你买了一份昂贵的卫星图像数据，提前看出某家工厂的停车场比往常更忙。预测也许更准了。但如果这只股票已经碰到仓位上限，你不能再买；或者调仓成本太高，买了也不划算，那么这份数据对投资组合究竟值多少钱？
这正是 Sidharth Mallik 和 Waymond Rodgers 在论文《Knowledge-Optimising Investment Decisions with Informative Datasets》中试图处理的问题。两位作者不再只问“新数据能否提高预测精度”，而是把问题改成：数据带来的知识，经过现实约束后，是否真正进入了投资决策，又该如何归因？
这篇论文于 2026 年 8 月 6 日提交至 arXiv，目前全部结论都来自作者自己的理论框架和情景分析，尚无独立研究交叉验证。
数据更多，不等于知道得更多
另类数据——传统财报和行情之外的数据，如卫星图像、网页流量或交易收据——早已成为投资者认识企业和经济活动的一种补充。常见做法是把新数据放进定价模型，看看它能否改善价格或收益预测，再评价由此构建的投资组合。
论文认为，这种路径在理论上成立，却把数据的作用压缩在“定价”这一环。问题在于，现实投资不是预测比赛。投资者还要面对仓位上限、交易成本、风险预算和可交易标的等决策约束。同一条信息，在一个组合里可能触发大幅调仓，在另一个组合里可能什么也改变不了。
这涉及“信息价值”：信息是否有用，不只看预测准不准，还要看获得信息后能否采取更好的行动。如果数据不会改变仓位，或者改变仓位带来的收益不足以覆盖成本，它的决策价值就有限。
从这个角度看，另类数据采购更像购买一种潜在的认知能力，而不是购买一个必然增加收益的信号。数据量只是投入。投资者是否因此“更聪明”，还要看这些信息如何改变判断、选择和最终结果。
把知识送进完整的决策链
论文提出一个名为 Knowledge Optimisation 的 FinTech 流程。FinTech 即金融科技；这里不是指某个具体交易软件，而是一套把知识因素纳入投资决策的流程设计。
作者把可纳入流程的对象称为 knowledge components，即“知识组件”。它不只包括数据集，也可以包括模型，或负责从信息中提炼判断的业务单元。换句话说，论文想追踪的不是单一数据源，而是一整条知识生产链：谁提供证据，谁解释证据，谁把解释变成投资行动。
这套流程分成三个阶段：
- decision structure（决策结构）：先整理投资决定由哪些知识组件和现实条件共同构成。
- portfolio selection（组合选择）：再把这些知识用于选择投资组合，而不是只停留在价格估计上。
- performance assessment（表现评估）：最后评估结果，并追踪不同知识组件在其中扮演的角色。
它的关键变化，是把数据从定价模型的一项输入，提升为需要贯穿决策、组合与归因的对象。好比一家餐厅不能只评价食材是否新鲜，还要看菜单怎样设计、厨房能否处理，以及顾客最终是否愿意为成品买单。食材好，不自动等于经营结果好；数据准，也不自动等于组合表现好。
为什么还要改写 Sharpe Ratio？
论文进一步提出一种 ex-ante Sharpe Ratio 的替代指标，并加入 knowledge units，即“知识单位”项。
Sharpe Ratio（夏普比率）常用来衡量投资组合每承担一单位风险，获得了多少超额回报。ex-ante 指“事前”：它评价的是投资发生之前的预期收益与风险，而不是事后已经实现的结果。
作者的意图，是让事前评价不只回答“这个组合的预期风险收益如何”，还显式容纳知识投入。这样一来，数据、模型或业务单元就不再只是藏在预测过程里的后台成本，而可能成为组合评价和业绩归因的一部分。
这也试图补上论文所说的 performance attribution blind spot，即“业绩归因盲点”。传统归因往往解释某个资产、行业或风险因子贡献了多少表现；作者则希望继续追问：形成这些仓位的知识来自哪里？哪些组件真正影响了决定？
不过，供稿中的论文文本没有给出替代指标的具体公式，也没有说明 knowledge units 如何定义、计量或比较。因此，我们只能确认作者加入了这一项，不能进一步判断它在实际使用中是否稳定，也不能替作者补出计算方法。
真正有意思的是采购逻辑变了
这项工作的价值，未必在于已经交付了一套可直接运行的选股工具。它更像是在重写数据采购部门的问题清单。
过去，采购一份另类数据，最自然的问题是：它能让预测提高多少？按照 Knowledge Optimisation 的思路，问题会变得更完整：它提供了什么新知识？新证据会怎样修正原有判断？在现有仓位和风险约束下，它会不会改变组合？这种改变能否覆盖数据与交易成本？最后，又能否把结果归因到相应的数据、模型或业务单元？
这里可以借助 Bayesian 更新理解。Bayesian 更新是用新证据修正原有判断。修正幅度不只取决于证据是否新奇，还取决于它在不同假设下出现的相对可能性，以及投资者原本相信什么。同一份数据，对已经高度确信的人可能几乎没有增量；对仍在两种判断之间摇摆的人，则可能很重要。
所以，专题标题的答案不是“数据越多，投资者越聪明”。论文实际上提醒我们，数量与知识之间隔着一整套转换过程。只有当数据改变了判断，判断又能在现实约束下改变行动，并且这种改变可以被评价和归因时，数据才可能具有组合层面的价值。
局限与未知
- 论文只称通过投资组合情景分析展示了流程的 utility，即可用性或效用；供稿文本没有披露样本、基准、回测区间、统计显著性以及具体收益或风险数字。
- “传统做法可能造成次优表现和归因盲点”是作者的理论判断。现有材料没有提供外部证据，不能据此断言 Knowledge Optimisation 已被实证证明能提高收益率、Sharpe Ratio 或预测精度。
- knowledge units 的定义和计算细节未在供稿文本中展开。不同数据、模型和业务单元能否用同一尺度比较，仍是这套框架落地时最关键的未知之一。
这篇论文目前更适合作为一种决策框架来读：它没有证明买更多另类数据会让投资者表现更好，但提出了一个更严格的问题——别只问数据预测得准不准，还要问它究竟让谁知道了什么，又改变了哪个决定。