————以技术能力重塑投研体系，以人机协同提升投资决策与风险管理水平
2026年10月29日，第九届CFA协会中国投资峰会在北京举行。本届峰会以“驭势与变革”为主题，围绕全球与中国宏观经济、资产管理与投资策略、人工智能、量化投资、跨境金融及科技投资等议题展开交流，探讨全球经济与金融市场变化背景下，投资行业的结构性转型与长期发展机遇。
世方天华战略投研团队创始人叶世惟参加本届峰会，并围绕AI时代的人才与组织变革、量化投资策略及技术应用等相关议题分享看法。结合大会讨论方向，叶世惟关注到，人工智能正在推动投资行业从传统的信息处理与经验判断模式，向数据驱动、人机协同和系统化决策模式演进。对于投资机构而言，如何将技术能力转化为实际业务价值，并建立与之相适应的人才体系、投资流程和风险管理机制，正在成为行业发展的重要课题。
一、AI时代的人才变革：从单一专业能力走向复合型能力
1. 人工智能正在重新定义投资人才的价值
随着人工智能在信息检索、财务分析、行业研究和数据处理等环节的应用不断深化，投资从业者的工作方式正在发生变化。过去需要投入大量时间完成的信息整理、资料比对与基础分析，可以通过智能工具提高效率；与此同时，对信息真实性的判断、复杂问题的分析、投资逻辑的构建以及风险责任的承担，仍然需要专业人员发挥关键作用。
叶世惟认为，AI时代的人才竞争，不应仅仅理解为技术工具使用能力的竞争，更重要的是能否将金融知识、产业认知、数据分析与独立判断结合起来。技术能够扩大信息处理能力，但投资决策仍需要建立在严谨的逻辑、充分的证据和明确的风险约束之上。
未来，具备跨领域理解能力、能够理解技术原理并将其转化为投资判断的人才，将更有可能在科技与金融深度融合的环境中形成差异化优势。
2. 从部门分工走向跨专业协同
AI对投资行业的影响，不仅体现在个人工作效率的提升，也体现在组织运行方式的变化。
传统投研工作通常涉及产业研究、金融分析、数据处理、策略开发和风险控制等不同环节。当AI逐步融入这些工作流程后，机构需要进一步加强研究、技术、投资与风控之间的协同，使数据、模型和投资判断形成更紧密的联系。
在这一过程中，技术团队不仅承担工具开发与系统维护职责，还需要理解实际投资场景；研究人员不仅要提出产业和市场判断，也需要理解数据质量、模型适用范围及其局限；风险管理人员则需要在投资流程中持续评估模型风险和组合风险。
叶世惟关注的一个重要方向，是将人工智能能力与组织管理机制相结合，推动投资研究从相互分离的工作环节走向更加系统化的协作模式。技术的价值不应停留在单点效率提升，而应进一步体现为研究质量、决策效率和风险管理能力的整体改善。
3. 组织变革的核心是建立可持续的学习与治理机制
人工智能技术持续迭代，投资机构的人才培养也需要从一次性培训转向持续学习。机构既要提升员工的数据素养与AI应用能力，也要保留独立思考、批判性分析和专业判断的培养空间。
特别是在投资领域，AI生成的分析结果并不天然等于正确结论。组织需要建立结果复核、模型验证、权限管理和责任划分机制，确保技术应用始终服务于明确的投资目标。
因此，AI时代的组织变革并不是简单地增加技术岗位或减少人工环节，而是重新设计工作流程、协作关系与决策机制，让技术能力、专业人才和治理体系形成合力。
二、量化投资新范式：从数据分析走向系统化投资实践
1. 量化投资的核心是建立可检验的投资逻辑
在量化投资领域，人工智能为数据分析、策略研发和交易执行提供了新的技术条件。但量化投资的本质并未改变：将投资假设转化为明确规则，通过历史数据、统计检验和实际交易结果评估其有效性，并根据市场变化持续调整。
一套完整的量化投资体系，需要覆盖数据采集与处理、信号生成、策略构建、组合配置、交易执行和风险监测等环节。
以股票投资为例，模型可以根据估值、盈利质量、价格趋势和市场波动等指标识别潜在机会，再结合资产之间的相关性、风险预算和交易成本确定仓位。最终的投资结果，不仅取决于信号是否有效，也取决于组合配置是否合理、交易执行是否高效，以及风险管理是否贯穿整个过程。
叶世惟关注的量化投资方向，强调技术、策略与投资实践之间的协同。模型的意义不仅在于发现交易信号，更在于将研究判断转化为可执行、可复核、可持续评估的投资流程。
2. AI模型应用需要兼顾预测能力与实际投资价值
机器学习等技术能够处理大量数据，并辅助识别传统方法难以发现的复杂关系。但模型预测准确率提高，并不必然意味着投资收益同步提高。
如果模型存在过拟合，或者使用了实际交易时无法获得的信息，其历史回测表现可能无法在真实市场中重现。即使预测信号具有一定有效性，交易手续费、市场冲击、流动性变化和执行延迟，也可能削弱策略的实际表现。
因此，量化策略的评价需要从单一模型指标转向综合评估：既检验模型在样本外的稳定性，也分析扣除交易成本后的表现，并考察其对投资组合整体风险收益特征的实际影响。
在AI技术加速发展的背景下，真正值得关注的不是模型是否足够复杂，而是模型能否在真实投资环境中形成经过验证的有效能力。
3. 从单一策略走向多策略与组合管理
市场环境具有复杂性，不同量化策略往往适用于不同的行情和风险条件。趋势跟踪可以关注价格变化的延续性，多因子策略可以利用不同资产特征进行筛选，统计套利则尝试捕捉特定的相对定价偏差。
不同策略各有适用范围，也可能在特定时期同时面临压力。因此，投资机构不能仅凭某项策略的历史收益决定资金配置，还需要研究策略之间的相关性、风险暴露及其在极端行情下的表现。
通过合理的组合构建、风险预算和动态调整，机构可以尝试降低对单一策略的依赖，改善投资组合的风险分布。但多策略配置并不意味着能够消除亏损，组合的有效性仍需要经过严格验证。
三、智能风控：让风险管理贯穿投资全过程
1. 风控不应只是交易结束后的检查
在系统化投资过程中，风险管理需要贯穿研究、建模、组合构建、交易执行和结果评估等环节。
在策略研发阶段，需要检查数据质量、模型假设和回测方法；在组合构建阶段，需要控制集中度、杠杆和风险敞口；在交易阶段，需要监测流动性、成交偏差和异常交易；在运行阶段，则需要持续观察模型表现是否偏离预期，并根据预设规则采取相应措施。
AI可以辅助识别异常模式、汇总风险信号和开展情景分析，但关键风险决策仍应具有清晰的规则、权限和责任机制。
2. 以多层次风险约束提升体系稳定性
有效的风险管理并不依赖单一止损规则，而是需要多层次机制相互配合，包括单笔交易限制、策略级风险预算、组合层面的敞口控制，以及针对流动性和极端市场变化的压力测试。
与此同时，模型风险也应受到重视。当数据分布发生变化、策略表现持续偏离预期或交易系统出现异常时，机构需要具备重新评估、降低风险乃至暂停策略的能力。
量化投资的目标不是保证每笔交易盈利，而是在明确风险边界的前提下，争取实现与投资目标相匹配的长期风险收益表现。
四、立足科技战略投资，推动技术能力与产业价值相结合
作为聚焦科技战略投资研究的专业团队，世方天华战略投研团队关注人工智能、高端芯片、数字基础设施、新能源及数字金融等领域，重视前沿技术能力、产业趋势研判、投资判断和风险管理之间的联系。
此次参加第九届CFA协会中国投资峰会，为团队进一步观察AI技术与投资管理行业的融合提供了交流契机。围绕AI时代的人才与组织变革、量化投资和风险管理，团队将持续关注技术能力如何转化为可验证的业务价值，以及相关技术在真实产业和投资场景中的应用条件。
从行业发展趋势看，AI与量化投资的深度融合，不仅意味着工具升级，也意味着投资流程、人才结构和组织治理方式的系统性变化。未来，投资机构的竞争力将越来越取决于能否有效整合数据、模型、专业判断和风险约束，在技术创新与审慎决策之间建立稳定的平衡。
对世方天华战略投研团队而言，持续提升技术应用能力、强化系统化投资研究、重视风险管理与长期价值，将是参与科技与金融深度融合、研判产业发展机遇的重要方向。
（免责声明：此文内容为本网站刊发或转载企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。）