基金季报里出现“风格漂移”四个字，对做投研的人来说既熟悉又难受。

熟悉，是因为它几乎每个季度都会出现在某些产品的点评里；难受，是因为它常常只是一个结论——“该基金发生风格漂移”——后面没有证据，没有链条，也没有动作。

我们在做基金研究时反复撞上同一个断层：数据端能算出这只基金这季度重仓了哪些行业、市值偏大还是偏小、成长还是价值；但要把这些数字变成“它违背了自己当初的承诺” “原因是基金经理换了” “所以应该调出核心池”这三句话，中间隔着大量的人工检索、阅读和判断。

这段工作以前只能靠人。而人做这件事有三个天然缺陷：慢、不可复现、说不清证据在哪。

所以我们花了很长时间，把这段“只有人会做的推理”拆成了一条可执行的 Agentic 推理链，并最终封装成一个 skill：输入基金代码与时间窗口，自动跑完全部环节，输出一份可点击、可追溯的全景看板。

这篇文章只讲三件事：为什么这件事必须用链而不是一次调用、这条链是怎么设计的、跑完之后究竟能拿到什么。

PART 01

漂移不是偏离市场，是偏离自己

市面上衡量风格的主流做法，是拿基金和市场基准比：相对沪深 300 的行业超低配、相对中证 800 的市值暴露、相对风格指数的因子载荷。

这套方法有用，但它回答的是“这只基金现在长什么样”，不是“这只基金有没有背叛自己”。

一只消费主题基金重仓了银行，从市场基准看也许只是行业配置的正常波动；但从它自己的合同承诺看，这是一次明确的越界。反过来，一只全市场选股的基金在某季度大幅偏向成长，如果合同本来就允许，那它只是风格切换，根本不构成漂移。

所以我们把基准换掉了：不用市场基准，用基金自己的承诺做基准。

这就引出了整个项目最底层的双基准结构：

这个定义听起来朴素，但它一次性解决了三个老问题：

口径可复现　同一份合同永远抽出同一组承诺，换个人跑结果一样。

责任可界定　偏离的是合同，不是市场；这个问题能拿去和基金经理对话。

结论可证伪　承诺写得越具体，判断就越硬；写不清楚的，链条会诚实地告诉你判断不了。

PART 02

为什么必须是“链”，而不是一次调用

很多人的第一反应是：把季报丢给大模型，让它判断有没有漂移，不就行了？

我们试过，不行。不是因为模型不够聪明，而是因为这件事本身不是一个“判断”，而是一串判断，而且每一环的失败模式完全不同：

把这四件事塞进一个 prompt，结果是每一件都做到 60 分：阈值不稳、证据编造、矛盾看不见、结论悬空。所以我们的做法不是让模型一次答完，而是把它拆成六个连续动作——一条完整的六段式推理链。

这六段里，前三段解决“是不是”，后三段解决“为什么、怎么办”。落到实现上，六段展开为七步——第五段“证据抽取”被拆成检索与验证两个角色、分别交给两个 Agent，因为“找得到”和“站得住”是两种完全不同的失败模式。

1归因规划 Agent

先决定“值不值得查”

它先做准入判定，四条判据：是否持续、是否跨维度、是否超阈值、是否无法由市场环境解释。命中两条以上才进入深挖，否则直接归档为“轻度、可解释”。通过准入的，再匹配 6 类根因假设，并按先硬后软排序：合同变更、基金经理变更、公告披露的投向调整属硬证据；新闻、访谈、行业景气解释属软证据。

输出 → attribution_plan.json 　（是“要去查什么”，不是结论）

2证据检索 Agent

只负责“找到并抄下来”

拿着清单去查公告、新闻、数据与季报原文。每条证据必须抽取结构化论元（时间、来源、主体、内容），并且强制摘录原文金句。这一环最容易被模型“美化”，所以我们加了一条硬约束：查不到就写 not_found，不允许推断补全。整条链的诚信度，取决于这一条。

输出 → evidence_pack.json

3验证与建图 Agent

整条链里最值钱的一环

它把证据分进两个篮子：支撑（supporting）与反驳（contradicting）。这一步是整个设计的关键，因为真实世界里证据几乎从不齐整——公告说“坚持原有策略”，但持仓已经换掉三个行业。

如果不设“反驳”这个篮子，模型一定会挑对自己有利的证据，最后给出一个漂亮但错误的结论。分完篮子再做三件事：检测矛盾、对缺口发起追加检索、给每条证据打置信度。最终产出不是一段话，而是一张证据图。

输出 → evidence_graph.json

4判定与映射 Agent

最后才允许下结论

把偏离定性为 6 类漂移性质之一，给出高 / 中 / 低危，并映射到四个视角的决策动作：研究口径怎么记、组合怎么调、风控怎么标、销售怎么解释。每一条结论都必须挂上证据编号。

输出 → judgment.json 　（挂不上 EVID 的，不允许进结论）

PART 03

三个不能让步的设计约束

回头看，这条链能跑通，靠的不是模型能力，而是三条约束。

这三条听起来像工程规范，其实是投研规范。我们只是把它写进了链里。

PART 04

项目架构：一条流水线，六层判断

把上面所有东西落成一张图，就是下面这样。整张图分三栏看：左边是输入，中间是流水线，右边是产物。

PART 05

六个模块，各自解决一个“卡点”

STEP 00 　风格画像

先把“风格”拆成可以分别观测的 7 个维度

市值、成长价值、行业、主题、因子、交易、仓位。这里最关键的决策不是维度怎么切，而是频率怎么定：因为这 7 个维度绝大部分要靠持仓判断，而全持仓只有半年报和年报才披露，季报只有前十大。

所以观测口径定为季频，但强制区分“前十大口径”与“全持仓口径”，季报缺口向前取半年报 / 年报，不做插值。承认数据的不完美，比用插值把它抹平更接近真相。

STEP 01 　承诺抽取

从招募书里，把“承诺”变成结构化字段

三件事：下载并解析招募说明书与基金合同（保留页码与章节路径）；抽取七维承诺（比例条款、基准权重、名称关键词），并做置信度分级；整合与兜底——抽不到落 not_found，多源不一致标 conflict。

产出 commitment_table.csv，每一条承诺都带原文与页码。没有原文的承诺，不进表。

STEP 02 　实际观测

七个维度，七套算法，口径公开可查

市值与成长价值用风格标签；行业用申万一级归并到六大类；主题用全持仓的主题覆盖率（允许多标签重叠计数）；因子用 60 日滚动回归；交易用换手率与 CR10 集中度；仓位用资产配置的四季均值。

产出 7 份 observed_*.md，逐季列出观测值。

STEP 03 　偏离信号

四种比对类型，对应四种不同的“偏”

把承诺与观测在“基金 × 维度 × 季度”三个键上对齐，然后分型处理：

产出 deviation_signals.json，每条信号带定级与伴随行为。

STEP 04 　归因推理链

四个 Agent 串行，把“偏”追到“为什么”

就是 PART 02 讲的那条链：归因规划 → 证据检索 → 验证建图 → 判定映射。产出四份文件，每一步都能回看、能单独检验。

STEP 05 　 Skill 封装

把整条链收成一句话

整个项目最终被封装成一个可直接调用的 skill，使用者只需要知道基金代码和窗口：

内部做四件事：入参契约、串行编排（产物落盘、断点续跑）、结果聚合（合成单份 atlas.json）、看板渲染（单文件 HTML， 6 个视图，断网可用、可导出 PDF）。

PART 06

跑完之后，手里有什么

这份看板一共 6 个视图，从“看全貌”逐步下钻到“看动作”：

PART 07

这套方法的边界，必须说清楚

一、它依赖文本质量。招募说明书写得越含糊（“适度配置”“灵活把握”），承诺就越软，判断也就越弱。对这类产品，链条会诚实地输出“承诺不可量化”，而不是硬给一个结论。

二、它不预测收益。它判断的是“行为是否一致”，不是“未来会不会涨”。风格漂移是一个风险信号，不是一个 alpha 信号，两者不能混用。

三、阈值需要人来定。准入的四条判据、置信度分级、高危的界定，都需要业务方给口径。链条负责执行一致，不负责替你决定标准。

这套东西真正想解决的，是投研里一个很老的尴尬：我们能算出所有数据，却说不清一句判断。

Agentic 推理链的价值不在于让 AI 更聪明，而在于把“人做判断的过程”显式化——先定义、再观测、再比对、再规划、再检索、再验证、最后才映射到动作。每一步都留痕，每一环都能被推翻。

风格漂移只是第一个场景。同样的链，换一套承诺库和证据源，就能迁移到限购动因甄别、清盘触发路径、大额申赎下的策略脆弱性评估。

# Agentic 推理链　# 投研方法论　# 基金风格漂移　# 金融 AI 落地

免责声明：本文所介绍的方法、工具与流程仅用于提升研究效率与规范性，文中涉及的基金代码、数据均为方法演示，不构成任何投资建议或产品推荐。基金有风险，投资需谨慎。