随着人工智能（AI）技术不断成熟和投资理念持续革新，公募量化投资迎来前所未有的发展机遇。数据与算法正在重塑投资决策的方式 ，一场深刻的行业变革已经到来 。

　　目前，越来越多的基金公司将AI技术深度植入投资决策核心
，尤其量化投资已由传统量化全面向AI量化进军。

　　“AI军备竞赛 ”持续升温

　　在公募行业，“AI军备竞赛”持续升温
。

　　据了解 ，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。随着数据平台与投研平台打通 ，公司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
。

　　据其透露
，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
，留住优秀人才更加困难。中小基金公司面临巨大压力，缺乏平台优势难以应对竞争 ，因此，公司着力构建了“数据平台+策略工厂
”双引擎
，旨在形成差异化竞争力 。

　　相对而言，大部分公司的AI转型在量化部门内部进行
。一家银行系公募的量化投资部几年前便启动改革 ，由传统量化全面升级为AI量化。

　　“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 。”谈及AI量化转型的初衷
，上述银行系公募量化投资部负责人表示，公司旗下指数增强产品在采用AI策略后 ，超额收益显著提升
，这证明了AI量化模型在选股方面的优势，即能够发现更多被错误定价的投资机会
。

　　不过 ，在AI赋能投资上
，各家公司的路径不尽相同。例如，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 。也有公募量化团队用AI模型+传统线性模型加权融合
，即AI辅助传统量化模型
。

　　“在有的公募量化团队中，AI模块主要用来做行业轮动 ，因子权重仍由人工设定
，算不上真正的端到端学习。前几年这种策略一度盛行，不少量化基金获得相当亮眼的超额收益 ，但是
，去年有些产品因暴露的行业风险敞口过大吃了大亏，现在转向约束条件强化 。 ”北京一家中小型基金公司内部人士表示。

　　此外 ，也有量化团队主要用AI模型寻找传统多因子量化模型难以找到的特殊因子
。

　　数据成决定差异化的关键

　　在AI量化投资中
，数据成为决定差异化的关键。

　　“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表示
，非结构化数据处理能力是关键，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
。

　　“例如，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 ，通过自然语言处理（NLP）技术转化为结构化信号
，这才是人脑难以快速处理的信息‘富矿’。”在这位负责人看来，投资效率提升的核心是把非结构化信息流水线化 。

　　上述中型公募部门总经理表示 ，公司内部数据平台的核心升级是整合内部非结构化数据
。“我们建立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。 ”

　　业内人士表示 ，给机器学习模型提供有意义的数据
，往往需要专业团队带有经验性的判断 。基于对市场的理解，选择对未来走势有价值的特征数据供模型学习 ，而不是将所有数据都输入模型
，这是形成差异化的关键
。

　　虽然量化投资跟随技术发展不断“升级打怪
”，但依然面临诸多挑战。例如 ，客户忠诚度不高，只关注业绩曲线
，不像价值投资有信仰加持的可能性，一旦业绩出现波动 ，产品规模可能快速缩水 。因此
，量化投资必须想方设法争取更多超额收益
。

　　“如果说主观投资的优势是认知，那么 ，量化的优势就是广度和纪律性。”上述业内人士称
，“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 。 ”

（文章来源：中国基金报）