代理金融：一种适用于有限理性投资代理人的适应性推理框架 Samuel Monta?ez-Jacquez, John H. Clippinger, Matthew Moroney

金融投资组合中的自适应推断框架研究显示，通过期望自由能最小化实现动态信念更新和风险管控，被动投资策略在非稳态环境下表现优于自适应学习机制，其夏普比率达0.39而自适应版本低于-0.28。跨资产验证表明信息效率可通过熵值夏普比率量化，揭示在热力学约束下信息利用的经济价值。

　　

摘要

我们提出了Adaptive Inference（自适应推理）这一投资组合管理框架，它将Active Inference（主动推理）扩展到了非平稳的金融环境中。该框架在内生不确定性的背景下整合了推理、控制和执行机制，将投资决策建模为信念更新、偏好编码和行动选择的耦合动态过程，而非针对固定目标的优化过程。在这种方法中，投资组合的表现受到预期自由能（EFE）最小化的驱动；当认知成分消失时，传统的估值模型便成为其极限情况。通过对ARKK Innovation ETF（2015–2025年）的数据进行训练-测试评估，我们发现了一个“被动性悖论”：固定不变的信念传递策略的表现优于简单的自适应学习策略。专业代理的夏普比为0.39，而其自适应对应策略的夏普比则降至?0.28，这反映了在依赖策略的信号中进行学习时信念会受到污染的现象。关键在于，该框架的设计目的并非生成超额回报（alpha），而是为了实施内生风险管理，以减轻在制度不确定性和分布变化情况下的过度交易行为。自适应推理代理在大多数时间保持长期持仓，在高熵时期则策略性地减少头寸，从而实现基于不确定性意识的被动投资。所有代理的实现波动率都低于ARKK的买入并持有策略（年化波动率为43.0%）。通过对S&P 500 ETF（SPY）的跨资产验证，我们发现基于推理的风险管理策略能够实现正的熵夏普比（ESR），即单位信息工作所带来的超额回报，从而在推理的热力学约束下量化了信息的经济价值。