道。李骧提出，多频段信号融合是适配全规模机构的通用解法。当前毫秒级日内赛道超额逐年衰减，而3—20个交易日的中短周期信号关注度偏低，市场无效性尚未被充分挖掘。将日内、短线、中线三类低相关信号融合，并严格约束行业、市值和波动率三大风格漂移，能够对冲单一周期行情的波动。邹倚天分享了头部机构的差异化研发思路。他表示，百亿级量化机构受限于策略容量，无法依靠单一频段信号持续增厚收益，需要搭建轻量化的并行研发小组，分别推进量价和基本面两条研究线，避免内部趋同。但他也明确，组织架构优化属于长期慢变量，短期贡献有限，头部机构仍须依托AI挖掘非线性隐性因子。王恒鹏着重分享了聚宽投资在AI领域的探索与实践。王恒鹏指出，聚宽投资正在持续探索AI自主驱动投研，AI已经成为聚宽投资重要的能力增量来源。他结合实测数据，详解了AI在Alpha挖掘中的落地价值；从因子产出看，聚宽投资目前来自AI方法论的新因子占比已经超过70%。AI重构量化投研全链路，人机协同成主流量化行业是国内最早落地AI工具的资管细分赛道。2025年之前，AI仅用于因子回测、数据清洗等辅助工作；2026年大模型能力迭代后，AI开始重构因子挖掘、组合构建、交易风控和合规运维等全业务链路，彻底改变了投研生产范式。马志宇梳理了投研人员工作模式的变革。量化投资本身根植于数据、模型、预测与优化体系，据他介绍，现在AI的融入正在从根本上重塑整条投研生产链路。首先，AI实现了研究人员个体效能的提升。以往研究员依靠研读文献挖掘思路，再开展大量回测验证，整体研发周期较长，同时传统机器批量挖掘因子，又存在逻辑浅层、产出质量不足的问题；如今依托大模型，能够迅速梳理海量文献、提炼研究思路，还可直接完成代码编写、公式与参数优化，既能大幅提升因子开发效率，也进一步加深研究深度。其次，个体效率的变革推动了投研角色与模式的迭代。随着个人能力边界不断拓宽，研究员将逐步打破岗位壁垒，兼顾因子开发与模型搭建，弥补过去分工割裂带来的协同短板，催生更优质的策略成果。同时，AI有效降低了跨资产、跨市场的研究成本，借助 AI 能力，股票、转债、海外等不同方向的研究得以顺畅互通，跨市场积累的经验与认知还能反哺核心业务，形成良性循环。再次，放眼长远，AI带来的生产力提升也将推动量化机构组织架构的优化。过去模块化、细分化的分工模式，会逐步转向更灵活、一体化的协作机制。行业也将探
=*=*=*=*=*=
当前为第2/3页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页