证券时报记者 赵梦桥 裴利瑞
“我们不会被AI取代，但我们一定会被熟练使用AI的人所取代，特别是在公募投研这样一个科学与艺术交织、理性与感性共存的工作领域。”一位公募基金经理向证券时报记者表示。
近期，一场“养龙虾”热正从科技圈席卷至金融腹地，以OpenClaw为代表的AI Agent（人工智能体）正逐渐引起公募基金关注。证券时报记者了解到，当前，多家基金公司正在谨慎评估这一工具在基金投研上的应用，部分基金经理尤其量化基金经理已经尝试运用OpenClaw进行策略研发，AI正逐渐从超级工具向自主协作者演变。
然而，在硬币的另一面，基金行业也在重新审视AI对传统投研模式的冲击。无论是从处理海量金融数据，还是在量化投资中的信号识别，甚至是曾经颇具门槛的投研模型，公募基金行业都在经历着一场温和而深刻的工作流革命，但与此同时也面临着人机替代、数据泄露等新局面。
“养龙虾”热到基金圈
“我最初对它的预期只是一个实习生，能帮我们回测脚本、处理数据就行，但是最近半个月用下来，我发现它其实自主性很强，已经能够全天候独立地从原始数据中提取不错的因子，拓宽我们Alpha的来源，而且正确率非常高，就像24小时带了一个资深基金助理在身边。”近期，上海一位量化基金经理向证券时报记者描述了OpenClaw对他工作的帮助。
近日，以OpenClaw为代表的开源AI Agent项目风靡一时，在全社会掀起了一场“养龙虾”热，其中不外乎信息密集、决策复杂的基金投研领域。
博时基金首席数字官车宏原透露，目前博时基金已有团队在公有云和合规的前提下使用OpenClaw，同时也在研究国产软件在内部安全合规的使用场景。
此外，易方达基金已组建专项团队，在隔离网络环境中对OpenClaw开展功能验证与技术探索，尚未进入生产部署阶段。据易方达基金金融科技板块相关人士介绍，应用场景重点围绕市场信息自动化采集分析、企业数据治理等任务。
“OpenClaw作为开源、可深度定制的AI智能体，以AI执行能力点燃了公募基金行业AI应用的新一轮热情，其意义远超工具本身。”车宏原表示，“OpenClaw主要是面向个体的智能体，它有望极大地释放每个人的创新能力，在应用上，个人的主动性比较关键。目前看，先动起来的是投研人员，它给投研人员提供了一个超级数字助手，有助于释放个体创造力和生产力。”
益民基金则认为，OpenClaw对基金投研来说，不只是单纯的现有工具增强，而是正在逐步引发一场温和但深刻的工作流革命。
“传统投研工具的核心是被动响应，即人输入指令、工具输出结果，而OpenClaw这类AI Agent的核心突破是主动执行，能够基于预设目标，自主完成‘信息抓取—数据整理—初步分析—结果反馈’的闭环，比如我们之前需要研究员花费1—2天时间整理某一行业的舆情数据、财报数据，现在通过OpenClaw配置相关技能模块，可实现7×24小时自动抓取、分类归档，研究员只需聚焦于数据解读和逻辑验证，这本质上是对投研工作流程的重构，而非简单的效率提升。”益民基金表示。
中信保诚量化投资部副总监、基金经理王颖表示，公司量化团队早已将AI技术融入日常的投研体系，目前，由机器学习方式训练的量化因子在他们的策略中已占据约三成的比重，其应用主要集中在量价类的交易策略上。
“我们发现，这些由AI模型识别出的交易信号，当天执行的收益要优于隔日。”她解释道，“这背后的逻辑在于，AI擅长捕捉由流动性放大驱动的短期脉冲式上涨，在这些时刻介入，不仅能抓住稍纵即逝的机会，还能因流动性充裕而有效降低交易成本，整个流程实现了信号自动化生成。”
人机替代还是共存
从可以当超强大脑的AI大语言模型，到自主规划、自主执行的AI Agent，AI的迅速进化正在对传统投研工作中以信息搜集、数据整理、报告撰写为代表的基础性、重复性任务形成直接冲击。那么，对于公募基金，尤其是投研业务的从业者来说，面对AI的冲击是否会成为第一次工业革命浪潮下的“纺织女工”？
华南某公募基金经理表示：“我个人把AI比作是‘成熟的实习生’，或者‘投研新人’，一些数据的搜集整理、交叉验证，甚至是简单的分析等工作，是比较成熟的；AI在这些基础性工作上发挥作用后，就能给投研人员留出更多的时间和心力去做AI暂时还做不了的事情。”
“AI和人在投研领域的能力圈实际上并不重叠，甚至某种程度上是互补的。” 民生加银基金基金经理王悦也认为，一个好的投研人员应该是一个能不停提出好问题的人，他们的目标并不是得到某种答案，而是不断地针对现有的情况，问出一个好的“why”，以此来真正察觉一个产业和公司最核心的变量。而一个好的AI是一个能给出好答案的工具，AI不具备很好的推理与思考能力，但能够针对研究员所提的问题，给出敏锐且较为准确的答案，提高研究员的研究效率。
汇丰晋信基金基金经理韦钰也认为，目前来看，AI还不能替代基金经理和研究员。AI可以用于协助处理海量的历史资料，梳理出关键和总结出一定的规律，角色更类似一位研究助理。研究员或者基金经理可以在这些信息的基础上，依靠自身长期积累的认知能力，做出更准确的行业判断和投资决策。
“也要看到，还有很多工作是AI所无法取代的。比如现场调研，我们很多投研人员要和上市公司的负责人或者管理团队现场交流，其中很重要的一个目的就是感知对方的工作状态，这或许听起来有一些感性，但这又会实实在在体现在公司业绩上，很多还是先兆指标。再比如一些非公开信息的挖掘，AI只能对现有的材料进行整理分析，但合规前提下的非公开信息，也有着较高的分析价值。”前述华南公募基金经理表示。
阿尔法来源从广度转向深度
虽然AI成为投研“利器”，但基金经理乃至整个投研团队的专业壁垒却依旧清晰甚至更加凸显。
“我的观点是：AI替代的是岗位的低附加值工作，而非岗位本身；威胁的是不愿适应变化、能力单一的人，而非具备核心能力的投研人员。”益民基金认为。
益民基金表示，AI时代，市场的信息差会逐步缩小，因为AI能快速抓取、分析海量信息，几乎所有投研机构都能借助AI获取相同的基础数据和信息。所以，未来的超额收益，不再来自谁能更快获取信息，而是来自谁能更深度地解读信息、更精准地判断趋势、更有效地控制风险。简单来说，拼的不单单是算力、拼的更多是算法，这也是基金经理个人阿尔法和基金公司投研壁垒的核心来源。
王悦表示：“我们更看重投研人员思考的深度，而非信息整理的广度。因此投研人员要做的是问出那个关键的问题，而不是得到一个信息尽可能齐全的答案。信息永远是无穷无尽的，找到最核心的那个变量并敏锐地抓住它，才是投研人员超额收益的来源。”
车宏原也表示，AI通过自动化处理多种模态的信息，有助于提升信息处理的效率，使得研究员必须向深度逻辑推演、产业洞察和交叉验证等高阶能力转型，因此，有望推动投研体系向人机协同的网状结构进化，改变“研究员推票—基金经理决策”的线性架构。投研人员有望与AI共同进行线索挖掘、策略构建和风险把控。
“我们不会被AI取代，但我们一定会被熟练使用AI的人所取代；特别是在投研这样一个科学与艺术交织、理性与感性共存的工作领域。”前述华南公募基金经理表示，“站在公司层面构建投研壁垒，核心还是要打造一套与公司相适配的生态；而要构建这个生态，需要有好的机制、文化、人才以及工具等，而这里的工具，未来一定是和AI相关的。最终在这个环境中，大家各自发挥所长，又在统一的平台上汲取信息的养分，最终构成一个协调统一的生态。”
拥抱效率亦需警惕风险
AI的助力，无疑让投研日常工作事半功倍，但多家公募基金已经深刻体会到，AI是一把双刃剑——它能极大提升投研效率，但也隐藏着诸多风险，这些风险如果不加以重视和管控，很可能导致投资损失。
益民基金数量金融实验室指出，需要警惕AI模型的“黑箱风险”，这是最核心、最需要警惕的风险。当前，大部分AI模型（尤其是深度学习模型）的运行逻辑是“不可解释”的，即只知道输入数据和输出结果，但不知道模型是如何得出这个结果的，这就是“黑箱问题”。
该实验室认为，这种风险主要体现在两个方面：一是因子挖掘的“伪有效”，AI可能会挖掘出一些看似具有显著性的因子，但这些因子其实是“历史拟合”的结果，在未来的市场环境中无法产生收益，甚至会导致亏损；二是决策建议的误导性，AI可能基于错误的逻辑或偏差的数据，给出看似合理的决策建议，如果基金经理盲目依赖，可能会做出错误的投资决策。比如，AI可能因为某只个股的历史数据表现良好，就给出“买入”建议，但忽略了该个股当前的基本面已经发生恶化，这种“黑箱误导”可能带来不小的投资损失。此外，AI模型的“不可解释性”，也会导致风险无法追溯，难以排查问题根源。
王颖同样对AI的全面应用保持审慎的态度。她从量价类交易策略的角度指出，市场具有“自适应性”，A股的交易行为是一个不断自我适应的动态过程。“你用来训练模型的历史数据，本身就包含了过去所有市场参与者的行为，而你的模型一旦开始交易，其本身的行为又会成为市场新的数据，从而影响市场。这相当于一个模型在滚动地影响它自己。” 王颖表示。
因此，这种反馈循环导致了AI模型训练的因子，尤其是量价类因子的超额收益表现出剧烈的波动性。她举例，一些在2023年表现优异的机器学习因子，近期的业绩波动就非常巨大，这背后便是“盈亏同源”的原因。“最大的挑战在于，你不知道什么时候应该停掉它。” 王颖坦言。
王悦补充指出，AI在基金投研的应用中，还需要尤其警惕敏感信息泄露问题，这是当前大部分AI的核心隐患。“因此我们主要和AI进行一些思考推演类对话和处理一些公开信息搜集工作，有很强的隐私信息保护机制和防止AI获取公司经营隐私信息的各类手段。”王悦表示。
