隨著人工智能（AI）技術不斷成熟和投資理念持續革新，公募量化投資迎來前所未有的發展機遇。數據與算法正在重塑投資決策的方式 ，一場深刻的行業變革已經到來 。

　　目前，越來越多的基金公司將AI技術深度植入投資決策核心
，尤其量化投資已由傳統量化全面向AI量化進軍。

　　“AI軍備競賽 ”持續升溫

　　在公募行業，“AI軍備競賽”持續升溫
。

　　據了解 ，為應對行業降薪降費和人才流失帶來的挑戰
，一家國企背景的中型公募已開始整體推行以AI技術為基礎的投研體系改革，并將主動權益部與指數量化投資部進行整合。隨著數據平臺與投研平臺打通 ，公司大部分新基金都以量化為底
，產品工具化率超過70% 。據該公司相關部門總經理介紹，接下來將繼續投入 ，預計2026年將完成從數據平臺到智能投研的升級
。

　　據其透露
，隨著行業整體走向工具化、指數化，主動管理能力被弱化 ，疊加費率不斷下降
，留住優秀人才更加困難。中小基金公司面臨巨大壓力，缺乏平臺優勢難以應對競爭 ，因此，公司著力構建了“數據平臺+策略工廠
”雙引擎
，旨在形成差異化競爭力 。

　　相對而言，大部分公司的AI轉型在量化部門內部進行
。一家銀行系公募的量化投資部幾年前便啟動改革 ，由傳統量化全面升級為AI量化。

　　“傳統量化模型只能處理標準化數據
，如財務指標 、量價，而AI量化能消化研報文本、行業政策
、社交媒體情緒等 ，這些才是超額收益的真正來源 。”談及AI量化轉型的初衷
，上述銀行系公募量化投資部負責人表示，公司旗下指數增強產品在采用AI策略后 ，超額收益顯著提升
，這證明了AI量化模型在選股方面的優勢，即能夠發現更多被錯誤定價的投資機會
。

　　不過 ，在AI賦能投資上
，各家公司的路徑不盡相同。例如，一家頭部基金公司主要嫁接海外成熟算法框架 ，初期見效很快，但規模擴大太快后超額收益衰減明顯 。也有公募量化團隊用AI模型+傳統線性模型加權融合
，即AI輔助傳統量化模型
。

　　“在有的公募量化團隊中，AI模塊主要用來做行業輪動 ，因子權重仍由人工設定
，算不上真正的端到端學習。前幾年這種策略一度盛行，不少量化基金獲得相當亮眼的超額收益 ，但是
，去年有些產品因暴露的行業風險敞口過大吃了大虧，現在轉向約束條件強化 。 ”北京一家中小型基金公司內部人士表示。

　　此外 ，也有量化團隊主要用AI模型尋找傳統多因子量化模型難以找到的特殊因子
。

　　數據成決定差異化的關鍵

　　在AI量化投資中
，數據成為決定差異化的關鍵。

　　“大家的AI量化模型策略算法都差不太多，無非是學習和應用水平上的差異 ，核心在于數據的質量 。
”上述銀行系公募量化投資負責人表示
，非結構化數據處理能力是關鍵，即給模型提供更高信息密度的數據 ，尤其是非結構化的輿情和情緒類的數據
。

　　“例如，公司內部研究員調研紀要、專家路演中的口語化描述
，甚至上市公司突發輿情，如高管變動 、供應鏈風險等 ，通過自然語言處理（NLP）技術轉化為結構化信號
，這才是人腦難以快速處理的信息‘富礦’。”在這位負責人看來，投資效率提升的核心是把非結構化信息流水線化 。

　　上述中型公募部門總經理表示 ，公司內部數據平臺的核心升級是整合內部非結構化數據
。“我們建立的數據平臺已整合內部非結構化資產
，包括研究員筆記
、電話會議錄音、未公開的行業專家觀點 、產業鏈群聊記錄
、跨市場輿情關聯等，大模型的核心任務是將這些碎片化的情報轉化為可量化的因子。 ”

　　業內人士表示 ，給機器學習模型提供有意義的數據
，往往需要專業團隊帶有經驗性的判斷 。基于對市場的理解，選擇對未來走勢有價值的特征數據供模型學習 ，而不是將所有數據都輸入模型
，這是形成差異化的關鍵
。

　　雖然量化投資跟隨技術發展不斷“升級打怪
”，但依然面臨諸多挑戰。例如 ，客戶忠誠度不高，只關注業績曲線
，不像價值投資有信仰加持的可能性，一旦業績出現波動 ，產品規模可能快速縮水 。因此
，量化投資必須想方設法爭取更多超額收益
。

　　“如果說主觀投資的優勢是認知，那么 ，量化的優勢就是廣度和紀律性。”上述業內人士稱
，“AI量化能夠覆蓋全市場5000多只股票，不受情緒影響 ，嚴格遵守投資紀律
，這正是其在市場競爭中的核心優勢 。 ”

（文章來源：中國基金報）