世界经验的Scaling Law：AI正扩展至交互式学习智能体

海外独角兽 09月29日

本文探讨了AI学习范式的演进，指出当前大语言模型（LLM）模仿人类而非目标驱动的学习方式存在局限。文章提出，类比人类通过实践学习的经验，未来的AI可能通过“世界经验的Scaling Law”实现更深层次的学习，即利用内部预测模型和大规模视频模型进行“经验学习”和目标导向的自主优化。这种范式转变预示着AI的机会将从数字任务扩展到家庭机器人、工业自动化等交互式学习智能体领域。

🎯 **AI学习范式从模仿到经验驱动的转变**：文章指出，当前大语言模型（LLM）主要模仿人类语言，缺乏目标驱动和在实际体验中学习的能力。与人类通过“做”来学习（如开车、打球）的经验学习方式相比，LLM的局限性在于它们无法从连续互动和反馈中自主理解世界、持续优化行为，也缺乏真正的“经验学习”和目标导向。这表明AI的学习方式需要从被动模仿转向更主动、更具经验性的模式。

🎬 **大规模视频模型与“世界经验”的Scaling Law**：文章提出，未来的AI可能通过大规模视频模型来学习世界规律，类似于LLM通过文本预测。例如，Veo 3等模型通过预测像素序列，能够学习物理和因果关系，并展现出零样本学习和类似Chain-of-Thought（CoT）的Chain-of-Frames（CoF）能力。这使得视频模型本质上成为一种生成式模拟器，能够预测动作带来的画面变化，为机器人提供“视觉直觉”，从而实现类似人类的直觉决策。这种基于视频预测和内部世界模型的学习，构成了“世界经验的Scaling Law”，有望大幅减少机器人学习中的试错成本。

🤖 **交互式学习智能体成为AI新机遇**：文章认为，这种“世界经验的Scaling Law”将推动AI从数字任务扩展到更广泛的物理世界应用。通过让机器人能够在真实世界中“做梦”，利用脑中的世界模型预测未来并练习策略，可以显著减少试错次数，使机器人成为自己的模拟器。这预示着AI的机会不再局限于传统的数字领域，而是会快速成熟于家庭机器人、工业自动化、自适应科学实验助手等交互式学习智能体领域，为投资者带来新的增长点。

📈 **市场总结与AI投资动向**：文章的第二部分对近期市场进行了总结，指出对冲基金在动能反转的推动下降低了方向性风险，北美市场表现突出。同时，文章列举了多项与AI相关的投资动向，包括Oracle参与TikTok投资者集团、Meta的Instagram用户增长、OpenAI与Oracle、SoftBank斥资5000亿美元新建AI数据中心（Stargate计划）、Boeing与Palantir在防务领域的AI合作，以及Marvell和Cloudflare在AI芯片和网络安全领域的进展，显示出AI基础设施和应用领域的强劲增长势头。

原创 Max 2025-09-29 20:01 北京

世界经验的 Scaling Law 意味着 AI 正在扩展到交互式学习智能体

AGIX 指数诞生于我们对“如何捕获 AGI 时代 beta 和 alphas”这一问题的深度思考。毫无疑问，AGI 代表了未来 20 年最重要的科技范式转换，会像互联网那样重塑了人类社会的运行方式，我们希望 AGIX 成为衡量这一新科技范式的重要指标，如同 Nasdaq100 之于互联网时代。

「AGIX PM Notes」是我们对 AGI 进程的思考记录，希望通过学习 Warren Buffett、Ray Dalio、Howard Marks 等传奇投资者们的分享精神，与所有 AGIX builders 一同见证并参与这场史无前例的技术革命。

PM Notes

经验时代的 Scaling Law

作者：Max

Sutton 最新的访谈提到，LLM 站在了错误的范式上。大语言模型（LLM）“做错”的地方在于它们只会模仿人类，没有目标驱动、无法在实际体验中学习和调整，不具备从连续互动和反馈中自主理解世界、持续优化自身行为的能力，缺乏真正的“经验学习”和目标导向。

那么什么是真正的学习，人类的学习方式也许提供了一些线索。我们并不是通过读手册或推理句子来学会开车或打球，而是通过做来学会。当面对新情境时，人类往往凭直觉快速应对，而不是在脑海里组织句子。这种直觉，本质上是一种心理模拟或者想象：我们在脑中预测可能的未来，并据此调整动作。心理学认为，人和动物会运行内部预测模型，来提前预判结果。比如网球运动员在对手击球前，就能读懂可能的落点。当然世界模型不仅是关于物理的，也关于主体本身目的性不同，而对“世界”的不同映射，这是另外可以讨论的话题。

在机器人模型的研究中也有类似的讨论。流行的 VLA 架构可能会有一些缺陷：语言与动作之间并无天然耦合。图文模型（VLM）之所以成功，是因为图像与语言常常天然成对出现。但机器人动作并不会随时配套一个语言描述。语言只是覆盖在动作之上的一个“外壳”，而非动作的母语。人类语言本身模糊且缺乏精度，尤其在涉及实时控制和接触力学时，句子远远不足以规定细节。

例如，“把红色杯子轻轻放到架子上”这一句话，并未告诉机器人具体的轨迹、力度以及杯子打滑时的应对方式。研究也指出，这种错位会导致语言规划层与底层控制层的割裂。再加上大模型推理延迟高，很难满足动态环境的实时需求。

那么可能的一种潜在的过渡路径是大规模视频模型。就像 LLM 通过文本预测学习世界规律，大视频模型通过预测像素序列，学到了物理和因果。最新的 Veo 3 就展示出这种能力：它在零样本情况下，就能完成分割、物理推理、工具使用等任务。Veo3 的最新论文甚至将其类比语言模型，有 zero shot learning 的能力，以及类似 CoT 的 Chain-of-Frames（CoF）。

这意味着，这类视频模型本质上是一种生成式模拟器。它可以预言如果采取某个动作，画面会如何变化。对于机器人，这相当于拥有了视觉直觉：推杯子会不会倒、门是否足够宽、球能否投进篮筐。想象未来画面，然后选择目标最接近的那条路径，类似人类式的直觉决策。

Pieter Abbeel 在 Daydreamer 论文中曾经将想象模型算法应用于物理机器人在线学习，无需模拟器和演示，让机器人能够高效地通过“想象”在潜在空间中自主规划行动，显著减少真实世界中的试错成本。这个方法“教会”了一台四足机器人从仰躺到站立、再到行走，仅用时 1 小时。随后，他们推倒机器人，Dreamer 在 10 分钟内学会了翻身。在机械臂实验中，Dreamer 能从像素输入与稀疏奖励中，学会抓取和搬运，性能接近人类远程操控水平。也许当机器人能够在真实世界中“做梦”，用脑中的世界模型预测未来并练习策略，就能大幅减少试错次数。相当于让机器人成为自己的模拟器，不断生成经验，并且通过端侧的 RL 持续改进和收敛操作路径。

这些迹象指向一个新的 scaling law——世界经验的 scaling law。对投资者而言，这可能意味着 AI 的机会不再局限于数字任务，而正在扩展到交互式学习智能体。无论是家庭机器人、工业自动化，还是自适应科学实验助手，都可能在这一范式下快速成熟。

01.

本周市场总结

动能反转推动对冲基金降低方向性风险，北美走在前列

本周，北美市场动能急剧反转，促使对冲基金削减方向性风险，导致全球股票出现净卖出。减仓行为在大多数主要地区均较为广泛，主要集中在北美和亚洲（日本除外）。在北美，卖出主要来自于多头仓位的削减和空头仓位的增加，覆盖除能源和医疗保健外的大多数行业；在能源和医疗保健领域，基金经理则是小幅净买入。TMT 板块净卖出最为突出，但卖出主要来自软件和互联网零售，而非基金经理长期偏好的半导体多头。工业板块也出现了显著抛售，逆转了过去几个月的持续买入趋势，基金经理削减了与人工智能发电相关的股票以及航空公司股票的多头仓位。额外的抛压还来自材料和金融板块，尤其是大型银行和多元化银行。因子层面上，动能因子成为本周被持续、大量卖出的主要对象。不过，周四基金开始转为买入该因子，部分抵消了此前的卖压，使得全周净流出仅表现为 -1 标准分数的净卖出。

本周风险偏好下降也体现在美国多空基金的净杠杆上。周初净杠杆为 59%，接近三年高点，但在上述卖出操作后降至 53%。即使在此次回落之后，净杠杆仍维持在较高水平，处于过去 12 个月的第 75 百分位、过去 5 年的第 65 百分位。另一方面，总杠杆则小幅上升（环比 +2%），因新增空头多于削减的多头，使得总杠杆达到 216%，依然接近近十年高位。

回到亚洲（日本除外），本周的卖出与近几个月加速的买入力度形成鲜明对比。值得注意的是，本周的回落主要集中在中国，而非近期资金流入更为明显的韩国和台湾。在中国，资金流动主要体现为 A 股和 H 股的多头削减和空头增加，其中科技板块流出最为显著。欧洲和日本的卖出规模小于北美和亚洲（日本除外）。在欧洲，卖出主要由基金加大空头仓位推动，但也有小幅增持多头。卖出覆盖多个行业，其中消费品最为突出。另一方面，房地产板块获得了较大规模的多头增持，而科技板块，尤其是半导体板块，重建多头的趋势本周仍在延续。在日本，基金削减了多头和空头，但多头卖出规模大于空头回补。从行业看，多头削减主要集中在工业、可选消费和通信服务，而空头回补则主要发生在科技板块。

对冲基金追随股市，地区分化明显：亚洲领先，欧洲韧性较强，美国落后

从表现来看，对冲基金普遍回吐了部分近期收益，走势与股票市场一致。截止周四，全球基金平均下跌 30 个基点，而 MSCI 下跌 80 个基点。美洲基金面临最大挑战，美国多空基金下跌近 50 个基点，相比之下标普下跌 90 个基点。欧洲对冲基金表现更为坚挺，全周持平，而欧洲 STOXX 600 下跌 70 个基点。亚洲基金也基本持平，与区域基准大体一致。月度至今，全球对冲基金上涨 1.3%，捕获了约一半的 MSCI 涨幅。美国多空基金走势类似，上涨 1.3%，略高于标普回报的一半。欧洲基金表现突出，平均上涨 1%，相比之下欧洲 STOXX 600 持平。亚洲基金继续领跑，上涨 3.2%，而 MSCI 亚太指数上涨 4.5%。

02.

AI Alphas

Oracle （ORCL）将成为 TikTok 投资者集团的一员，该集团预计持有 TikTok 美国业务约 50%股份

消息人士上周四（9 月 25 日）向 CNBC 记者透露，Oracle、Silver Lake 及阿布扎比的 MGX 将成为 TikTok 美国业务的主要投资者。这三家机构合计将控制约 45%的 TikTok USA 股权。TikTok 母公司 Bytedance 持有 19.9%，剩余 35%由 Bytedance 现有股东及新股东持有。特朗普总统将在上周四签署行政命令，支持该提案，以确保社交应用继续在美国运营。此前通过的联邦法律要求 Bytedance 剥离 TikTok 美国业务，否则将被禁止在美运营。该法律获得国会两党支持，主要关注该应用及其核心算法的国家安全风险。

白宫官员表示，Oracle 将开发并管理新版 TikTok 算法，充当安全中介。根据协议，TikTok 美国业务将从 Bytedance 租赁算法副本，由 Oracle 作为把关者，确保持续监控和运营。涉及美国用户的数据将安全存储在云端，Bytedance 无法访问，以回应长期以来的安全担忧。但该安排能否符合近期美国国家安全法的要求仍不确定，白宫希望能够达成。特朗普总统预计将签署行政命令支持该协议。目前的协议架构大致为，Bytedance 持股低于 20%，大部分所有权和控制权将转移至美国投资者，包括 Oracle 在内的主体将掌握多数董事会席位，仅留一个席位给 Bytedance 代表。

Meta （META） CEO 扎克伯格称 Instagram 月活跃用户已达 30 亿

Meta CEO 扎克伯格上周三（9 月 24 日）表示，Instagram 的月度活跃用户已增至 30 亿，再次刷新全球最受欢迎社交应用的里程碑。Meta 上次披露 Instagram 用户数据是在 2022 年，当时月活跃用户超过 20 亿。

Meta 在 2012 年以 10 亿美元收购 Instagram 时，因该应用仅为照片分享且营收有限，曾引发外界质疑。然而此后增长迅猛，据部分机构估算，今年 Instagram 在 Meta 美国广告收入中将占比过半。推动增长的关键是 2020 年推出的短视频功能 Reels。广告市场竞争激烈，Meta 的对手包括 TikTok 和 Google 旗下的 YouTube Shorts。另据 TikTok 方面本月初表示，全球月活跃用户已超过 10 亿。

OpenAI、Oracle （ORCL）、SoftBank 将斥资 5000 亿美元新建五座 AI 数据中心，推进 Stargate 计划

OpenAI、Oracle 与 SoftBank 上周二（9 月 23 日）宣布将在美国新建五座 AI 数据中心，以推进 Stargate（“星际之门”）项目。特朗普总统今年 1 月曾召集科技公司 CEO 启动该计划，目标是在私营部门主导下投入最高 5000 亿美元建设 AI 基础设施。

AI 已成为特朗普及科技巨头共同优先事项，相关企业正投入巨资建设算力所需设施。OpenAI 表示，将与 Oracle 在德州 Shackelford 县、新墨西哥州 Dona Ana 县及美国中西部一处未公开地点新建三座数据中心。

此外，OpenAI、SoftBank 及其关联企业将在俄亥俄州 Lordstown 和德州 Milam 县建设两座新设施。新项目包括 Oracle 与 OpenAI 在德州 Abilene 的扩建以及与 CoreWeave （CRWV）的合作，总容量将接近 7 吉瓦，总投资超过 4000 亿美元，预计三年内完成。Stargate 计划总目标是建设 10 吉瓦数据中心容量，总投资额达 5000 亿美元。

Boeing 与 Palantir （PLTR）在防务与宇航部门展开 AI 合作

Boeing 宣布与 Palantir 合作，将该公司的 AI 解决方案平台应用于其防务与宇航业务。合作旨在推动波音在生产线上实现数据分析标准化。Boeing 还将借助 Palantir 的 AI 工具参与多个机密军事项目，以支持敏感任务。

Marvell （MRVL）股价在 CEO 乐观展望后上涨

Marvell Technology 股价在上周四（9 月 25 日）走高，因 CEO 向分析师释放积极信号。在上周三的投资者会议上，CEO Matt Murphy 表示，公司定制芯片业务明年营收不会出现缺口，缓解了市场对其 AWS 相关业务的担忧。Murphy 还预计下财年数据中心业务增长率将与超大规模企业资本支出增速持平，即 18% 同比增长，并强调有机会超越这一基准。他特别提到在网络连接扩展方面的潜力。Needham 分析师 Quinn Bolton 在会议后重申“买入”评级，并将目标价由 80 美元上调至 95 美元。

Cloudflare （NET）推出 NET Dollar 以支持 AI 驱动互联网的新商业模式

Cloudflare 于上周四（9 月 25 日）宣布计划推出 NET Dollar，这是一种与美元挂钩的稳定币，将为代理型网络（agentic web）提供即时且安全的交易支持。NET Dollar 将推动互联网建立一种全新的商业模式，使原创内容得到回报，创造力得以维持，并在 AI 驱动的世界中推动创新。

OpenAI 推出 ChatGPT Pulse

OpenAI 宣布在 ChatGPT 中推出一项名为 Pulse 的新功能，能够在用户睡眠时生成个性化的简报。Pulse 会为用户提供 5 到 10 条资讯摘要，帮助他们快速了解当天的重要信息，目标是让用户早晨起床后第一时间查看 ChatGPT，就像习惯性打开社交媒体或新闻应用一样。

03.

ETF 101

如何理解 ETF 的跟踪误差（Tracking Error）？

ETF（交易型开放式指数基金）因其低成本、透明、易买卖等优点，近年来在全球各地（包括中国、美国、日本等）受到越来越多散户和机构的青睐。对于指数型 ETF（被动型 ETF）来说，其核心目标就是尽可能“复制”（track）某个指数的表现。但在现实中，ETF 的表现往往并不能与其目标指数完全一模一样，其中的偏差就涉及 “跟踪误差”（tracking error）。

理解跟踪误差，对于我们选择和评估 ETF 非常重要：它反映了 ETF 相对指数的稳定性、偏离风险，以及运营效率。下面，让我们一步步来拆解这个概念。

一、什么是跟踪误差？( Tracking Error vs Tracking Difference)

在讨论“跟踪误差”之前，我们需要先区分两个常被混用但意义不同的概念：

• 跟踪差异（Tracking Difference / Tracking Error in loose sense）：通常指 ETF 在某段时间内的累积收益差异，即 ETF 的收益（净值增长率）减去指数的收益。比如某年指数涨 10%，某 ETF 在此期间实际只涨 9.8%，则这一年的跟踪差异即 –0.2%。

• 跟踪误差（Tracking Error，in stricter/统计意义上）：通常指跟踪差异在不同时间点（通常按日、月）之间的波动幅度，也就是 ETF 与指数回报差异的标准差。换句话说，跟踪误差反映这种“偏差”有多稳定、有多大波动性。

因此，可以理解为：

跟踪差异 = ETF 回报 – 指数回报

跟踪误差 = 跟踪差异在多个时点之间的标准差（即波动）

正因为跟踪误差是衡量波动性（不确定性），它比简单的收益差异更能反映 ETF 追踪指数的稳定性。

一个常用的说法是：如果一个 ETF 的年化跟踪误差是 0.5%（50 个基点），那么在多数年份里，其年度回报与指数回报的差距，约有 2/3 的概率落在 ±0.5% 之内。（当然，上述判断假设“差异分布近似正态”这一统计假设成立。)

二、跟踪误差从何而来？影响因素有哪些？

为什么 ETF 总会有偏离？为什么有些 ETF 的跟踪更紧而有些较大？以下几个因素是造成跟踪误差（以及跟踪差异）的主要原因：

• 费用 / 管理费 / 运营成本：

ETF 需要支付费用，指数没有 → 持续负向偏差

• 交易成本 / 调仓成本 / 滑点：

调整成分股时产生佣金、价差、冲击成本 → 增加差异与波动性

• 现金头寸 / 现金拖累：

分红或赎回时持有现金，错过上涨 → 系统性负向偏差（上涨时更明显）

• 抽样 / 代表性采样误差：

采用抽样复制指数，无法完全匹配 → 增加偏离风险与波动性

• 估值方法 / 市场时差 / 公允价值调整：

不同估值方法、跨时区差异 → 导致日内/跨日 NAV 偏差

• 股息分配 / 税收：

指数假设股息再投，但 ETF 受税收、分红限制 → 通常负向偏差（部分可被证券借贷收益抵消）

• 证券借贷 / 衍生品使用：

借贷或合成复制可能增强收益 → 管理得当可降低误差，但也引入额外风险

• 投资者现金流 / 流动性压力：

大额申赎迫使 ETF 非最佳时机交易 → 增加短期波动偏差

这些因素在不同市场、不同标的、不同 ETF 构建方式（完全复制 vs 抽样 vs 衍生）下，作用的强度也不同。

举例来说：

• 在成分非常多、流动性较差或跨国跨时区的指数（如新兴市场、债券指数）中，ETF 的跟踪误差通常要高于追踪大盘蓝筹指数的 ETF。

• 使用衍生品（swap、期货）结构的 ETF（synthetic ETF）在理论上可以更精确地复制指数，因其可以绕过买卖成本和流动性问题，从而可能具有较低的跟踪误差。

• 但使用衍生品也带来额外的信用风险／对手方风险。

总之，跟踪误差不是一个独立孤立的数值，而是多种因素共同作用的结果。

三、如何解读跟踪误差？它意味着什么？

理解了定义和来源后，我们还要问：对于投资者来说，跟踪误差到底意味着什么？怎样判断一个 ETF 的跟踪“好不好”？

• 跟踪误差越小越好吗

通常情况下，作为被动型指数 ETF，较低的跟踪误差意味着该 ETF 更稳定、更可靠地复制指数表现，是我们追求的目标。但要注意：

1. 很低的跟踪误差不意味着一定优异，可能是因为该 ETF 在极稳定、低难度的指数上操作（如大盘指数、流动性非常好的标的）。

2. 跟踪误差过低可能意味着 ETF 对指数“过度贴合”，在某些市场结构中也可能暗示基金几乎就是“直跟指数”的（缺乏灵活性）。

3. 对于主动型 ETF 或指数增强型策略，跟踪误差本身并不是主要评价标准，因为其目标本身可能就是“跑赢指数”而非严格跟踪。

在实际应用中，我们通常把跟踪误差与跟踪差异、费用水平、基金规模、流动性等指标一起看，而不是单看一个数字。

• 跟踪误差的典型水平与比较

不同类型、不同市场的 ETF 跟踪误差水平可能差别很大。比如：

1. 对于高流动性、成分透明且费率低的大盘指数 ETF，其年化跟踪误差可能非常低（如几 BP，十几 BP）。

2. 对于新兴市场、行业指数、小盘股、债券或另类资产 ETF，可能出现年化跟踪误差较高（几十 BP、甚至上百 BP）的情况。

3. 在极端市场波动或流动性紧张时段，跟踪误差可能会临时大幅放大。

因此，在评价某支 ETF 的跟踪误差“好不好”时，我们通常采用横向比较（同类指数、同类主题下的 ETF）更有意义。

• 跟踪误差与信息比率（Information Ratio）

在主动型投资中，有一个常见度量：信息比率（Information Ratio），其计算公式为：

信息比率 = （基金-指数）的超额收益/跟踪误差

也就是说，在有一定偏离指数意图的策略里，投资者希望在“误差”不太大的情况下，获得更高的超额收益。误差越小、每单位误差获得的超额收益越高，信息比率越好。

但对于普通被动 ETF 投资者而言，我们更关注的是：在低成本、低跟踪误差的前提下，获得指数级表现。

四、实战中如何运用跟踪误差这个指标？

下面是一些为普通投资者设计的建议，帮助你把“跟踪误差”这个指标落地为选 ETF 的工具。

• 在选 ETF 时要看什么

当你在选定追踪同一指数的多个 ETF 时，可以参考以下几项：

1. 年化跟踪误差：看过去几年（如 3 年、5 年）的年化跟踪误差，作为稳定性参考。

2. 跟踪差异（年化差异）：看看 ETF 实际跑输／跑赢指数的幅度。

3. 费用（管理费 / 总开销比率）：同指数下，费率越低通常越有优势。

4. 规模 / 交易量 / 流动性：规模较大、成交活跃的 ETF 通常能更有效地平滑成本、减少冲击。

5. 复制方式 / 构建方式：是全复制、抽样复制，还是使用衍生品（synthetic）？要了解其优缺点。

6. 历史极端阶段表现：观察对应指数和 ETF 在极端市场（如大跌、流动性危机时期）时的偏差表现，判断 ETF 在应对压力时的表现能力。

通过综合比较，你就能在相同指数或相似主题下选择“更可靠、更稳定”的 ETF。

• 跟踪误差并非万能，还要注意以下事项

1. 历史误差不代表未来：跟踪误差是基于历史表现的统计指标，未来市场结构、费用、流动性状况可能发生变化。

2. 短期波动误差较难判断：在日内、月度波动上，跟踪差异可能会大幅起伏，但未必反映长期趋势的偏差。

3. 极端市场可能出现非常大的偏差：在流动性紧张、极端波动、成交异常阶段，ETF 与指数可能短期出现较大脱节。

4. 定投 / 长期持有能“平均化”偏差：对于大多数普通投资者来说，若目标是长期持有，日常的小幅偏差影响可能相对次要。

5. 不要忽视其他风险因素：例如指数本身的选股权重偏差、指数成分调整、政策／税收变化、ETF 的信用风险（如果是合成／衍生结构）等。

• 案例

假设 A ETF 跟踪某大盘指数，过去 5 年年化跟踪误差为 0.10%（10 个基点），而 B ETF 同样跟踪该指数，年化跟踪误差为 0.25%。在其他条件（费率、规模、流动性）类似的前提下，A ETF 的稳定性更强，偏离更小，是更理想的选择。

又比如，在新兴市场债券 ETF 中，由于标的流动性差、利率变动快、汇率波动、估值时间差等因素，某支 ETF 的历史跟踪误差可能高达 1% 甚至更高。对于这种 ETF，投资者应更谨慎，并同时关注其跟踪差异、费用和基金结构稳定性。

五、总结与关键提示

1. 跟踪误差（tracking error）是衡量 ETF 回报与其目标指数回报差异波动性的指标，是标准差层面的度量。

2. 它不同于简单的跟踪差异（回报差异），后者只是某个时间段的累计偏差。

3. 跟踪误差越小，一般意味着 ETF 对指数复制越稳定可靠；但这只是一个维度，不能作为唯一标准。

4. 影响跟踪误差的因素很多，包括费用、交易成本、抽样误差、现金持仓、估值方式、衍生品策略等等。

5. 在选 ETF 时，建议将跟踪误差、费用、规模 / 流动性、历史偏差、极端阶段表现等指标综合考虑。

排版：夏悦涵

FishAI

鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑

Fish AI Reader

FishAI

联系邮箱 441953276@qq.com

相关标签