民生加银基金量化投资部总监何江：AI带来的不是岗位替代，而是角色升级

金融科技在公募基金领域的应用日益广泛和深入，从投研决策到运营管理，再到客户服务等各个环节，都带来了显著的变革。

二十届四中全会公报中指出，要“推动科技创新和产业创新深度融合”，提出“深入推进数字中国建设”。加快人工智能等数智技术创新，强化算力、算法、数据等高效供给。全面实施“人工智能+”行动，全方位赋能千行百业。

而随着人工智能技术的飞速迭代，金融领域正经历前所未有的变革。民生加银基金积极部署，将人工智能技术与投研业务相结合，赋能投资研究团队。

AI重构投研范式

“AI不仅是工具，更是重构量化投研逻辑的重要力量。”谈及AI对投资研究的影响，民生加银基金量化投资部总监何江开门见山指出。当前AI已从单纯提升信息处理效率，转向拓展传统分析的认知边界。

在实际应用中，截面选股成为AI最成熟的落地场景——通过在特定时点对全市场或特定行业板块的股票进行多维度评估和综合打分，实现更优化的投资标的筛选。与此同时，AI 在择时判断、行业轮动、风险预测等领域的潜力正逐步释放，形成覆盖投研全流程的技术矩阵。

在因子挖掘方面，何江介绍研究团队采用集成模式，将各种树模型与深度神经网络（DNN）模型相结合，系统挖掘量价数据、基本面数据和另类数据中的有效信息。

他还举例说明，通过分析高频交易数据中的资金流动态特征，结合企业基本面指标，团队成功构建出具有持续 Alpha 收益的投资策略，“这种跨维度数据融合的分析能力，是有别于传统投研方法的”。

事实上，AI技术正在为量化投资带来了全方位的升级。与传统方法相比，AI在处理高维非线性关系方面具有天然优势。本质上当前主流AI技术是通过数据来挖掘规律的机制，目前在因子挖掘层面应用最为广泛。

破解行业痛点

尽管 AI 优势显著，但“因子过拟合”、“样本外失效”仍是量化投资的核心挑战。对此，何江提出“多层次” 的解决方案，从数据、建模、策略三个维度构建模型风险防火墙。

数据层面，团队建立了严格的数据质量标准，不仅要求数据来源广泛、时间序列完整，还对缺失值和异常值制定了专门的处理流程。

建模阶段，严格执行时间序列交叉验证，并引入正则化约束、早停机制和Dropout等技术，有效控制模型风险。

策略层面上，进一步通过集成多模型多策略的模式来使得组合业绩更加稳健。

传统量化投资依赖线性因子，而AI在处理高维非线性关系上的优势，为策略创新提供了新可能。但 “黑箱不可解释” 的特性，也让监管合规与风险控制面临挑战。如何平衡收益性与可解释性？何江的观点则打破了行业认知误区。

“投资决策是一个复杂的过程，人脑的决策过程其实某种程度上来说在当前对于大脑运行机制的认知水平下也是黑箱决策的过程，并不阻碍我们对于人脑的信任。”他表示。目前AI已经有很多的技术手段来帮助理解其推理的过程，使得模型越来越白箱化。

在实践中，何江介绍道，团队通过多种技术手段提升模型透明度。始终坚持“数据逻辑先行”——确保输入模型的数据具有清晰的经济学直觉和业务逻辑基础。这种基于逻辑的数据筛选，本身就是对模型可解释性的重要保障。

对于刚起步布局AI投研的机构，何江则给出“双轮驱动”策略建议。“数据、模型和算力，缺一不可。但对初创团队，数据与模型则需优先突破，在有条件的情况下再进行算力配置的扩展” 他还强调，机构一方面要夯实数据基础，建立规范的数据处理体系；另一方面要聚焦核心机器学习模型架构，避免过度分散精力。

岗位价值重构

AI投研的落地，最终依赖于人才团队的支撑。当前“既懂投资又懂AI”的复合型人才缺口较大。

何江团队通过融合的方式来解决这个问题，探索出的有效路径是构建“HI+AI”的混合智能模式。让投资专家定义问题边界、AI 团队负责技术实现，形成 “1+1>2” 的协同效应。同时，我们建立了内部技术平台，促进知识共享和最佳实践传播。

随着AI渗透率提升，何江强调：“AI带来的不是岗位替代，而是角色升级。”

他举例说明，基础工作的自动化释放了投研人员从事更高价值创造的时间精力，通过系统的培训体系和清晰的职业发展路径，员工实现从“数据分析师”到“策略架构师”的转变。

实践也证明，人机协作的模式不仅提升了团队整体效能，也为个人成长开辟了更广阔的空间。

值得一提的是，近期民生加银基金将推出3个月持有期混合FOF基金，进一步丰富投资者的选择。资料显示，由民生加银总经理助理兼资产配置部总监刘欣拟任基金经理的民生加银多元稳健配置3个月持有期混合型FOF，采用多资产配置策略，在股债传统二元资产的基础上，可通过相关基金配置海外、商品等多元资产。通过判断不同资产的相关性进行风险对冲，力求兼顾组合的潜在回报与波动控制。

文/许楠楠 编辑/徐楠

(编辑：许楠楠)