桥水基金的实验

桥水基金旗下的 AIA Labs 与 Thinking Machines Lab 最近联合发表了一篇论文，题为《Learning to Replicate Expert Judgment in Financial Tasks》。他们基于开放权重模型 Qwen3‑235B，使用来自自身投资流程的高质量专家标注数据进行微调，在六类真实的金融判断任务中取得了 84.7% 的平均准确率 —— 比最强的前沿模型减少约 30% 的错误率，且成本大幅降低。

表面上看，这似乎验证了“垂直化 AI”的论点：以强大的开源基础模型为底座，注入几十年累积的专有专家判断，从而打造出在特定领域显著优于通用闭源模型的专业系统。许多机构正在考虑类似路径 —— 使用开源模型进行后训练以保护知识产权，同时仅在最困难的问题上调用昂贵的前沿模型。

我们认为，结论可能下的过早。

内部基准与历史数据的局限

这些令人印象深刻的结果，伴随着重要的前提。评估任务来自桥水自身流程，由其专家标注。训练与测试分布高度相关，自然会偏向专用模型。在缺乏公开、标准化或跨机构的基准测试时，很难判断其优势究竟是“真实差异化”，还是“对内部模式的过拟合”。

更根本地，金融市场是零和且自适应的博弈。高质量的历史专家数据确实能提供强大的启动优势 —— 它编码了通用模型所缺乏的在投资领域极度稀缺的因果洞察与风险框架。但其长期价值有限。市场是由所有参与者的集体行为塑造的动态系统。一旦更优的模型被广泛采用，它们会改变自身试图预测的环境。Alpha 被竞争掉，拥挤交易增加，历史模式变得不再可靠。

如果投资流程能够通过持续的实时反馈（新的盈亏、市场结构变化、交易反应）自我改进，那么静态历史数据更多只是“入场券”。真正的持续优势来自反馈循环的速度与质量。在这样的世界里，越多参与者采用类似模型，市场就越高效，任何单一机构 —— 即便是桥水 —— 都更难维持长期的超额优势。

系统化 vs 主观：不同的护城河

这种动态对系统化策略的对冲基金尤为明显。在纯系统化方法中，策略师设计规则与算法，挖掘信号，但一旦部署，流程便高度自动化。绩效越来越取决于“谁的模型更好”。拥有数十年干净数据、精炼专家标签与庞大实时反馈循环的领先者（桥水、文艺复兴 类型公司、顶级多策略平台）拥有显著的领先优势。缺乏初始数据护城河的中小型系统化基金面临挑战。

主观策略则不同。投资决策仍主要由人驱动。只要 AI 尚未达到 AGI 水平（在所有领域全面优于顶级人类投资者），人类智能的护城河就依然存在。顶级主观经理将投资视为艺术与经验判断，而非纯科学 —— 他们综合叙事、处理独特的地缘政治或公司情境，并做出高置信度的仓位决策，并较长期持有，忽略波动的影响。这些仍是当前模型难以完全复制的。AI 在此更像强大的副驾驶，而非替代者。

中小型系统化基金的生存路径

这是否意味着中小型系统性策略基金注定失败？未必，但门槛显著提高。现实可行的路径包括：

• 极端细分化 —— 亚洲本地宏观、区域性资产量化信号、新兴市场异常事件等全球巨头缺乏历史数据或本地知识的领域。
• 激进的另类数据      + 合成数据引导      —— 构建本地专有数据集，并用蒸馏/合成数据弥补历史数据深度不足。
• 人机混合系统 —— 用 AI 提升规模与速度，同时由人类负责识别市场结构变化、执行覆盖、以及元策略决策。
• 平台化模式 —— 加入共享基础设施、数据与风险系统的多经理平台。
• 执行与适应优势 —— 在速度、实现能力或对新市场结构变化的快速反应上竞争，而非单纯资产价格预测能力。

即便如此，行业整合仍可能加速。缺乏明确且可防御差异化的纯系统化策略，将难以在模型竞争中长期存活。这给FOF管理人和基金筛选提供了指引。

大多数企业的现实约束

撇开理论上的争论，大多数机构面临的是工程与运营现实。构建并维护一个在开源与闭源模型间智能路由的系统、管理碎片化的人机对话和语义历史、持续评估多模型堆栈，都需要强大的 AI 工程能力。对许多组织而言，混合架构的总体拥有成本甚至高于节省的模型费用。

更务实的做法往往是： 使用折扣后的上一代前沿模型处理核心流程，将最新版本用于高价值研究 —— 减少碎片化，同时保持强劲性能。

我们应如何看待这一切？

桥水的实验展示了顶级专有数据与流程的力量。但它并未打破更广泛的闭源飞轮。前沿实验室仍然受益于规模、真实世界的多样化使用场景与快速迭代。使用闭源模型的中小机构不可避免地为这一飞轮贡献数据和IP。即便是像桥水这样的领先者，也会在前沿能力不断提升的压力下被迫采用混合策略。

对于像 珠峰资产这样为亚洲高净值与家族办公室构建 AI 增强型另类投资解决方案的平台而言，战略含义非常明确： 不要试图在纯系统化领域正面与全球巨头比拼模型能力。相反：

• 利用最强的通用智能（前沿模型）。
• 在本地专有数据、房地产+多策略混合框架、亚洲多策略基金、跨境结构设计与客户特定智能上构建持久优势。
• 围绕实时投资结果与亚洲特定信号设计自我改进的反馈循环。
• 保持强大的人工判断层，尤其在主观与混合策略中。

在强大 AI 的时代，可持续的 Alpha 将更少来自“拥有最好的基础模型”，而更多来自“在持续适应的系统中，将模型、公司自有的数据与人类洞察进行卓越整合”。

前沿实验室可能赢得通用智能之战。资产管理行业的赢家将是那些能将这种智能与难以复制的领域优势结合得最好的机构。

市场在自适应，技术在加速，未来几年将检验我们对数据护城河、模型优势与 Alpha 本质的所有假设。