2023年美国ChatGPT大模型引发了全社会对智能模型的极高关注，金融服务行业也在积极推动对科技创新的投资。国新证券投资经理程若愚从投资组合管理的角度，介绍了对智能资产配置模型的理解。 

程若愚毕业于北京大学工学院，具备艺术和金融工程管理的复合背景，在量化、行业研究和股债混合投资领域有丰富的实践成果。多年来，他通过一系列相关课题的研究，积极为资产管理行业数字化转型过程中共性问题提供自己的解法、促进金融数据的安全性、提升投资策略的稳定性。在竞争激烈的投资绩效竞争中之余，他以开放透明的心态持续迭代投资策略的研发平台、对股债资产配置开展创新研究，努力为国内外资产管理行业的智能化转型做贡献。

2023年，基于生成式大模型的智能模型在金融行业快速发展。作为数据驱动行业的典型代表，金融行业在解决量化投资研究平台和资产配置模型的难题后，开始寻找可以提升资产配置效率的智能分析模型。2020年还在某“老十家”公募基金任职量化研究员的程若愚，已经开始基于深度神经网络模型构建批处理因子（Batch Normal Factor）指导量化资产配置。批处理模型（Batch Normal）是深度神经网络的一种，通过对证券时间序列数据进行规范化，可以提高学习网络寻找最优策略的速度。 

2023年，程若愚提出了基金逆向工程设计，旨在解决基金投资行为难以预测的问题。与以往事后归因的风险管理视角不同，基金逆向工程通过总结近两年基金投资行为的特点，模拟基金投资组合未来可能的调整。研究发现，过去14年中基金投资策略的可预测性逐渐下降，过渡追求预测组合业绩的相似性过高，也会增加在预测稳定性和预测股票组合方面的偏差。

对基金投资行为的持续预测是公募基金配置和股票投资中最有价值的工作之一，程若愚的基金逆向工程模型为机构投资者提供了一个预测工作框架。该项目的创新之一是从长期资金配置权益资产的角度出发，首次提出了一个明确简洁的基金股票组合预测、仿真和评估框架。创新之二是基于多因子和中信行业分类等定量指标，构建合计约170个可自动更新的细分基础组合，对全市场上万只基金的不同股票组合进行全面跟踪。该方法尝试解决基金披露重仓股信息不全的问题。

该预测框架有助于改善投资信息披露不足导致的投资者利益保护难题、提升基金组合的风险管理、提高市场效率。在2023年下半年，该框架还将扩展至对基金股债配置和债券组合的预测。通过跟踪整个市场和特定类别机构、特定类别基金经理的配置方向，可以及时把握不同市场环境下的趋势性机会。