量化自研Agent的显性成本主要是推理token（词元消耗与本地推理模型部署，前期硬件加token投入接近百万量级，“更核心的是团队时间成本”。后续，公司会部署开源模型用于实验测试和数据预处理，以降低日常运营成本。   他同时表示，以往的传统量化投研模式高度依赖资深研究员的时间投入，而Agent系统以一次性研发投入替代了持续性人力成本，后续边际成本主要是算力和token消耗，而且会随开源模型能力提升而持续下降。   鸣石基金相关负责人也从另一角度分析，对具备成熟投研架构、AI人才实力、大规模算力集群的机构而言，全方位的投研基础和人才实力并不会使得自研Agent有很大投入，后期运营成本与迭代成本则更低。   “成本与增效其实是一个规模效应问题。”位小康表示，若当前的token成本不变，较小的团队或问题规模下，AIAgent的引入可能更多站在降本的角度——通过Agent进行数据运维、数据清洗、研报总结、中台报表生产等中后台工作；而在应用AIAgent更加规模化的公司，“增效”是其核心追求目标。   这一分化也投射到行业竞争格局中。多位受访者均提及，头部与中小机构的“代差”正在拉大。李锐坦言，中小机构往往是小团队作战模式，短期看不到AI应用的产出比，更多还是试水，“在资源协调、人机协同等如何深入到投研的各个方面，我们还处在摸索、追赶阶段”。   从“人机协同”到“范式重构”   随着AIAgent在行业内的逐步渗透，相关技术革新正在重塑量化私募的人才需求、投研效率乃至竞争逻辑。   “基础研究员岗位需求明显减少，但两类人才需求更强。”魏铭三直言，一是具备深厚金融认知的资深研究员，能对Agent的产出进行专业评判；二是深度掌握AI工具的复合型人才，能与Agent系统高效协作。鸣石基金相关负责人也观察到，AIAgent的使用使得投研效率得到极大提升，创新研究成果产出开始加速；随着应用程度加深，投研人员熟练使用Agent相关工具，成为人才考核的重要基础能力之一，传统研究员的工作内容正从“以编码为中心”转向“以编排和测试为中心”。   效率提升的数据颇具说服力。除蝶威量化的“Agent7天Vs人工180天”外，中国证券报记者在调研采访中还获得另一组对比数据：上海一家量化私募创始人透露，以往公司一个高水平的因子研究员，每周只能挖掘出一到两个高质量因子，而目前研究员使用Agent已实
=*=*=*=*=*=
当前为第3/4页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页