天弘基金林心龙：AI有效助力主动ETF管理与投研，核心判断仍需靠人

随着国内主动ETF试点持续推进，公募行业迎来产品创新的重要时刻。

不同于传统被动ETF，主动ETF融合主动管理的超额收益能力与ETF交易工具属性，对投研、运营、系统风控全链条提出更高要求。与此同时，AI技术在资管领域持续渗透，如何把AI从投研环节延伸到主动ETF投资运营全流程，成为行业共同探索的命题。

当全行业热议AI如何赋能投资、重构运营时，作为首批获批主动ETF的基金管理人，天弘基金认为，管理主动ETF的核心竞争力，并非单纯取决于AI技术的应用，而在于能否将AI有效约束在合规与风控的边界之内。这考验的是机构的制度设计与系统工程能力，而非单一的技术能力。

天弘基金量化投资部基金经理林心龙强调，AI擅长处理规则清晰、结果可验证的事务；而涉及价值判断的关键环节，边界必须由人来划定。

林心龙 天弘基金经理

自动化不等于AI化

主动ETF链条包含PCF生成、IOPV计算、流动性管理、申赎预判等多项运营工作。谈及AI在ETF运营环节的落地现状，林心龙强调，要区分系统化自动化与AI智能化两个概念。

“PCF生成、IOPV计算属于结果唯一、强规则约束的业务，核心诉求是零差错。这类工作依靠规则引擎、自动化流程叠加跨系统复核、人工确认完成，并不适合引入带有不确定性的AI模型。”林心龙介绍，天弘基金已经实现PCF自动生成比对，有效减少人工重复劳动，但关键节点坚持人工复核，不会因为自动化水平提升而取消校验，这是业务开展的底线。

在他看来，AI真正的价值场景集中在规则难以穷尽、依赖海量数据模式识别的领域，包括流动性状态刻画、交易执行时点优化、申赎行为规律性分析。不过AI输出结果仅作为业务人员的决策参考，最终判断仍由岗位人员作出。

AI是决策辅助而非替代

海外市场已有将AI应用于主动ETF投资决策的实践，AI能否从运营赋能迈向投资决策，是市场高度关注的话题。

林心龙认为，AI作为决策辅助的路径具备可行性，但依靠AI完全替代投资决策，短期并不具备现实条件。AI的优势集中在信号生成环节：面对逐笔成交、盘口快照这类海量高频数据，机器学习可以挖掘人力难以识别的收益模式。但从AI输出信号到形成最终持仓，中间存在一整套由人设定的约束框架，包含投资目标、行业与风格偏离边界、个股集中度上限、换手率预算、流动性参与度上限。AI输出的信号只是约束优化问题的其中一项输入，最终组合需要在人划定的风险边界内求解。

“哪些约束放宽、哪些收紧，取决于产品定位，这属于投资判断，不是计算问题。”林心龙表示。借鉴海外实践经验，规模化落地的AI相关ETF产品大多采用“AI辅助、人最终决策”的架构；完全黑箱式AI决策产品，整体规模普遍有限。背后根源来自公募受托管理责任：基金管理人必须能够向持有人解释组合构建逻辑、业绩来源以及潜在风险。无法解释、难以归因和问责的黑箱决策模式，不符合受托管理的基本要求，AI必须运行在可解释、可约束、可复核的框架之下。

如何平衡主动ETF的灵活与纪律？

近期交易所完成主动ETF专项验收，覆盖公司治理、三大核心监控系统、PCF与IOPV流程等六大维度。对比传统被动ETF，林心龙指出二者底层系统逻辑截然不同。

“被动ETF是‘复制’逻辑，核心是把跟踪误差压到最低。主动ETF是‘决策加复制’双重逻辑，持仓由内部决策产生，系统必须承载事前风控、指令生成、交易执行、持仓核对，再在当日转化为PCF。链条更长、环节更多，容错空间小得多。”林心龙说。

如何让主动管理的灵活性与ETF的运作纪律兼容？天弘基金的解决方案是“把纪律做进事前环节，而不是事后纠偏”。换手率、行业偏离、个股集中度、单券交易金额占日均成交额比例，全部作为硬约束写入组合构建环节，不满足条件的组合根本不会被生成。超出流动性上限的指令自动顺延执行。林心龙说，“主动管理的灵活性体现在‘在边界内如何选股’，运作纪律体现为‘边界本身不可逾越’。”

为打通投资端与ETF运营端，天弘基金采用“一条指令流、一个数据源”架构。投资端输出的目标持仓，是运营端生成PCF的唯一源头，杜绝人工转录，规避人为差错。整套机制依托三大保障：统一数据源、多环节交叉自动对账、异常情况人工处置。当停牌、涨跌停等特殊情形发生时，系统仅负责识别与预警，具体调整交由基金经理团队研判，保障调仓指令准确转化为对外披露的PCF。

在风控层面，天弘基金坚持“事前优于事后”的原则，搭建起“事前约束－事中校验－事后监测收紧”三层管理模式，优先将风险拦截在组合生成阶段。内部管理指标相较于监管要求、基金合同约定预留安全缓冲，以换手率为例，内部预算较合同上限保留约两成余量，不贴着监管红线运行。

针对AI实现主动ETF前瞻性风控这一热点，林心龙对不同风险类型进行拆解。行业集中度超限属于确定性计算问题，依靠事前约束即可规避，无需AI介入；风格漂移大多来自股价自然波动，通过情景推演即可预判未来暴露路径，AI带来的增量有限。持仓流动性恶化，则是AI最能够发挥价值的场景，可依托高频盘口数据捕捉成交额萎缩、买卖价差扩大等风险前兆，输出预警信号。

但AI预警不等于自动干预。天弘基金认为，AI可以更早看清风险，但行动与否需要人判断。“前瞻性风控真正价值不是预测风险，而是缩短风险发现到业务处置的距离。

AI解放人力，人的判断不可替代

站在行业视角，林心龙判断，未来3－5年AI在主动ETF全链条的落地节奏，和业务环节“目标是否明确、结果是否可验证”高度相关。

最先落地的是运营数据处理，包括报表生成、数据校验、对账流程，这类业务规则清晰、风险可控。其次是投资组合构建与交易执行，在人为设定约束条件下完成优化求解，效果可量化评估。实时风控更多依托数据工程与流程设计能力，不完全取决于模型能力。策略生成环节落地节奏最慢：AI能够从历史数据挖掘统计显著的规律，但很难判断该规律是否具备持续的经济逻辑，收益因果判断必须由投研人员承担。面向投资者的智能化服务，则需要严守合规红线，避免变相输出投资建议。

“未来三五年，AI核心价值是提升单人可管理的投资复杂度，把人从海量数据、重复劳动解放出来，聚焦判断决策。行业差距不在于是否使用AI，而在于能不能把AI约束到正确边界，这是制度工程能力，不只是技术。”林心龙说。

同时，林心龙也提示，行业需要警惕AI应用的多重潜在风险：数据管线质量缺陷造成模型静默失效、历史回测过拟合、模型黑箱可解释性不足、自动化带来连锁故障、全行业模型趋同引发交易拥挤，以及工具过度依赖导致投研人员底层能力退化。关键业务节点必须保留人工复核，行业需要大力建设兼具投资理解与工程能力的复合型人才。

在林心龙看来，人机分工可以总结为一句话：AI负责处理“多”，人负责判断“对”。主动ETF时代已经到来，技术只是工具底座，将技术约束在受托管理框架之内，才是机构真正的核心竞争力。

风险提示：观点仅供参考，不构成任何投资建议。基金有风险，投资需谨慎。