公募量化投资迈入AI时代：数据重塑决策边界，人机协作定义新格局

数据与算法正在重塑投资决策的方式，一场深刻的公募量化行业变革已经到来。

“传统量化模型只能处理标准化数据，如财务指标、量价，而AI量化能消化研报文本、行业政策、社交媒体情绪等，这些才是超额收益的真正来源。”一家银行系公募量化投资部负责人如此解释AI量化转型的初衷。

在公募行业，“AI军备竞赛”正在持续升温。为应对行业降薪降费和人才流失带来的挑战，一家国企背景的中型公募已开始整体推行以AI技术为基础的投研体系改革，并将主动权益部与指数量化投资部进行整合。

行业变革：AI军备竞赛升温，公募量化全面升级

2025年，公募量化投资正经历前所未有的转型。越来越多的基金公司将AI技术深度植入投资决策核心，量化投资已由传统量化全面向AI量化进军。

其中一家中型公募大部分新基金都以量化为底，产品工具化率超过70%。据该公司相关部门总经理介绍，接下来将继续投入，预计2026年将完成从数据平台到智能投研的升级。

面对行业整体走向工具化、指数化，主动管理能力被弱化，叠加费率不断下降的局面，中小基金公司压力巨大。缺乏平台优势难以应对竞争，促使不少公司着力构建“数据平台+策略工厂”双引擎，旨在形成差异化竞争力。

技术飞跃：从传统量化到AI量化，超额收益显著提升

传统量化与AI量化之间存在根本差异。某银行系公募量化投资部负责人指出，AI量化模型能够发现更多被错误定价的投资机会。

该银行系公募旗下指数增强产品在采用AI策略后，超额收益显著提升，证明了AI量化模型在选股方面的优势。

在AI赋能投资上，各家公司的路径不尽相同。一家头部基金公司主要嫁接海外成熟算法框架，初期见效很快，但规模扩大太快后超额收益衰减明显。

也有公募量化团队采用AI模型与传统线性模型加权融合的方式，即AI辅助传统量化模型。还有团队主要用AI模型寻找传统多因子量化模型难以找到的特殊因子。

数据核心：非结构化数据成为差异化竞争关键

在AI量化投资中，数据成为决定差异化的关键因素。“大家的AI量化模型策略算法都差不太多，无非是学习和应用水平上的差异，核心在于数据的质量。”上述银行系公募量化投资负责人强调。

非结构化数据处理能力是竞争的关键，即给模型提供更高信息密度的数据，尤其是非结构化的舆情和情绪类的数据。

公司内部研究员调研纪要、专家路演中的口语化描述，甚至上市公司突发舆情，如高管变动、供应链风险等，都能通过自然语言处理（NLP）技术转化为结构化信号，成为人脑难以快速处理的信息“富矿”。

一家中型公募的数据平台已整合内部非结构化资产，包括研究员笔记、电话会议录音、未公开的行业专家观点、产业链群聊记录、跨市场舆情关联等。大模型的核心任务是将这些碎片化的情报转化为可量化的因子。

挑战并存：过拟合与黑盒难题待解

尽管AI技术在量化投资中展现出巨大潜力，但也面临一些挑战。 AI模型可能过度依赖历史数据，导致相关策略在未来市场中表现不佳。

模型的“黑盒”特征以及相应的可解释性不足依然困扰着业界。浙商基金指出，端到端赋能投资的AI模型、机器学习模型通过堆砌大量数据和构造复杂模型输出结果，一方面可解释性不高，可能不适应金融场景，另一方面可能存在模型过拟合的问题。

生成式模型的发散思考能力与传统量化的偏确定性投资建议存在冲突。虽然生成式模型的应用显著提高了可解释性，但也带来了可追溯性降低的问题。

市场环境的结构性突变也可能让AI模型措手不及。一位公募研究人士表示，纯粹依靠历史数据训练的模型在面对极端市场状况时可能表现欠佳。

人机协作：人类经验与机器智能的融合

在AI赋能的量化投资中，人类经验与判断力仍然是核心。

浙商基金智能权益投资部副总经理胡羿表示，为了避免大模型过于依赖历史数据，“人本身给他的经验知识也是非常重要的。”他们过去在做AI模型时，不是纯数据驱动，需要跟主动研究员交流经济学逻辑、建立模型。

华泰柏瑞量化与海外投资部人士也认为，数据噪音、模型对历史数据的“过拟合”、市场结构性突变以及AI本身可能存在的“幻觉”、偏见等问题，都要求我们在AI应用中保持警惕。

西部利得基金强调，应用AI需要理解AI做出决策的逻辑，知道AI赚的是什么钱。投资是非常复杂的系统工程，且高度依赖逻辑推理。如果只是盲目地问“明天哪只股票涨得好”，没有模型能回答准确。

人才重构：复合型人才成争夺焦点

随着AI技术在量化领域的不断应用，量化团队都更倾向于招聘有AI算法背景的人才，最倾向于既懂算法、又懂量化的复合型人才。

西部利得基金提出了“T型人才”的概念：一横代表在广泛的领域都有涉猎，一竖代表在某一个特定领域有极深的钻研。他们要求所有团队成员都至少会使用AI，进一步掌握AI技术。

传统量化团队需调整组织架构以适应新需求。一方面，要引入算法工程师、AI伦理专家等科技人才，加强技术研发能力；另一方面，要保留和培养具有深厚金融背景的人才，发挥其对市场的理解和投资经验优势。

DeepSeek等AI工具的发展，给了一些中小型团队参与竞争的机会。海富通基金量化投资部指出，之前大公司会雇用大量量化研究员来挖因子，现在小团队使用大语言模型+遗传规划算法，可以大大提高因子挖掘的效率。

未来趋势：小模型应用能力或成竞争关键

展望未来，AI与量化投资结合的发展前景广阔。

胡羿认为，未来公募基金之间的竞争关键在于小模型的应用能力。在投资领域，小模型可针对特定金融场景、行业需求，与大模型协同工作，挖掘更精准、有效的投资信息。

华泰柏瑞量化与海外投资部人士认为，未来几年关键的趋势和努力方向在于探索和建立新型的、安全合规、成本可负担的共享算力基础设施。

在被动化投资兴起与AI浪潮的叠加效应下，量化投资既迎来机遇，也面临挑战。AI量化具有的高胜率、低波动等特点，和指数增强策略是天然适配的。

随着更多的团队开始使用AI技术，策略的同质化也会加剧，这一方面会带来Alpha收益的下降，也会在市场极端情况下放大策略波动。

AI量化能够覆盖全市场5000多只股票，不受情绪影响，严格遵守投资纪律，这正是其在市场竞争中的核心优势。

随着行业整体走向工具化、指数化，主动管理能力被弱化，叠加费率不断下降，AI量化投资成为公募基金应对市场变革的重要武器。

那些能够快速适应变化，成功将AI深度整合进自身核心投研体系，并形成独特人机协作优势的机构将脱颖而出。

综合中国基金报、证券时报、中国证券报等