「60/40」股六債四，是全球投資人沿用數十年的經典資產配置，如今摩根大通（JPMorgan）首度公開揭露一項測試結果：讓 AI Agent 自己判讀市場、自主調整股債比例，並在過去 20 年的回測中，繳出勝過傳統 60/40 組合的成績。不過，率先端出這份成果的摩根大通，卻同時對外提醒：先別急著把這當成 AI 已能穩定打敗市場的證據。
之所以有人想挑戰這個老基準，和它近年的處境有關。60/40 靠的是股債互補：股票下跌時，債券通常能撐住；但 2022 年兩者同步重挫，讓它創下 1937 年以來最慘的一年，市場也開始認真尋找替代方案。
8 組 AI 代理全數勝過 60/40，連自家模型都輸了
根據《Bloomberg》與《BeInCrypto》報導，這項實驗由摩根大通跨資產策略團隊操刀，以策略師 Thomas Salopek 為首。該團隊打造了 8 組 AI 代理，讓它們依市場狀況在股票與債券之間移動配置：成長強勁時偏向加碼股票，前景轉弱則提高債券比重。
判讀的依據，是把市場依成長與通膨分成四種情境（regime）。根據《MarketWatch》整理，Goldilocks 代表成長高於趨勢、通膨回落，有利風險性資產；再通膨（reflation）是成長與通膨同步走高，有利景氣循環股與信用債；停滯性通膨（stagflation）為成長走弱、通膨卻僵固，防禦型公債與實質資產占優；避險（risk-off）則是成長急凍或金融壓力主導，長天期公債成為避風港。
在橫跨 20 年的回測中，表現最佳的一組代理，每年績效比傳統 60/40 組合高出 0.7 個百分點，年化波動度則低約 2.8%。《BeInCrypto》進一步指出，8 組代理在風險調整後全數勝出，夏普比率（Sharpe ratio）介於 0.74 到 0.95 之間，明顯高於 60/40 組合的 0.61。
更值得注意的是，這些代理跑的是 OpenAI 與 Anthropic 的現成模型，卻不僅打敗 60/40，也勝過摩根大通自家、原本就用來輔助資產配置決策的規則式（rule-based）市場情境模型。摩根大通表示，這是該行首度嘗試建立能自行判別市場情境的 AI 系統。
華爾街 AI 的下一步：從輔助分析，走向配置資本
這場實驗之所以受關注，在於它象徵華爾街導入 AI 的階段轉變。過去兩年，各大銀行主要把大型語言模型（LLM）用在研究、寫程式與內部投資工具上；摩根大通也曾以 LLM 打造主題投資籃、整合進內部投資平台。如今，銀行開始測試同一套系統能否跨過「輔助員工」的界線，去承接業界最關鍵的決策之一，也就是資本要如何在各類資產間配置。
這股「代理式金融」的趨勢不只發生在投資銀行。根據《PYMNTS》報導，Coinbase 在 6 月推出「Coinbase for Agents」，讓用戶把 AI 代理連上帳戶，代為交易、付款與執行流程；Robinhood 則在 5 月開放客戶把部分操作交給 AI 代理，包含代理交易與代理信用卡。
企業端也有類似轉向。《BeInCrypto》點出，Block 執行長 Jack Dorsey 近來主張「交由 AI 代理決定、而非由人指揮」的工作方式，他在 2 月以 AI 為由裁減 Block 逾 4,000 個職位，約占員工四成；摩根大通這次的做法，等於把同樣的邏輯搬到了市場配置上。
零預算也能複製：AI 判讀市場，門檻正在下降
有意思的是，這套看似高門檻的做法，並非投資銀行專屬。《MarketWatch》記者以近乎零的資料與 AI 預算為前提，花了大半天嘗試重現 JPMorgan 的判讀，結論是：即便沒有昂貴的數據源或高階模型，一般人也能讓 AI 判斷出當前的總體經濟情境。
做法並不複雜，《MarketWatch》記者用聖路易聯準會的免費 FRED 資料庫取得總經數據，再搭配一籃追蹤利率、匯率、商品與風險資產的 ETF 組成市場面板，先把資料備妥，再依 JPMorgan 的提示丟給 AI 判讀。
實測結果，主流模型方向一致：截至《MarketWatch》報導時，ChatGPT、Claude、Grok 與 Gemini 都偏向再通膨（reflation）情境，其中 ChatGPT 給出約 43% 機率、Claude 約 60%，JPMorgan 自己在 6 月底的測試也是如此。若把這個判讀轉成配置，大意是多數資金放在股票，公債與公司債之間的比例則還有討論空間。
回頭看歷史，模型對過去幾十年的分類也大致對得上真實事件，例如 2008 年金融海嘯被讀為避險、2010 年代多為 Goldilocks，2026 年則從 Goldilocks 轉往再通膨。不過《MarketWatch》也強調，這比較像「藝術而非科學」：不同模型的結果相似卻不完全一致，甚至同一個模型多問幾次，答案也會變。
回測漂亮不等於實戰能贏，銀行自己先踩了煞車
端出成績的摩根大通，也是最先示警的一方。這些數字全部來自歷史模擬的回測，而非真金白銀的實盤操作，該行明確提醒外界，不該把結果當成 AI 能持續打敗市場的證明。Salopek 團隊在 7 月 9 日的報告中強調，對於 AI 那些「樣本內、過度自信」的答案要格外審慎，代理式 AI 必須建立在一套深思熟慮的資產配置流程之上，而不是天真地把代理本身當成專業知識的來源。
驗證上還有一個微妙的隱憂。摩根大通指出，即使他們刻意讓提示只用「當下可得」的資訊、並隱去日期，這些模型畢竟是用截止日之後的資料訓練出來的，仍可能隱約記得 2008 年、COVID 等著名歷史事件的結局，等於變相「作弊」。
外部專家的提醒更為直接。《BeInCrypto》引述資深量化專家 Richard Bernstein 指出，新策略幾乎不會公布會虧錢的回測，這是一種「發表偏誤」；具高度彈性的 AI 模型，可能只是擬合了過去的雜訊，一旦碰上實盤成本與沒見過的市場情境就會失靈。
另一層是系統性風險。摩根大通與學界都提到，若大量資金採用相似的 AI 模型，可能造成交易過度擁擠、市場更易被操縱，並在壓力時期放大波動。
不過，這項實驗即使仍在回測階段，卻已透露出一個方向：華爾街的 AI 應用，正從研究與分析，往資產配置這類核心投資決策靠攏，而判讀市場情境的能力也正在走出銀行、變得愈來愈容易取得，沿用多年的投資方法，開始進入被 AI 重新驗證的階段。
至於這些代理能否在真實市場存活，仍是最關鍵的待答問題。Salopek 團隊自己也是一半看好、一半保留：認同代理式 AI 的潛力，卻還不敢把資產配置的最終決定權交到它手上。
【推薦閱讀】
◆ AI 理財顧問為何比傳統業者更有優勢？金融業正在陷入一場「不對等競爭」
◆ 《虛擬資產服務法》將上路，台灣如何搶進鏈上金融新秩序？臺灣金融科技協會名譽理事長蔡玉玲解析穩定幣、VASP 與供應鏈金融新機會
＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《PYMNT》、《BeInCrypto》，首圖來源：Unsplash
