夜雨聆风作者按：从交易所到证券公司，从事监管科技、金融科技工作十余年，一直秉持对上不忽悠，对下要共情不甩锅，同级要利益共享的理念推进工作，有十年多应用系统及数据规划和建设经验，尤其在人工智能、大数据等技术场景上有丰富的实战项目。曾亲手（非挂名）主导多个AI属性的大型平台和系统的建设，绝大部分项目均为公司首个同类型项目，统筹推进公司XC全局工作，对行业技术演进和现状有深刻的洞察，全面负责AI基础设施和重点场景建设，负责公司中后台系统的规划建设、主导自研的各类数字化系统在行业斩获多项大奖，负责研发的风险管理平台更是全行业独一无二的业务风险数字化平台。
「AI重塑证券业」之一：证券公司AI全景图——九大领域成熟度扫描
想象一下：早上9点15分，一只股票的异动信号被AI捕捉；9点16分，组合模型完成仓位测算；9点17分，执行算法已经把订单拆好送进了交易所。三分钟，信号到执行全闭环——这在五年前还是科幻，如今已是部分券商的日常。当AI从"发现信号"走到"做出决策"再到"完成执行"，投资行业正在经历一次链路级的重构。
但这条链路在不同场景的AI化进度截然不同——量化几乎全通，主动只走了一小段；在同一场景内，自营和资管的渗透深度又天差地别（见1.3节）。两极分化，是理解投资AI的两把钥匙。
一、领域现状：AI在投资领域的两极分化
证券行业的投资业务，是AI渗透最深、也是分化最剧烈的领域之一。量化投资早已把AI当标配，主动投资还在大模型门口反复试探；同一套AI方法论，在自营与资管之间的渗透深度却天差地别。
1.1 量化投资：AI已是主流，但深度学习策略正遭遇瓶颈
量化投资是证券行业AI应用最成熟的赛道。据QIML统计，截至2026年Q1，国内量化私募管理规模（AUM）已突破1.8万亿元，百亿级量化私募达61家（来源：经济参考报/新华社，2026年4月18日，引自QIML统计）。大部分策略矩阵中包含机器学习或深度学习组件，头部量化机构AI挖掘因子的占比已过半。
但硬币的另一面是：深度学习策略的超额收益在收窄。近年来中证500指数增强策略获取超额收益的难度持续提升，多家券商金工研报指出传统多因子框架面临Alpha衰减挑战（来源：同花顺2025年12月量化策略研报）。部分纯深度学习策略甚至出现阶段性较大回撤。原因包括：
1.2 主动投资：AI渗透缓慢，但大模型正在撕开缺口
主动投资长期依赖基金经理的个人判断与经验，传统AI（如机器学习选股）在这一领域渗透率一直很低。原因不复杂——主动投资强调"逻辑可追溯"和"故事可讲述"，而传统AI的"黑箱"特性天然与之冲突。
大模型的出现改变了这一格局。2024年以来，以DeepSeek、GPT-4、通义千问为代表的大语言模型，开始以"研究助手"的身份进入主动投资流程：
信息整合：大模型可在数分钟内阅读并摘要百篇研报，覆盖传统研究员难以穷尽的信息量 逻辑验证：将基金经理的投资逻辑形式化后，让大模型反向验证逻辑链条的完备性 自然语言交互：基金经理用自然语言提问持仓风险、行业暴露，大模型实时作答
据中国基金报等媒体2024年报道，接入大模型研究助手后，研究员单票深度覆盖时间大幅缩短，信息覆盖广度提升数倍。
1.3 券商视角：同一方法论，自营与资管的AI渗透差异
同样是量化策略或主动研究，AI在自营和资管两条业务线上的渗透深度天差地别——这不是技术问题，而是合规边界问题。
自营：深水区，但不透明
券商自营是AI在投资领域最"沉默"的应用场景。不同于资管产品需要对外披露策略，自营投资对AI的使用几乎不公开，形成了事实上的灰色地带。已知的实践包括：
方向性投资辅助：部分头部券商自营部门使用AI进行宏观信号判断与仓位建议，但最终决策权仍在投资委员会 固收大模型辅助：债券询报价智能解析是自营固收AI应用的新方向——大模型可自动识别非结构化询价文本中的产品类型、标的、期限、方向等关键字段，将人工逐条核验流程压缩为自动解析，中信建投等券商已将此能力嵌入"八爪鱼"固收一体化平台（来源：中信建投官网，2026年2月） 做市与套利：AI在做市报价、期现套利、统计套利等方向已有规模化应用，部分系统实现7×24小时无人值守 风控嵌入：AI实时监控自营持仓的尾部风险，自动触发减仓或对冲指令
一位券商自营部门负责人曾对媒体表示："自营用AI，用得很深，但不好说。"这句话精准概括了这一领域的现状——深水区，但不透明。
资管：透明化约束下的AI渐进
资管产品（公募/私募/资管计划）的AI应用面临更高的披露要求。监管和客户都要求"说得清策略逻辑"，这限制了AI（尤其是黑箱模型）的直接介入深度。当前资管线的AI渗透呈现两个特点：
量化资管：AI因子挖掘已被广泛接受，但组合权重仍需人工可解释的方案（如风险平价+AI观点），以符合产品合同约定的"策略透明度"要求 主动资管：大模型以"研究助手"身份介入（见1.2节），生成的内容需经投资经理审核后才会进入投决流程，AI不直接触达组合
核心差异总结
理解投资AI的渗透差异，不能只看方法论（量化vs主动），还要看业务属性（自营vs资管）。自营是AI投资最激进的试验场，资管是AI投资最审慎的展示窗——同一个券商，这两件事同时在发生。
二、核心场景：AI在投资决策链路上的介入地图
投资决策是一个从信号到决策到执行的完整链路。AI正在这条链路的每一环渗透，但渗透深度差异巨大——量化投资几乎全链路打通，主动投资只在信号端"浅尝"；而同一AI方法论在自营和资管业务上的渗透深度又天差地别——自营深、资管浅（见第一章1.3节），投资AI的两极分化由此而来。
场景1：AI选股与因子挖掘
AI介入环节：信号生成 | 介入深度：★★★★☆
因子挖掘是量化投资的"燃料"。传统因子（如动量、价值、质量）已被挖掘数十年，边际收益递减，AI的介入带来了两个方向性的改变：
非线性因子挖掘
传统因子通常是线性变换（如EP=盈利/价格），而AI可以捕捉高阶非线性关系。例如，使用梯度提升树（XGBoost/LightGBM）或深度神经网络，将数百个基础因子交叉组合，自动发现人脑难以构思的交互因子。
高频特征工程
在日内策略中，AI对Tick级数据的特征提取能力远超人工。基于订单簿快照重构"微观价格"（Micro-Price），使用CNN对Limit Order Book的时空特征进行编码，已在多家头部量化私募的生产策略中运行。
需要强调的是，深度学习选股并非"银弹"。据行业回测数据，基于Transformer的选股模型在正常行情下超额收益显著，但在市场风格剧烈切换时，回撤往往大于传统多因子模型。这说明深度学习选股在市场结构性变化面前的适应性仍需提升。
场景2：智能组合优化
AI介入环节：决策构建 | 介入深度：★★★☆☆
组合优化是投资决策的"中枢"——将选股信号转化为实际持仓。这一环的AI介入方式主要包括：
基于AI的动态资产配置
传统资产配置依赖均值-方差模型（Markowitz），但对预期收益率和协方差矩阵高度敏感，参数微小变化即可导致权重剧变（"角解"问题）。AI的引入提供了新的解法：
Black-Litterman + AI观点生成：用机器学习模型生成"观点矩阵"，替代传统的主观观点注入，使BL模型兼具数据驱动与贝叶斯框架的优势 层次风险平价（HRP）+ AI：用聚类算法自动识别资产分组结构，再在组内外分配风险预算，避免逆矩阵不稳定问题 深度强化学习：端到端学习最优配置权重，直接以夏普比率为奖励函数训练
风险预算与收益预测的AI结合
风险预算（Risk Budgeting）是近年流行的组合管理范式，AI的引入使其从"静态分配"进化为"动态适配"：AI模型实时预测各资产/因子的波动率与相关性，动态调整风险预算；结合宏观状态识别模型，在不同市场环境下切换风险预算方案。据行业实践反馈，动态风险预算组合的风险调整后收益较静态方案有明显改善。
两极分化在本环节的体现：组合优化在量化端是AI自动执行（模型直出权重），在主动端只是投委会的参考输入（"AI建议超配新能源，投委会讨论后决定配一半"）——同一个环节，AI的话语权天差地别。
场景3：执行算法与智能交易
AI介入环节：执行落地 | 介入深度：★★★★☆
信号再强、决策再优，执行环节拉胯则一切归零。执行算法是投资链路中"最后一公里"，也是近几年AI渗透加速最快的环节。
AI增强的订单执行算法
传统执行算法（VWAP、TWAP、Implementation Shortfall）基于统计规则，AI正在为其注入"预测"能力：
据行业公开信息，头部券商自研的智能执行算法在实盘中较传统VWAP算法可节省执行成本，对于大额交易量，这意味着可观的成本节约。
固收询报价智能解析：大模型在执行环节的新突破
执行算法不只属于权益量化。固收OTC市场（银行间债券市场）的询报价（RFQ）长期依赖人工解析——交易员需逐条识别不同格式的非结构化询价文本（如"10Y利率债 10e 卖 T+ypm"），效率低且易遗漏。大模型正在改变这一现状。
2026年，中信建投基于"八爪鱼"固收一体化智能平台，自研债券询报价智能解析系统（Chat2Trade），以微调大模型（Qwen2.5-1.5B）为核心，实现固收询报价的全自动解析：
来源：中信建投官网/新浪财经，2026年2月4日；论文《Chat2Trade: Automating Financial RFQ Parsing with Fine-Tuned LLMs》。
这一案例说明：执行算法的AI化正在从权益量化向固收OTC市场延伸，大模型不仅能"理解"报价文本，更能"执行"解析-匹配-记录的全链路闭环。固收交易员的角色随之转变——从逐条核验每一条询报价，转向审核AI解析结果中的低置信度异常项，工作方式从"体力活"变成"脑力活"。
市场冲击预测与最优执行路径
市场冲击（Market Impact）是执行算法的核心变量。AI模型通过学习历史订单流与价格变动的映射关系，可以在下单前预测不同执行路径的冲击成本：
短期冲击预测：基于订单簿深度、近期成交模式，预测未来数分钟内的价格影响 最优路径规划：将冲击预测作为约束条件，求解最小成本执行路径 自适应调整：实时监测执行进度与市场状态，动态调整剩余订单的执行节奏
两极分化在本环节的体现：执行算法在量化权益端已高度AI化（VWAP/IS自动运行），在固收OTC端则刚起步（Chat2Trade类报价解析是第一个规模化入口），在主动投资端几乎不存在（基金经理手动下单仍是主流）——执行环节的AI化程度，精确映射了投资类型的规则化程度。
场景4：大模型赋能主动投资
AI介入环节：全链路辅助 | 介入深度：★★☆☆☆
这是当前最具想象力的场景——大模型不是替代基金经理，而是成为其"认知外挂"。
投资逻辑的AI验证
基金经理形成投资假设后，大模型可进行逻辑链条的系统性验证：
假设拆解：将投资逻辑拆解为可验证的子假设 证据检索：RAG架构下检索研报、财报、新闻、公告中的支持/反对证据 一致性检验：检查子假设之间是否存在矛盾 风险提示：识别逻辑链条中的薄弱环节与尾部风险
持仓分析的自然语言交互
传统持仓分析需要编写SQL查询或使用专业终端，门槛高、效率低。大模型赋能后，基金经理可以用自然语言与持仓数据交互：
"当前组合在新能源板块的暴露是多少？与基准偏离多少？"
"如果锂电池板块下跌20%，组合最大回撤是多少？"
"帮我找出组合中与美联储加息最敏感的5只股票"
多家头部公募基金已上线类似大模型投研助手，将持仓分析响应时间从小时级压缩至秒级（据行业公开报道及基金公司产品发布信息）。
大模型在投研辅助中的效果已可量化
这一判断有具体数据支撑。中信证券2024年1月上线的Bond Copilot在投研辅助场景中，舆情事件多主体识别准确率>90%、情感分析准确率>90%、研报问答准确率>95%，整体运营效率提升>30%（来源：中信证券官网/东方财富网，2024年1月25日）。这组数据说明：大模型在投研辅助中的效果已从定性描述进入量化衡量阶段，为投研团队采纳大模型提供了可量化的决策依据。
从"拍脑袋"到"有据可依"
主动投资长期被诟病"拍脑袋决策"。大模型的介入，使每一个投资判断都可以被追溯、被验证、被质疑。这不仅提升了决策质量，也改变了投研文化——**从"谁说了算"到"数据说了算"**。
两极分化在本环节的体现：大模型赋能主动投资，本质上是在"两极分化"的低分端（主动投资★2）补课——AI不是替代主动投资，而是帮它缩小与量化投资（★4）之间的效率差距。但主动投资的核心价值——"不确定性下的判断力"——仍是AI无法替代的。
三、技术解构
3.1 量化AI技术栈
量化投资的AI技术栈可概括为四层流水线：
因子库 → 模型训练 → 回测验证 → 实盘运行 ↓ ↓ ↓ ↓数据采集 特征工程 绩效归因 实时推理因子挖掘 模型选择 过拟合检测 风控熔断因子筛选 超参优化 样本外检验 订单路由各层关键技术与工具：
3.2 大模型在主动投资中的RAG+Agent架构
大模型在主动投资中的落地架构，核心是RAG（检索增强生成）+ Agent（智能体）的组合：
用户提问（自然语言） ↓ 意图识别 Agent ↓ ┌─────────────┐ │ 研报检索 │ → 研报向量库 │ 财报查询 │ → 结构化数据库 │ 新闻聚合 │ → 实时新闻流 │ 持仓分析 │ → 组合管理系统 └─────────────┘ ↓ 证据整合与推理 ↓ 结构化输出（观点 + 证据 + 置信度）关键设计要点：
数据源分库检索：研报、财报、新闻、持仓分库管理，避免信息串扰 工具调用：Agent可调用SQL查询、因子计算、组合分析等工具，弥补大模型数值能力的不足 置信度标注：每个输出附带置信度评分，低置信度结果强制要求人工复核 审计日志：全链路记录，满足合规与可追溯要求
当前供应商格局中，恒生电子提供量化交易系统与智能投研全栈方案，迅投（XTP）以低延迟交易基础设施见长，万得（Wind）与聚源提供数据底座与因子服务，通联数据专注AI原生投研平台与因子挖掘，蚂蚁集团则与部分券商联合定制大模型能力。
3.3 固收大模型：轻量化微调+推理加速的技术路线
值得注意的是，固收场景的大模型落地走了一条与主动投资RAG+Agent不同的技术路线。
主动投资的大模型侧重**"理解与推理"（研报摘要、逻辑验证、持仓分析），而固收场景的大模型侧重"解析与执行"**（非结构化询报价自动解析、结构化提取）。两者的技术重心不同：
中信建投的Chat2Trade方案代表了固收大模型的技术路径：以轻量化基础模型（1.5B参数）为底座，通过领域微调+推理加速实现单卡部署，在保证准确率的同时兼顾推理效率（效果数据见场景3）。这一路径对算力资源有限的中小券商具有参考价值。
四、落地挑战
4.1 可解释性：投资委员会要求"说得清"的AI决策
投资委员会的决策逻辑是"可理解才能可批准"。当一个AI模型建议"超配某只股票"时，投委会的问题清单通常包括：
模型为什么选它？——特征重要性排名 这个信号历史上稳定吗？——因子IC时序变化 如果市场环境变化呢？——情景分析与压力测试 与人类分析师的判断一致吗？——人机对比实验
投资领域的专属困境：可解释性的需求强度，与AI介入深度成反比——量化投资AI介入最深，但投委会对量化策略的"可解释性容忍度"反而最高（因为量化策略用夏普比率、最大回撤等硬指标说话）；主动投资AI介入最浅，但投委会对大模型建议的"可解释性要求"最严（因为主动投资的核心价值就是"讲清楚为什么买"）。这种错配，使得主动投资AI化的阻力远大于量化。
当前解法：
SHAP/LIME等可解释性工具应用于因子贡献度分析 树模型优先于深度网络，因其天然具备特征重要性 大模型输出"自然语言解释"——将AI决策翻译为可理解的叙述 固收场景的特殊解法：相比权益"选股黑箱"的难以解释，固收询报价解析（Chat2Trade类应用）天然具有可验证性——每一笔解析结果可与原始询价文本对照校验，准确率~96%可量化呈现，这让固收大模型的"可解释性"问题较权益更轻
4.2 过拟合陷阱：回测很美好，实盘很骨感
过拟合是量化AI的"阿喀琉斯之踵"。一个在回测中夏普比率3.0的策略，实盘可能不到1.0。根本原因有三：
数据窥视偏差：反复在同一数据集上调参，等效于"偷看答案" 幸存者偏差：回测使用当前成分股，忽略了已退市股票 未来函数：代码中隐含使用了未来信息（如复权价格、未公告财报）
应对措施清单：
[ ] 样本外严格验证：至少保留2年数据作为纯样本外测试 [ ] Walk-forward分析：滚动训练与验证，模拟实盘场景 [ ] 组合过拟合检测：Deflated Sharpe Ratio、CSCV框架 [ ] 仓位缩水测试：策略容量上限评估，避免策略规模超出容量 [ ] 实盘对照：小额实盘与回测并行运行至少6个月
投资领域的专属洞察：过拟合不仅是技术问题，更是商业模式问题。量化策略的同质化竞争（1.8万亿AUM挤在相似因子上）本质上就是"行业级过拟合"——当所有人都用相似的AI模型在相似的数据上训练，Alpha信号自然衰减。据多家券商金工研报观察，中证500指数增强策略的年化超额收益已从2021年的15%+下降至近年低位（来源：同花顺2025年12月量化策略研报）。这一趋势倒逼量化机构转向"独家数据+差异化基础设施"的竞争维度。
4.3 监管红线：AI投资决策的合规边界在哪里
这是最敏感、也最不确定的挑战。目前监管对AI投资决策的态度可概括为：鼓励探索、审慎落地、底线明确。
2025年4月3日，沪深交易所同步发布《程序化交易管理实施细则》（上证发〔2025〕52号/深证上〔2025〕288号），要求量化私募报告策略类型、交易频率、风控参数等，被业内视为"AI投资监管的前奏"，细则自2025年7月7日起施行，截至本文写作时已施行近10个月，行业整体适应平稳。
投资领域的专属洞察：监管对不同投资类型的AI介入态度存在"梯度差异"——对量化程序化交易（规则性强、可监控）已有明确规范；对AI投顾（面向散户、适当性红线）最为审慎；对自营AI决策（机构内部、外部影响可控）则最宽松，仅要求"投委会审批+AI仅作辅助"。这一梯度意味着：自营AI决策可能是投资领域AI化最先突破合规瓶颈的场景——因为它不直接面向公众客户，监管弹性最大。
五、AI如何改变投资团队的工作方式
投资领域AI化的深层影响，不只是效率提升，更是人的角色重塑。不同投资类型中，AI改变工作方式的逻辑截然不同。
量化团队：从"策略开发者"到"策略监理人"
量化投资中，AI早已深度介入因子挖掘、组合优化、执行算法，但人类并未被替代——角色从"亲手构建策略"转向"审核和监理AI策略"：
一位头部量化私募的基金经理曾对媒体表示："以前我80%的时间在写代码、跑回测，现在80%的时间在审AI的输出——看它有没有'偷看答案'、有没有过拟合。"（据行业公开报道）
主动投资团队：从"信息搬运工"到"认知创造者"
主动投资是AI改变工作方式最戏剧化的领域。大模型承担了大量重复性工作，把研究员和基金经理释放到更高价值的环节：
研究员：传统模式下每天数小时阅读研报、摘录数据，大模型接管后，精力转向"判断AI摘要中哪些信息被忽略""构建AI无法生成的非线性投资逻辑" 基金经理：从"拍脑袋决策"走向"AI第二意见+人类终裁"，决策流程增加了AI审查环节，但最终拍板权仍在人手中 投委会：从"听基金经理讲一个故事"走向"同时看到人类观点和AI的结构化意见"，决策信息密度大幅提升
据中国基金报2024年8月报道，行业内顶尖研究员借助大模型辅助，研究覆盖股票数量从约100只扩展至500只——这不是"一个人干了五个人的活"，而是"一个人做了AI做不到的事——判断、推理和决策"。
一句话总结
投资领域AI化的人本逻辑是：AI接管确定性工作，人类聚焦不确定性判断。 量化团队审AI的策略，主动投资团队审AI的逻辑——角色变了，但人不会消失。
六、趋势判断
趋势1：AI+量化的超额收益窗口在收窄，AI+主动投资的窗口刚刚打开
这是一个"此消彼长"的结构性趋势。量化AI的同质化竞争导致Alpha衰减加速，但大模型在主动投资中的渗透率仍低，增量空间巨大。预计未来3年：AI+量化的竞争重心将从"谁的模型更复杂"转向"谁的数据更独家、谁的基础设施更快"；AI+主动投资将从"信息效率"（研报摘要、数据查询）走向"决策效率"（逻辑验证、组合建议），渗透率将显著提升。
趋势2：大模型将成为投资决策的"第二意见"标配
如同医学领域的"第二意见"（Second Opinion），投资经理形成观点后，大模型自动输出"支持证据、反对证据、遗漏风险"的结构化意见，投委会可同时看到人类观点与AI观点。这一模式无需改变现有决策流程，只需增加一个节点，落地阻力小。
趋势3：AI执行算法将从头部券商向中小券商扩散
当前，智能执行算法主要集中在华泰、中信、国泰海通证券（由国泰君安与海通证券合并）等头部券商。但云化部署（SaaS模式）、监管推动（Best Execution理念落地）、技术降本（开源框架降低门槛）三重力量正在打破这一格局。
趋势4：AI决策端从"建议者"走向"批准者"——当心权力结构拐点
场景4讨论的是大模型如何赋能主动投资；本趋势承接这一讨论，但视角从"主动投资"上升至"全类型投资的决策权力结构变迁"——在同一投资链路内部，AI的介入深度正从"建议"向"批准"攀升，这一纵向维度的变化同样值得警惕。
当前，AI在信号端已基本实现自动化（量化策略全AI生成信号），在执行端也已高度AI化（执行算法、固收报价解析）。唯独在决策端，AI仍停留在"建议者"角色——投委会审批、基金经理拍板。
但这一边界正在松动。在统计套利、期权做市等规则性强的策略中，AI已实现"自动决策+人工异常干预"模式（见深度案例A）。未来值得关注的拐点是：当AI在决策端的接管度从"建议"跨越到"批准"，投资组织的权力结构将发生根本性变化——AI不再是工具，而是决策链条上的"审批节点"。
七、AI成熟度评分卡
| 场景成熟度 | ||
| 技术就绪度 | ||
| 数据基础 | ||
| 组织适配度 | ||
| 监管友好度 |
综合评分：3.2/5 —— 发展阶段，量化侧AI成熟但主动投资侧刚起步，两极分化明显
评分依据
子维度参考：量化 vs 主动分化情况
评分标准：1分=探索阶段仅有PoC；2分=起步阶段有试点落地；3分=发展阶段多个场景生产运行；4分=成熟阶段核心业务流程AI化；5分=领先阶段AI驱动业务创新。与第01篇总览篇评分体系一致。
深度案例
案例A：某头部券商自营AI投资系统（脱敏处理）
背景：该券商自营部门管理规模数百亿元，涵盖权益、固收、衍生品三大方向。2022年启动AI投资系统建设，核心模块已上线运行。（本案例为脱敏处理后的综合案例，与后文简要提及的券商无直接对应关系。）
系统架构：
┌──────────────────────────────────────────────┐│ 投资决策平台 │├──────────┬──────────┬──────────┬─────────────┤│ 信号层 │ 决策层 │ 执行层 │ 风控层 ││ │ │ │ ││ 宏观信号 │ 仓位建议 │ 智能拆单 │ 实时风控 ││ 因子信号 │ 组合优化 │ 执行算法 │ 尾部风险 ││ 情绪信号 │ 风险预算 │ 冲击预测 │ 合规检查 ││ 舆情信号 │ 对冲建议 │ 路由选择 │ 熔断机制 │├──────────┴──────────┴──────────┴─────────────┤│ 数据中台 ││ 行情数据 | 财报数据 | 另类数据 | 研报知识库 │└──────────────────────────────────────────────┘策略类型与AI介入方式：
风控嵌入方式：
前置风控：AI信号生成后，须经风控模块校验（最大持仓、行业集中度、VaR限额）方可进入决策层 实时风控：持仓实时计算各维度风险指标，超限自动触发减仓或对冲指令 熔断机制：单一策略日内亏损超预设阈值，自动暂停该策略；全组合亏损超阈值，系统级熔断 合规检查：每笔交易自动检查关联交易、内幕交易、利益冲突等合规规则
运行效果：案例A运行数据为脱敏内部数据，右侧"行业交叉验证"列引用公开报道与前文案例数据，作为定性描述的行业可信度参照。
分资产类别：AI在固收、权益、衍生品中的典型实践
自营投资涵盖固收、权益、衍生品三大资产类别，AI在三类资产中的介入逻辑与成熟度差异显著。以下案例均来源于公开报道或行业公开信息。
固收：利率预测模型与AI信用筛查
华泰证券：BiGRU+Attention架构的国债收益率预测（2025年）
2025年2月，华泰证券固收量化团队（张继强等）发布研报《构建利率走势的AI预测模型》，披露了其内部构建的利率AI预测框架。该模型以BiGRU-Inception-Attention混合架构为核心，输入过去60日市场环境特征，预测10年期国债收益率未来5日涨跌方向。
来源：新浪财经/报告盒子等多家媒体转载华泰证券债券研究报告，2025年2月10日。
行业共性：AI信用债筛查的普及趋势
在固收信用端，多家头部券商自营和公募固收团队已将AI引入信用债筛查流程：用机器学习模型对企业财务数据、债券条款、舆情事件进行综合评分，自动识别"信用变脸"预警信号，替代人工逐条阅读财报的低效流程。据行业实践反馈，AI信用预警模型的预警响应速度较人工筛查快一个数量级，但对非公开信息（如企业内部实控变化）的感知仍有盲区，需与人工判断结合。
权益：大模型研究覆盖度扩增与AI辅助选股
公募基金：大模型让研究员"一人覆盖500只"（2024年）
2024年，多家头部公募（汇添富、中欧、鹏华、永赢等）将AI大模型深度嵌入权益投研流程。据中国基金报2024年8月报道，行业内顶尖研究员借助大模型辅助，研究覆盖股票数量从约100只扩展至500只，且深度研究质量未明显下降——大模型承担了财报阅读、公告摘要、行业比较等重复性工作，研究员将精力集中于逻辑构建与关键判断。
来源：中国基金报《AI赋能公募各平台业务发展 未来机遇和挑战并存》，2024年8月25日。
券商App AI选股：从Copilot工具到投顾级别（2025年）
2025年以来，银河证券、国金证券、国投证券等已在客户端上线AI选股功能。国金证券于2025年7月正式上线"AI投顾"，从持仓优化、选股选基、解套回本等多个维度为投资者提供智能投资服务（来源：澎湃新闻2025年7月）。不过，当前多数AI选股产品定位于辅助工具而非自主决策系统，AI输出选股逻辑和候选列表，最终决策由投资者本人或基金经理确认。
自营权益的大模型实践
券商自营权益端的AI应用比公募更为低调。已知的公开信息显示，多家头部券商自营权益团队使用大模型进行：
宏观政策解读：实时解析政策文件，识别对各行业的利好/利空信号 财报异常检测：AI自动标记财报中的"会计红旗"（如应收账款急速膨胀、现金流与利润背离等） 情绪因子构建：从社交媒体、新闻资讯中提取市场情绪信号，作为辅助因子
中信证券：Bond Copilot覆盖权益研究全流程（2024年）
2024年1月，中信证券上线行业首个债券类大模型应用Bond Copilot，智慧办公模块覆盖研报摘要、公告解读、市场问答等权益研究辅助场景。该案例说明：头部券商的全品类投研AI平台趋势初现端倪，固收大模型能力正加速向权益研究外溢。（量化效果数据见第四章场景4。）
衍生品：场外询报价自动化与期权做市AI化
银河证券+百度智能云：场外衍生品询价平台（2023年上线，2024年公开数据）
这是目前国内衍生品AI应用最具代表性的公开案例。
背景：场外衍生品业务询报价流程高度依赖人工——交易员每天面对大量格式不一的客户询价，手工查询、判断、回复效率低下，且难以沉淀为可复用的数据资产。
解决方案：银河证券与百度智能云联合打造"金融智能场外交易发现平台"，以大模型为核心实现：
非结构化询价理解：自动解析不同格式的客户询价文本，识别产品类型、标的、期限、方向等关键字段 对话式交易模式：通过自然语言交互完成询报价全流程，替代传统系统界面操作 全流程自动化：从产品理解→需求匹配→报价生成→确认记录，覆盖完整交易链路
来源：新浪财经《大模型落地场外衍生品交易场景，撮合成功率增长3倍》，2024年8月1日；百度云官网案例。
场内期权做市的AI化
场内期权做市（如ETF期权、股指期权做市商）是AI介入更深的衍生品场景。做市商需实时维护数百个合约的双边报价，对延迟和准确性要求极高。AI在这一场景中的典型应用包括：
波动率曲面实时校准：AI模型根据标的价格变动、成交量分布、宏观事件等，实时更新隐含波动率曲面（IV Surface），替代传统人工校准 动态对冲指令生成：实时计算Delta/Gamma/Vega等Greeks，当风险敞口超限时自动生成对冲交易指令 异常报价检测：AI监控做市商自身报价与市场价格的偏离程度，防止因行情突变导致"毒报价"损失
据行业公开信息，头部券商期权做市系统的AI化已相当成熟，部分系统实现7×24小时无人值守运行，报价响应达到毫秒级（据行业公开报道），显著优于人工操作。
三大资产类别AI成熟度对比
衍生品AI成熟度整体高于固收和权益，原因在于：场外衍生品询价和期权做市的规则性强、结构化程度高，AI更容易找到可量化的优化空间；而固收和权益的"判断成分"更重，对AI的可解释性要求更高。
简要提及
华泰量化：华泰证券是业内AI+量化投入最大的券商之一，其MATIC机构交易平台提供极速行情、极速交易、算法交易、量化平台、合规风控在内的一篮子量化服务，自研执行算法已在经纪与自营双向运行，量化经纪业务市占率居行业前列。差异化亮点：量化经纪+自营执行"双轮驱动"，基础设施能力行业领先。 国泰海通证券（由国泰君安与海通证券合并）自营：国泰海通自营部门近年持续构建AI投资框架，覆盖宏观研判、行业轮动、个股选择三层信号体系，并搭建了完整的投研知识图谱，支持自然语言查询。差异化亮点：投研知识图谱+自然语言查询，"AI+投研"融合最深入。 中信证券：中信证券投资管理部在AI辅助信用评估与固收配置方面有较深积累，其信用风险预警模型曾成功预判多起信用事件，避免自营持仓损失；旗下Bond Copilot更是行业首个固收大模型应用（详见权益子节）。差异化亮点：固收AI生态最完整（信用预警+固收配置+Bond Copilot）。
下篇预告：「AI重塑证券业」之四：AI让财富管理更懂客户——客户旅程的智能化重构
本文为「AI重塑证券业」系列第03篇，旨在提供行业观察与趋势分析，不构成任何投资建议。文中案例及数据均基于公开信息与行业调研，具体实践可能因机构而异。
数据来源与事实核查说明：
本文引用数据来源包括：（1）财联社、证券时报等行业媒体报道；（2）行业会议与论坛中券商科技负责人公开分享的实践数据；（3）金融科技供应商公开案例及产品信息；（4）行业研究机构报告；（5）沪深交易所公开政策文件。本文已对核心事实陈述进行来源核查，对于无法找到公开出处的重要数据，已改为定性描述，不呈现具体数字以避免误导读者。
