏感性实验（只调 IC 与 Sharpe 的权重，其余不变）：

把 IC 的权重从 0.40 提到 0.60（同时把 Sharpe 降到 0.10），冠军立刻换成 RankIC=0.0656 的模型。也就是说，冠军是谁主要由一个权重常数决定，而不是由数据决定。另一个 A/B：把 normIc 从“平移归一”换成“截面百分位归一”，其余完全不动，16 个算法的名次全部发生变化，现行冠军从第 1 掉到第 6。

还有一个必须单独说的现象：极端梯度提升与梯度提升树的 14 项指标（基金侧 8 项 + 贵金属侧 6 项）逐位完全相同，包括 0.004444、1.662937、-0.03469、0.42861 这些六位小数。两个不同的模型不可能在两个资产类别上同时给出完全相同的读数，这更像是共用了同一个兜底分支或者未隔离的预测缓存。

七、冷启动保护写在规则里，但今天没有生效

接口里同时存在两段自述。一段是切换规则：有效评估截面不足 30 个时冠军固定基线（冷启动保护）。另一段是 Adequacy 读数：

sectionAdequacy = { cold: true, required: 30,
FUND: { validSections: 3, required: 30, sectionGap: 27, coldStart: true },
METAL: { validSections: 3, required: 30, sectionGap: 27, coldStart: true } }
baseline = ICIR 多因子

validSections=3 远小于 30，coldStart 明确为 true，基线模型是 ICIR 多因子。而切换记录给的是：

switchDate 2026-11-04 assetType FUND
fromCode ICIR 多因子 -> toCode 梯度提升树
reason 挑战者连续 2 个评估日复合分超冠军 ≥5%（今日 0.4286 vs 0.3738）

两个事实同时成立：系统自认处于冷启动，并且从基线切走了。要么冷启动保护的判定没有接进切换流程，要么 validSections 与规则里说的“有效评估截面”不是同一个量。这一条我没法从外部确定，只能把两段自述并排放着，它是需要读后端代码才能定位的问题。

八、净值停更会被风险维度反向奖励：配对实测名次前移 7.30 个百分点

前面都在说指标怎么算，这一节说指标吃什么。系统的风险维度是“波动越低越稳、分越高”。而基金净值有一个天然陷阱：如果某只标的连续几天净值和前一交易日完全一样（数据没更新，不是真的没波动），这些 0 收益会直接进入波动率窗口，把实现波动压低。

实验台 3b 做了配对 A/B：先生成 4000 条净值序列构成基准截面（一半偏债类、日波动 0.15%~0.40%，一半偏股类、日波动 0.60%~1.40%），再对其中 25% 的序列在序列尾部注入 L 天停更，用同一个基准截面给注入后的序列打风险分与综合分，比较同一条路径注入前后的名次。

L=20 时，20 日窗口全部落在停更区间内，实现波动直接归零，风险分打满 100，综合分涨 12 分，脏样本在截面里的名次平均前移 7.30 个百分点，进入头部 20% 的比例从 30.2% 抬到 39.7%。这批样本的历史回撤并没有变好——它们只是没更新。

更糟的是组合形态：在 L=28 档里，有 1119/4000（27.98%）的样本同时满足“风险分≥90”和“120 日最大回撤≥8%”，这批矛盾样本的 20 日实现波动均值是 0.0000%，而它们的 120 日回撤均值是 20.50%。低波动与深回撤同时成立，只可能是数据问题，不可能是风险问题。

拦截不是免费的。我把“60 日内重复净值天数”当主特征，测两种停更形态：

零星散点型停更（60 日窗口里撒 2~10 个持平日）在阈值高于 10 时完全检不出来。所以阈值必须压到 2~5，而真实净值里本来就有少量持平日，这个区间的误报率要靠“波动-回撤矛盾”这类结构判据来兜，而不是靠单一天数阈值。

拿系统的真实读数对一下口径：dataHealth 现在是序列级的 546/928 可用（这个口径比早期的“数据源 1/1 健康”前进了一大步），但 gateExcluded=14，而 928−546=382 只标的不可用，门禁只解释了缺口的 3.7%，剩下 368 只进了“不可用”却没进“被剔除”。另一处是风险折价的区分度：risks.affected=546，可用序列也是 546，即 100% 的可用标的都被标成“波动偏高或回撤较深”。同一批数据按中位阈值筛应该是 50%，按 75 分位筛是 25%——全员命中的折价等于没有折价。

九、适用边界与风险提示

本篇只覆盖打分层与算法擂台，不覆盖组合构造与预测层；后者（置信带中心、同质持仓的相关性、信号叠加）放在下篇。以下逐条列出我没做到的部分：

• 未做跨进程与跨版本验证：全部实验在单 JVM、本机 JDK 17.0.18 上完成，没有对比其他 JDK 版本的数值差异。
• 未读后端代码：归一化映射（0.5+IC、0.5+Sharpe/6）与命中率分母（N×k）都是从 16 行读数反推的，能逐位对上，但不等于实现就是这样；冷启动保护未生效的原因无法定位。
• 净值实验用的是合成序列：实验台 3/3b 的净值路径由 Java 代码在本机工作目录现场生成（固定 seed 的对数正态 GBM 加停更注入），不是真实标的净值。它验证的是“风险维度对停更的反应方向”这一机制，不能当作某只真实基金的评价。
• 置换检验的截面规模取自接口自述：samples=45、validSections=3 是系统给的数，我没有独立核对。
• 不构成投资建议：系统处于本地联调测试验证阶段，跑的是本地模拟盘；文中所有标的已脱敏，任何数字都不代表任何真实产品的表现，也不预示未来收益。

AI 辅助说明：本文的实验代码由 AI 辅助编写，全部在本机工作目录实跑，文中每一个数字都取自实际终端输出，未做人工修饰；热点报道均来自公开来源（证券时报基金研究院、美世研究报告转述、世界黄金协会三季度报告转述、中国证券报采访报道），我只核到标题、发布方与时间，未逐条向第一方原文复核，引用时已注明转述性质。

十、完整复现命令与判定标准

四个实验台都是单文件 Java，不依赖任何第三方包。编译与运行（含中文源码必须指定 UTF-8 编码）：

javac -encoding UTF-8 Bench1_CompositeAudit.java
javac -encoding UTF-8 Bench1b_Decompose.java
javac -encoding UTF-8 Bench2_IcSignificance.java
javac -encoding UTF-8 Bench3b_StaleRank.java
java Bench1_CompositeAudit
java Bench1b_Decompose
java Bench2_IcSignificance
java Bench3b_StaleRank

判定标准（对不上先怀疑实验台，不要先怀疑结论）：

① Bench1 第一节的 16 行复算最大绝对误差应小于 1e-5，且 normIc − (0.5 + RankIC) 的最大误差应为 0；若不为 0，说明接口读数被改过，需要重新取数。

② Bench1b 的 corr(RankIC, Sharpe) 应落在 -0.6 到 -0.7 之间；若符号翻转，先检查是否把基金侧与贵金属侧的列取混了。

③ Bench2 的置换检验在 N=45 时 95% 临界 |IC| 应在 0.29 到 0.30 之间（我实测 0.29736）；随机排序下 hitTop3 的均值应约等于 0.0044。

④ Bench3b 的 L=20 档，脏样本名次前移应为 +7pp 量级、风险分增量应为 +24 到 +25；若风险分不涨，检查你的波动窗口是否真的覆盖了停更区间。

⑤ 随机种子固定为 20261104。置换与蒙特卡洛的均值项可复现，分位数会因随机数消耗顺序略有差异，但不会改变结论的量级。

十一、结论与两个问题

留下三条可以记住的判断：

第一，归一化的形式决定冠军是谁。当“平移式归一”把原点搬到 0.5 时，指标等于 0 不是差，而是中位；再叠上 90.5% 的常数地板，擂台真正比较的只剩 0.057 的张力，而切换阈值只要 0.019。这种结构下，冠军由权重常数决定，而不是由数据决定。

第二，样本量不够时，任何“择优”都只是在噪声里比大小。45 个标的、3 个评估日的截面，RankIC 的标准误是 0.087，而全场 IC 极差只有 0.182。要让一个 IC=0.03 的因子达到显著，需要 4445 个截面或 99 个独立评估日。在此之前，“自动择优”这个名字本身是超前的。

第三，风险维度会奖励脏数据。净值停更把实现波动压低、把风险分抬满、把综合分推高 12 分、把名次抬进头部 10 个百分点——而拦截阈值的可行区间只有 dup 2 到 5，超出就检不出来。

一个具体的自检动作：下次你看到任何一个 0 到 100 的评分，先问一句“这个分能不能用原始因子线性复算，归一化是百分位还是平移”。如果能复算出 0.5 + x 这种形式，那这个分的“中位”就是白送的，排行榜头部出现的“零指标模型”就不是意外。

最后留两个问题给你：你在自己的系统里做过“指标退化检测”吗——比如某个维度全截面同分、或者某个命中率全员命中，你有没有让它自动降级或者报警？还有，当你的自动择优在统计上不可区分时，你希望它是“不动”还是“照规则动”？我自己的答案是前者，但这意味着要接受系统看起来“什么都没做”。

下一篇进到组合与预测层：一个 IC 只有 0.03 的排序能力，被换算成 12 个月的预期漂移后写进置信带，名义 80% 的区间实际罩住了多少结果；三笔跟踪同一标的的同类持仓，反解出的隐含相关性是 0.50，而真实相关性接近 1，带宽会差多少；以及三条同构的卖出建议为什么会把一次决策复制成三次。这套系统还在本地联调测试验证中，我会把它修到哪一步、还剩哪些坑，继续用实测数字写出来。如果这篇的审计方法对你有启发，值得收藏一份当清单用。