掌上乾坤配资APP下载当AI走入投研深处：一场效率革命，一道行业新题

一位基金经理坦言，相较通用大模型，基金公司更关注如何将AI与自身投研框架深度结合。主观投资涉及行业景气判断、商业模式认知和投资逻辑迭代等复杂因素，如何将基金经理长期积累的研究经验转化为可复制、可训练的“技能模块”，并将成熟的投资框架和投研方法在模型中有效固化，是AI进一步落地时需要解决的问题郭晨凯制图

　　当AI走入投研深处：

　　一场效率革命，一道行业新题

　　◎记者胡尧陈玥

　　究竟是机器替代人，还是人驾驭机器？这一场待解的争论，如今在资管行业持续发酵。

　　AI替代研究员完成部分基础工作，已成为现实。办公室可以变“轻”，投研平台却在变“重”；机器承担的工作越来越多，人的价值越来越向判断集中。不只是研究岗位，当AI走进资管业务深处，从研究、交易、风控到归因分析，一场关于效率、组织和决策权的重构才刚刚开始。与此同时，当大量基础研究工作被机器接手，研究经验如何沉淀、年轻研究员如何成长，也成为摆在资管机构面前的新课题。

　　资管“新十二时辰”

　　对于投资经理而言，过去熬夜跟踪海外市场、搜集信息的工作方式，正在被AI改变。

　　6点50分，张炀民的手机屏幕亮了起来。一份名为《鸣山盘前策略》的简报已在邮箱中等待检阅，写下这份简报的，是一台没有关机的电脑。随着AI逐步嵌入投研流程，他的研究团队也随之精简。

　　“效率是第一生产力。”张炀民告诉上海证券报记者。从景林资产到鸣山基金，从大平台研究员到私募基金创始人兼投资经理，长期身处研究与投资决策一线的他，正通过AI重新构建工作流。

　　“现在对信息差的争夺精确到了秒级。”张炀民说。过去每天要花大量时间翻研报、刷新闻、找产业资料，如今，这些工作被拆成一个个“岗位”，交给不同的AI智能体。

　　每天6点10分，电脑开始抓取隔夜美股、A50期货、美元指数、VIX等数据，扫描事件日历和快讯，再交给大模型形成盘前判断。大模型形成的判断须同时给出方向、量化阈值和时限；没有抓到的数据，则直接标注“数据缺失”。7点30分，另一个跟踪产业链变化的AI“岗位”开工，专门“蹲守”产业链专家、卖方分析师、供应商高管等人士的动态。随后，跟踪宏观、科技、医药、有色等领域的智能体陆续开工，把过去24小时的信息压缩成变化量、传导路径和可交易条件，再由汇总程序寻找相互矛盾之处。

　　等张炀民坐到餐桌前喝咖啡时，几十个网页和一长串未读消息，已变成一份分好“重复、噪音、新变化”的清单。真正值得追踪的两三条关键信息，再被转给研究员进行交叉验证。这套流程减少了夜间处理信息的时间，也让他能在开盘前完成关键信息筛选。

　　团队变“轻”，平台变“重”

　　不只是张炀民。记者近期走访多家私募机构发现，办公室比想象中安静得多，大部分时候，机器在工作，人在作判断。

　　一位私募基金经理告诉记者，对于部分中小私募而言，券商研究所可以提供外部研究支持，而公告整理、研报阅读、数据提取、信息初筛等工作，则愈发倾向于交给AI。与此同时，从大模型会员、专业数据库到智能体、代码工具，一些私募正在加大AI相关投入。办公室里少了几张工位，后台却多了一批24小时运转的“数字研究员”。

　　但有一个位置很难省掉——交易员。即使部分私募将研究团队压缩至数人，交易执行岗位仍被保留下来。从基金经理作出判断到一笔真实交易落地，中间仍涉及指令执行、成交跟踪、异常处理和交易风控等环节。

　　于是，一幅新的投研图景出现：基金经理深入产业调研，券商研究所提供外部支持，AI留在后台昼夜处理信息，交易员守着最后的执行环节。办公室看起来“空”了，投研链条却没有消失，而是在重新分工。

　　头部公募则呈现出另一种变化。相较直接压缩团队，头部公募更重视依托技术平台重构投研流程。

　　“基金经理早已告别‘单兵作战’的模式，他们站在公司整体平台能力之上，依托大模型、机器学习这些前沿技术，实现投资决策从‘人工筛选’到‘智能挖掘’、从‘个体决策’到‘人机协同’的跨越。”华夏基金总经理李一梅表示，投研模式也从经验驱动向科学驱动的“平台化、工业化”模式转型。

　　易方达基金相关人士告诉记者，目前，公司EWork平台上可供员工安装调用的Skill，已覆盖投研、交易、运营、销售、市场、合规、IT等核心业务条线，普通员工也可以根据自身工作需求创建和分享Skill。

　　广发基金自2013年开启系统化建设，目前其自研的“阿基米德”一体化投研系统已服务于固定收益、主动权益、被动指数、跨境投资等业务，并在智能投研、智能风控、智能交易、归因分析等环节实现应用。

　　机器向前一步，人往何处走

　　AI最终能走到投资决策的哪一步？随着AI持续渗透，研究员乃至基金经理是否会被AI取代？对此，受访机构人士的看法不一。

　　沪上一位公募基金经理产生了一些危机感：“被替代是很有可能的，我甚至认为这是大势所趋。”当前，他也在积极使用各类大模型，在家也会借助大模型处理各类报告、辅助研究分析，“我只希望没那么快被淘汰”。

　　张炀民也曾试着将“人机协同”的底线往前推，有时效率提升令人惊喜，但有时AI也会犯错。

　　“能不能杜绝AI喂错东西？不能。”张炀民说，“能做的是让每一次错都被记下来，让它下一次错得少一点。”此前，他一度希望AI直接产生投资观点，甚至参与仓位判断；如今，AI更多负责筛选观点、发现异常，人则负责验证和决策。

　　每天收盘后，AI自己也要“接受拷问”。下午4点，“裁判”智能体根据真实收盘价给早上的判断逐一打分——命中、部分命中还是落空，由代码裁决，不允许模型自评。系统还会寻找连续走强却没有被原有框架覆盖的板块，弹出“踏空提醒”。“到头来，人的判断和决策反而更重要了。”张炀民感叹道。

　　华宝基金权益投资部基金经理夏林锋坦言，相较通用大模型，基金公司更关注如何将AI与自身投研框架深度结合。主观投资涉及行业景气判断、商业模式认知和投资逻辑迭代等复杂因素，如何将基金经理长期积累的研究经验转化为可复制、可训练的“技能模块”，并将成熟的投资框架和投研方法在模型中有效固化，是AI进一步落地时需要解决的问题。目前，外部AI工具仍存在“数据幻觉”、事实错误及信息源可信度不足等问题，相关结果仍要通过传统研究方法进行交叉验证，尚难直接用于投资决策。

　　AI的边界依然清晰。“AI带给资管行业的变化，并不只是少用几名研究员、多部署几个智能体。当越来越多基础工作交给机器，效率提高之后，如何让年轻研究员完成必要的研究训练，如何将资深基金经理依赖长期实践形成的经验沉淀为机构能力，如何在人机协同中守住投资决策和风险控制的责任边界，都需要重新回答。对于资管行业而言，真正需要重构的或许不仅是一套投研工作流，更是一套与人机协同时代相适应的人才培养、经验传承和决策机制。”一位业内人士说。