源于一次银行理财子业务的交流碰撞

银行理财子发行的银行理财产品，跟公募基金有很大差异，在净值化改革的今天，下一步公募的相关经验值得借鉴。

一、先回答一个问题

理财子公司超过31家，管理规模30万亿。但投研方式还在靠人工调研和历史排名。

这个体量，效率跟不上了。

更麻烦的是，净值以周频为主，底层资产不透明，固收类收益非正态——97%时间涨、3%时间突然跌。夏普比率在这种分布下失真。公募基金那套量化方法，套不过来。

客群也不一样。银行理财产品的用户多是中小企业经营者，注重现金流增利，资金是生意钱，7天到3个月持有期，零亏损预期。

推品不能只看收益。得先问：这个人能持多久，到期能不能不亏。

这三个问题——规模上来了、数据不好用、用户很特殊——加在一起，指向同一个方向：需要一套新的工具和方法。

所以核心问题只有一个——

AI能帮理财子解决什么？

不是做一个数字员工替代人的角色，是把流程拆开，哪些适合AI干，哪些还得人上。

二、为什么是现在——2026年行业的三个信号

2.1 纯债收益撑不住了，"固收+"全面上位

低利率环境下，票息不够了。理财子集体从纯债转向"固收+"和多资产。

数字：2026年一季度末，理财子持有公募基金1.95万亿，历史新高。名称含"指数"的理财产品近200只。

打新成为增厚收益的通道——宁银理财年内打新69次，首日平均涨幅262%。工银理财以基石身份参与17个港股项目，累计涨幅超90%。

组合从"纯债"走向"固收+"——权益敞口进来了，非线性风险也来了。这是AI入场的前提之一。

2.2 止盈产品批量出现，净值化走向成熟

2026年前5个月，触发止盈条款提前清盘的理财产品超120只，去年只有58只。

"业绩积累期+止盈观察期"，达标自动止盈、落袋为安。

这是成熟的标志：管理人敢设止盈线，也敢执行。

2.3 但收益乱象也在同步出现

硬币的另一面。

部分机构用小规模新发产品"收益打榜"——先做高收益率吸引流量，规模进来后收益跳水。2026年2月，两家股份行理财子被罚。

操作手法很典型：极小规模投一两只高波动标的，数据在排行榜上极其亮眼。流量进来、规模做大后，分散配置到常规资产，收益自然回落。

投资者看到的是"买之前很高，买之后不行了"。

净值化的"形"完成了，但投研能力和合规意识没跟上。

2.4 两份监管文件，同时指向AI落地的窗口

第一份：《银行保险机构资产管理产品信息披露管理办法》（2025年12月发，2026年9月施行）

让理财产品"看得清、理得清、算得清"。要求业绩比较基准保持连贯，严禁频繁下调。

直接影响：不能靠下调基准来"贴合"实际收益了。行业转向"指数锚"基准——跟底层标的直接挂钩。

对AI的意义：底层资产透明度会逐步提升。方向利好。

第二份：《理财公司监管评级暂行办法》（2026年3月落地）

总分100分，"资产管理能力"和"风险管理能力"各25%，管理规模被剔除。

政策意图很清楚：终结规模内卷，倒逼投研能力建设。

对AI的意义：覆盖范围有限、监控频率不足——AI恰好是解决这两个问题的工具。

两份文件，一个给数据松绑，一个倒逼能力建设。合在一起，窗口开了。

三、理财子投研——不是另一种公募基金

3.1 核心差异，不在策略，在数据

公募基金选资产。理财子——选产品。

不能直接配利率债，只能选哪家理财子的纯债产品。中间需要一层"资产信号→产品映射"的转换。

3.2 非线性 + 尾部依赖

固收资产占80%以上。一个纯债产品，97%时间稳定上涨，3%时间突然跌一下。夏普比率在这种分布下严重失真——它假设收益是正态分布，但固收产品的尾部比正态分布肥得多。

但比"非线性"更要命的，是尾部依赖。

市场平稳时产品表现独立，分位数排名有意义。但一旦出现信用事件或流动性危机，多个产品可能同时下跌——因为它们持的可能是同一批城投债。平时看起来不相关的产品，在危机中高度相关。

分位数排名在平时有用，危机时所有排名同时失效。 这不是分位数本身的问题——这是所有历史统计方法的通病。黑天鹅来了，历史数据不给你预警。

3.3 用户画像特殊

银行存款用户为主，小微经营者为主，生意钱，持有期短，零亏损预期。推品不能只看收益——得先看风险匹配。产品本身就是解决方案。

四、AI的边界——划清楚再开工

AI是分析助理，不是投资决策者。

这不是谦虚，是负责任。

原因有三：数据不够透明、尾部风险无法建模、最终责任还是人来扛。

但边界不是绝对的。"不该干"和"适合干"之间，存在大量概率化建议的中间态——"根据类似市场周期，未来3个月胜率65%"，介于结论和评分之间，实践中价值最高。

五、三层AI投研推品系统

聊完我快速的迁移了公募的一些思路，每一层回答同一个问题：AI怎么用，边界在哪。

整体架构

产品净值/标签 → 第一层：产品评价（分位数打分+星级）                           ↓    宏观/市场数据 → 第二层：资产评价（战略+战术双层）                           ↓    用户画像/持仓 → 第三层：推品风控（持有期约束+底线监控）

第一层：产品评价

净值周频/月频，样本少。收益非线性，传统指标失效。

解法：分位数排序法。

同类产品横向比较，不依赖复杂模型。

不跨类比较。不用假设收益分布。周频数据也能排名。结果是大白话——"这个产品在同类中排前20%"。

但有三个前提，必须正视

前提一：输入质量决定排名质量。 不同理财子估值方法可能不一致、净值更新时点不同、历史数据有断裂、份额净值和累计净值混用——输入有问题，排名反而放大误差。十个产品里三个数据异常，会扭曲整个分布。这不是分位数方法的问题——任何统计方法，在垃圾数据上都会给出垃圾结论。现在自己做尝试最大的问题就在数据。

上线前提：先做一轮数据质量审计。净值缺失率检查、频率一致性检查、异常值检测。数据不过关的产品暂且不纳入评价。

前提二：分位数不能解决尾部风险。 这是方法论本身的边界。平时有用，危机时产品同时下跌，排名失效。要解决"系统性风险怎么办"——需要独立的宏观压力测试模块。分位数管"日常比较"，压力测试管"极端情况"。

前提三：同类标签不是现成的。 理财产品分类不是官方标准。平台分类不一，有些按期限分、有些按底层资产分。更麻烦的是风格漂移——标"纯债"的产品可能悄悄加了权益仓位。产品标签不是一个"拿来就用"的字段。

同类可能是更难的，不同的产品募集期状态也不一样。理财产品的期限还都比较短。分类太窄，可能没有几只产品。分类太宽，没有产品可比性。大类从资产类型上还是现金管理存固收和固收加，但里面需要更细分，细分开放类型，细分资产结构，还要对于募集期产品做一些沿用同系列的低置性处理。

负面清单——先过滤，再打分

所有产品进评价之前，先过AI扫描：

效果：投研人员从盯几百个产品，变成看AI过滤后的几十个异常。

第二层：资产评价

既要纪律（不变），又要灵活（应变）。这是矛盾。于是我想到了TRIZ，它给我提供了好多有意思的解法，这里说下跟公募大类资产研究比较相近的：

解法：战略+战术双层。

战略层（半年调一次）: 宏观周期 → 基准权重        ↓战术层（每周评估）: 资产评分 → 战术偏离        ↓最终配置 = 基准 × (1 + 偏离)

战略层用多指标投票判断宏观周期（衰退/复苏/扩张/紧缩）。关键设计是确认机制——连续N个月数据支持才切换。不抢拐点，只确认趋势。

战术层每天更新资产评分。方向受战略层约束——比如衰退期，A股最多偏离5%。

市场状态——拆成因子级判断

不要求AI下统一结论。摊开证据链：

示例： 估值70（便宜，看多），趋势30（向下，看空），宏观80（宽松，看多），资金40（净流出，偏空），情绪55（中性）。AI输出——"综合55分，信号矛盾，估值看多但趋势看空。历史上类似信号组合下，市场1个月内企稳的概率60%，建议关注趋势能否企稳。"

这个输出，投研人员是能用的——信息都在上面了，判断自己下。

各资产评分卡

利率债评分卡： 10Y收益率历史分位(15%)、期限利差(10%)、MA方向(15%)、通胀趋势(15%)、DR007利差(15%)。AI做的事：自动计算+大模型提取央行态度。

信用债评分卡： 信用利差历史分位(25%)、利差趋势(15%)、社融同比(15%)、企业盈利(15%)、违约率(10%)。同利率债的区别：多了基本面风险维度。

A股评分卡： ERP历史分位(25%)、ROE趋势(15%)、北向资金(10%)、换手率(10%)、库存周期(10%)。核心指标不是市盈率，是ERP——股权风险溢价。

黄金评分卡： 央行购金趋势(20%)、实际利率(25%)、ETF持仓(15%)、价格MA方向(10%)。黄金跟其他资产都不一样——它的定价不是由"收益率"驱动的，是央行购金+实际利率双轮驱动。

不追求统一模型。每类资产用最合适的指标，可独立调权重，全部可追溯。

第三层：推品风控

前两层输出"该配多少利率债、多少A股"。但用户不能直接买利率债。

需要翻译成——推哪几款理财产品。

解法：两层决策 + 三大约束。

持有期约束→产品白名单 → 大类性价比比较 → 固收+结构细化

持有期决定产品类型（硬约束）。 C1只能配现金。C3可配低波固收+。C5可配高波。

胜率门槛（软约束）。 AI基于历史滚动窗口模拟正收益概率。保守型只推胜率>98%的产品，稳健型>90%。

先看品类，再看持有期胜率，双重匹配用户期限选择。

用户底线监控——推出去不是结束

三道防线：

🟡 回撤达历史极端50% → AI推送持有建议🟠 接近用户底线 → 主动触达调仓建议🔴 突破底线 → 建议立即转出

AI实时监控所有持仓回撤+计算继续持有胜率。人确认预警准确性，红色预警人工介入。

关系总结：第一层解决"产品好不好"，第二层解决"现在该配什么"，第三层解决"用户能不能买、买了安不安全"。三层独立可迭代。

整个系统不需要训练任何一个模型。 所有逻辑都是规则引擎+分位数比较+历史模拟。这不是技术上的顾虑——这是有意为之。模型越复杂，越难解释，越难追溯。在受监管的金融业务中，"能解释清楚"比"可能更准"重要得多。

六、场景推演——三个时刻

光说架构太抽象。系统不是代码，是人在面对变化时的反应。 用三个场景走一遍。

场景一：央行降息

某周五，央行超预期降息10bp。

15分钟内，AI自动识别，读取政策通稿判定"宽松"。利率债估值因子从60跳到75。战术层偏离系数从1.0调至1.05。持有期>90天的用户，候选池里长久期产品优先级提高。

人收到一条通知——"央行降息，利率方向转正，建议关注长久期产品。"

什么没发生： AI没有自动调仓。快速响应，结果推给人。

场景二：产品净值异常下跌

市场平静期。某晚AI扫描到一个异常——某纯债产品单日跌0.8%，历史日波动<0.1%。

同类产品同期平均-0.05%，大幅背离。触发🟡黄色预警。

AI输出："可能原因：持有债券出现信用事件或流动性问题。"

投研次日上班看报告，人工确认，降级为观察。

但有一个盲区： 如果下跌的不是一个产品，是同时多个产品异常（都持了同一批城投债），单产品监测会漏掉系统性信号。这就不是"哪只产品出问题了"，是"这个品类可能都出了问题"。

AI在单产品级别能做预警。但要做系统性风险判断，不是靠监测一个产品净值，是靠组合层面的相关性监测——检查不同产品间净值的相关性变化。平时不相关的产品突然同步下跌，说明底层资产集中度过高——这比单个产品出问题的信号更危险。

这套逻辑不在第一层。它是第四层——组合风险管理——的事。

场景三：用户持有期到期

电商卖家，持有期60天到期。

AI检查纯债评分75分——仍然看多。自动推送建议："当前市场仍然友好，建议继续持有。"

用户可选：续投 / 转其他产品 / 默认赎回。

规则清晰，风险可控。AI不需要人介入。

七、AI能力的边界——说真的

上面说了很多AI能做的事。但更重要的问题是——AI到底哪里会翻车？

AI不太擅长的

拐点判断。 趋势因子天然滞后。利率突然转向那天，AI一定比人慢。这是方法论局限——所有基于历史数据的模型，在结构变化面前都是滞后的。

尾部风险。 分位数排名在危机时完全失效。解决了"日常怎么比"——但没解决"系统性风险怎么办"。后者需要独立的宏观压力测试，这不是AI算法能替代的。

异常事件解读。 某城投非标违约，AI可以输出"可能影响信用利差、建议关注同区域城投债"。但"这是不是系统性风险的开始"——判断还得人来。

AI比较擅长的

Routine盯盘。 每天拉数据、算评分、发信号——不会累。投研人员每天省2小时数据采集。

覆盖面。 人最多盯30-50只产品。AI可以盯全市场。

纪律性。 没有情绪。不追涨杀跌。

可追溯。 每个决策都能给出证据链——一条推送可以追溯到"哪个因子在什么时间给了什么信号"。风控审计里的刚性需求。

分工

八、最后，回到开头的行业背景

低利率环境下纯债收益撑不住了。"固收+"成为共识。但有权益敞口就有非线性风险——原有的评价方法不够用了。

止盈产品批量出现说明净值化在走向成熟。但"收益打榜"被罚也从反面说明投研能力没跟上。

两份监管文件——一个给数据松绑，一个倒逼能力建设。窗口开了。

AI能做的，不是在黑箱里创造光明。是在有限的信息下，帮投研人员把覆盖范围从几十个变成几百个，把监控节奏从周度变成日度，把判断依据从"觉得"变成"有数据支持"。

注意我说的——"有数据支持"，不是"由数据决定"。AI给出的是依据，不是答案。最后拍板的还是人。

这才是这套框架的底层设计哲学：不是追求最聪明的模型，是追求最可用的工作流。

替代不了两件事：商务上的数据获取，和人的最终判断。

前者靠沟通，后者靠经验。AI都帮不了。

做到前者。不神话AI，也不低估它。

以上这套框架不一定做成系统——它呈现的是一种思考方式：把一个行业的问题、数据和约束条件摆出来，在现有框架下画出第一条AI可以走的路。不一定对。但方向值得讨论。

毕竟这个行业正在变的，不只是规模，是底层逻辑——从"卖产品"到"管配置"。

净值化之前，理财产品的逻辑是"你有多少钱，我给你一个预期收益"。净值化之后，逻辑变成了"你有多少钱、愿意持多久、能接受多大波动，我给你匹配相应的产品配置"。

这个转变的核心不是AI。是"从卖方思维到买方思维"。AI只是帮买方思维落地的工具之一。

如果你也有想法，欢迎跟我交流。