2026陆家嘴金融沙龙圆桌对话㉓：人机协同重塑量化与主观投资新格局

清一色财经7月23日讯 7月19日，陆家嘴金融沙龙第二十三期活动圆满举办。在主题为“AI智能体在私募证券领域的实践与展望”的圆桌对话环节，与会嘉宾围绕数据基础、技术范式、机构应用、行业生态逐层展开深度探讨，全面拆解AI Agent在私募证券领域的实践现状与演进方向。

本次圆桌对话由北京信弘天禾资产管理中心执行事务合伙人、基金经理章毅主持，杭州希格斯投资管理有限公司董事长兼总经理谈效俊、中国科学技术大学科技商学院金融学教授姚加权、达观数据董事长陈运文、华为证券军团首席专家张小军担任对话嘉宾。

AI智能体重构私募行业投研链路

对于不同行业垂域的AI应用背景，陈运文表示，人工智能三要素中，算力与算法可通过资金投入获取，但高质量、高时效性的金融数据十分稀缺，若数据被污染或过时，后续AI Agent的应用会有很大的限制。

“当前行业的普遍痛点，是需要对采集汇总的数据进行深度交叉核验、加工标注，以此提升数据的可靠性、安全性与时效性”，陈运文指出，大模型与Agent的幻觉问题很多时候源于上游数据不够精准，只有优质的数据输入才能输出高质量的金融分析结果。

陈运文认为，金融行业之所以高度重视本体论，根源在于行业对专业结论与可控性的高要求——大模型属于黑盒模式，仅输出结论而不呈现推理过程，而金融领域需要严格的因果界定，既要知其然也要知其所以然。

同时，金融行业属于强监管领域，存在大量刚性规则，而这些规则很容易被大模型忽略。陈运文称，需要通过本体论搭建可理解的知识骨架，设置严格规则与白盒机制，确保大模型在限定范围内安全可控运行。知识工程、本体论与大模型形成互补搭配，才能实现优质、可控的金融AI应用。

谈效俊则从AI Agent与传统神经网络的差异角度以及黑盒叠加效应方面，分享了量化投资的底层认知变革。

他表示，量化投资发展的前几十年以“因子工程”为主，深度学习出现前，模型特征组合能力较弱，行业普遍遵循“重特征轻模型”的路径；而随着CNN、Transformer等网络架构的突破，模型自身的特征学习与组合能力大幅提升，行业开始转向“轻特征重模型”的新阶段。

“现在不是做方法的世界观，而是做元方法的世界观”，谈效俊认为，过去行业依靠人工挖掘盈利方法，现在是构建能够自主学习盈利逻辑的网络体系，这是量化投资底层认知的核心变化。

针对黑盒争议，谈效俊认为，量化投资虽然长期被诟病为“黑盒”，但已被市场逐步接受，AI只是深化了这一特性；如果系统真正具备智能、理性的决策规则，即便人类无法完全理解其决策过程，也可以建立对其的信任。

从AI Agent对主观私募的投研价值与应用现状角度，张小军表示，量化私募以数据驱动统计获利，主观私募以逻辑驱动深度研究，二者看似路径相悖，但随着非结构化数据、另类数据规模快速扩张，双方在AI投研赛道逐步趋同。

以贝莱德Alladin系统、高盛GS AI Assistant系统为例，AI一方面拓宽了投研广度，支撑机构完成海量数据下的基本面分析与情绪分析；另一方面“打穿”了研究深度，实现7×24小时不间断信息整理与分析，次日即可交付完整的持仓基本面分析报告，基金经理只需聚焦最终判断与经验决策。“主观私募也好、量化私募也好，在整个AI使用、未来投研使用来看，它应该是一条线”，张小军总结道。

从效率工具到自主生态的进阶之路

对于AI智能体在私募行业全景赋能方面，姚加权指出，AI智能体赋能量化私募业务的核心，并非辅助基金经理做出买卖决策，而是其输出的信号能否获得投资机构信任授权，并最终转化为可执行的仓位与风险预算。

在姚加权看来，AI智能体最大的行业价值是重构原本分散割裂的投研流程。量化私募并不缺数据、模型与回测系统，缺的是整合各类能力的调度层，而智能体可以实现非结构化数据向回测信号的转化，也能基于研究员的投资哲学自动生成量化因子、编写回测代码并验证样本外稳定性。

“AI智能体并非创造Alpha，它更大的作用是极大提升了Alpha从发现、验证到复盘的全链路效率”，姚加权表示，过去一个投资想法的验证需要研究员、工程师、交易员反复沟通协同，而智能体可以将信息－假设－因子－回测－组合－交易打造为高效、可溯源的流水线。

针对AI在量化私募落地的难点，姚加权进一步指出，AI智能体生成的信号落地需要跨越三重门槛：一是信号的有效性，包括信号样本外的稳定性、实盘与回测的一致性，需要至少6个月的实盘验证；二是合规性，智能体投资逻辑必须全流程留痕、可审计，满足监管对交易决策可追溯的要求；三是投资机构对智能体的信任，愿意匹配对应的风险预算。

在此基础上，姚加权将智能体在量化投资中的应用划分为四个进阶阶段。

第一阶段是效率工具阶段，智能体承担数据整理、信息抽取等基础工作；第二阶段是人机组队阶段，智能体作为副驾驶给出投研建议，由研究员或基金经理核对判断后使用；第三阶段是受限执行阶段，在限定品种、额度与风控阈值内，AI执行低风险交易任务，配套白名单、风险预算、人工熔断与完整日志机制；第四阶段是高度自主阶段，AI可独立开展实盘交易，人工仅负责异常干预与事后复盘。

姚加权指出，前两个阶段已有大量成熟落地案例，而从第二阶段向第三阶段跨越的核心难点，并非模型准确性等技术问题，而是权责归属、组织信任、授权边界与利益分配等非技术议题。“至少短期来看，AI智能体不会简单地代替基金经理、研究员、交易员，更多的是重构他们之间的协作方式”。

对于AI Agent是否降低私募从业门槛，张小军认为，行业门槛并未简单降低，AI应用需要从业者兼具业务理解与技术能力，属于综合性要求。“AI并未弱化对人员能力的要求，而是将传统大型投研团队拆解为高效作战的小团队，大幅提升了小团队的产出效率，与此同时，人才评价标准从学历导向转向AI使用能力与创造能力导向。”

张小军表示，AI应用不应沦为Agent的试验田，部分机构一年创建数千个Agent但使用率极低，必须构建以投研为大脑，联动前端问数、后端投顾、内在系统，强调数据本体之间相互关联减少AI幻想，通过Agent矩阵与知识挂接实现持续价值。“未来的AI就是Agent”，张小军表示，Agent组合的构建能力，将决定私募机构AI应用的核心竞争力。

谈及AI应用于投资领域的核心难点，谈效俊总结了三重天然壁垒。一是金融数据量相对于大模型训练需求仍显不足，难以单纯依靠参数规模实现“大力出奇迹”；二是金融数据分布会持续发生偏移，未来场景未必能在历史数据中找到对应；三是金融数据的内在特性与图像、自然语言数据存在本质差异，无法直接照搬通用领域的成功方法，必须针对性构建专用模型体系。

对于行业未来展望，谈效俊期待未来人工智能能够真正褪去“人工”属性，成为独立的智能主体，帮助行业找到投资领域的“圣杯”；姚加权对AI智能体的发展持乐观态度，同时提出未来AI Agent可根据其他投资者的交易数据反推投资策略与目标，进一步提升自身超额收益，但也会让行业生态更加“内卷”，甚至催生更大的市场风险。

陈运文则从数据技术服务商的视角出发，认为更精准的数据、更深度的挖掘、更严谨的管控，将支撑起更优质的智能体应用服务。张小军强调，未来AI在私募行业的落地核心在于系统联动与Agent矩阵建设，通过打通投研、问数、投顾、量化等环节，实现知识的有效挂接与持续价值。

本期“陆家嘴金融沙龙”由上海市委金融办、浦东新区人民政府指导，陆家嘴金融沙龙秘书处、中国科学技术大学国际金融研究院联合主办，上海市浦东新区数理金融学会承办，支持单位为国泰海通证券股份有限公司，第一财经、清一色财经提供媒体支持。该系列活动将构建与“陆家嘴论坛”相呼应的常态化交流平台，通过机制化、场景化、国际化运作，持续输出金融改革“浦东智慧”，深度赋能浦东经济高质量发展，全力助推上海国际金融中心核心区建设迈向新高度。