非银金融行业研究深度报告：投研范式的革新-当大模型遇到大资管

— —当 大 模 型 遇 到 大 资 管 行业研究·深度报告 非银金融·证券 投资评级：优于大市（维持） 证券分析师：孔祥021-60375452kongxiang@guosen.com.cnS0980523060004 联系人：王京灵0755-22941150wangjingling@guosen.com.cn 证券分析师：王德坤021-61761035wangdekun@guosen.com.cnS0980524070008 核心观点摘要 ØAI技术日新月异，逐步发力应用端，其中资产管理和财富管理将成为AI赋能的“超级场景”。尤其资产管理领域天然生成海量数据，同时去中心化的投研模式有利于AI赋能相关场景。未来AI将全面赋能大资管，不仅提升了业务效率，未来有望为客户提供了更加精准与个性化的服务体验，包括营销获客与转化、客户运营及陪伴、产品组合与推介、投研及投资、风险管理、交易以及后台系统支持等方面。 Ø随着被动产品体系完善，资管工业化模式持续推进。配置决定收益，研究决定配置。对资管机构而言，研究能力决定了配置能力，配置能力决定了投资能力，而投资能力决定了投资收益。但过去我国资管机构通过发力“爆款产品”，强化个人能力对投研的赋能，导致中间缺少了“工业化”洗礼，整体缺乏专业化、工业化、系统化的投研能力体系，尤其是投研核心生产工具是“Wind+计算机+office+手机”的简单组合。随着我国近两年被动指数产品大量创设后，后续资管产品逐步工具化，需要系统构建组合工具产品，最终形成满足客户需求的个性化、集约化和智能化解决方案。 ØAI赋能投研，将形成“AI+HI”有机结合的投研模式。过去AI（Artificial intelligence）常常是做信息整合，基于规则和模型将各种来源的信息整合到一个统一平台中，以便后续的分析和处理。但以Deep Seek、ChatGPT为代表的人工智能技术爆发后，未来AI将更多地进行分析整合，随着技术迭代，AI将能一定程度上模拟人类的思考，在信息整合的基础上理解和推理，为决策判断提供依据。而HI（Human intelligence）在此基础上充分利用AI工作，提升工作和决策效率，甚至推动投研范式的革新。 •风险提示：资本市场景气度下滑的风险，AI落地不及预期的风险，政策风险等。 开始之前：什么场景是AI赋能的“好场景” Ø2014年，IBM开设人工智能新总部IBM Watson，并开展以AI赋能医疗保健行业的探索。IBM Watson内存库保存了海量罕见疾病的知识，疾病诊断也不会像人类医生一样存在认知偏差。IBM Watson的出现，使得AI似乎有可能减少诊断错误、优化治疗，甚至缓解医生短缺。但是，IBM的机器学习方式和医生工作方式之间的不匹配，使IBM Watson发展陷入困境，其AI赋能医疗的探索鲜有成功案例。 数据不共享与追求权威使得AI切入手术医疗场景存在难度 Ø其一，AI对人类医生的软件专业知识编码较为棘手。患者的电子健康记录中，大部分数据可以被AI消化，但部分非结构信息，比如医生记录和出院小结等内容，一般是通过谈话、速记和主管陈述等不规范文本记录，部分表达比较微妙，甚至可能存有歧义，AI难以具备人类医生的理解力和洞察力。 对比：资产管理与财富领域是AI更好的赋能场景 Ø首先，资管领域数据量丰富且在获取时很少有壁垒。以资管领域核心业务--投研业务为例，公开数据、调研数据、上市公司财报数据均可使用。在训练AI大模型时，充分的数据能够提供足够的训练语料。同时，AI在处理大数据、非标准另类数据方面，拥有人类无法比拟的能力，由AI大数据提供投资线索，再由HI（Human Intelligence）基于线索和逻辑推演所形成的AI+HI双重加持的结论更加可靠。Ø另外，资管行业具备清晰的绩效导向，成效量化体现较为客观，而不是迷信人类权威。在实践中，AI使用可以作为控制变量，如AI加持后绩效确有改善，则AI的推广应用便有望加大力度。伴随AI大模型推理能力增强、成本降低，资管领域有望结合AI改变经营范式。 目录 大资管新趋势01 大模型新突破02 进化终局：AI+HI的协同03 投资建议04 “资产荒”形成：经济增长中枢下移，基础资产收益率下降 Ø促改革、调结构，但经济增长中枢再下台阶是必然趋势。2014年我国积极加速推动高质量发展转型，加快构建“双循环”发展格局，预计未来经济中枢仍将保持在较好水平。但全球新经济发展格局下，我国经济增速中枢已难以回到城投地产投资主导时代的高水平。 Ø随着经济增速下台阶，我国基础资产的收益率持续下行。近年来十年期国债收益率中枢下移，居民主要配置的金融资产（存款和理财产品）收益率也跟随下行。预计随着经济增长中枢的进一步下移，无风险收益率将继续下降。 非标转标是投融资双方共同转型目标 Ø投资方角度，出于监管政策和市场环境变化，银行理财、信托资产、保险资产等传统的非标资产配置大户，近年来非标配置占比持续下降。其中，银行理财配置非标占比已降至约5%、信托资产配置证券市场产品比例提升至约40%、保险资管配置非标占比（这里将除银行存款、债券、股票和基金以外的投资资产统一视为非标）降至35%以下。 Ø融资方角度，非标融资方式监管持续强化，融资规模受到压制。但是，融资方仍需要资金来源用于生产经营，以及改善报表和盘活存量资产。因此，转向标准化市场进行融资成为必然选择。 资产证券化是非标转标的主要形式 Ø以REITs为例，通过“公募+ABS”的结构，成功地匹配投融资双方的需求。根据证监会的定义，我国公募REITs具有四大特点：一是80%以上基金资产投资于ABS，并且持有ABS的全部份额，即公募基金通过ABS持有底层项目公司全部股权；二是基金通过ABS和底层项目公司等SPV取得项目完全所有权或经营权利；三是基金管理人主动运营管理基础设施项目，以获取项目租金、收费等稳定现金流为主要目的；四是封闭式运作，收益分配比例不低于合并后基金年度可供分配金额的90%。 多资产、多策略是资管行业发展趋势 Ø伴随居民寻找收益和控制风险的需求增长，多资产、多策略将主导资管行业未来发展趋势。一是资管规模增长，银行理财、公募基金、保险、信托等产品面对客群有重叠也有差异，不同产品能够满足不同投资者的偏好和需求。二是金融产品丰富，QDII、可转债、ABS、黄金、商品、衍生品、绝对收益、REITs等产品大幅丰富了投资市场，为资管行业构建多资产投资范式打下基础。Ø截至2024年底，银行理财、公募基金、保险资管、信托、私募基金、私募资管等主要资管机构合计管理规模已经超过150万亿元，规模连年保持增长。 产业架构变迁映射到资本市场改革和资管发展趋势 Ø从上市公司总市值的角度观察，可以发现，制造、科技行业总市值占比提升最为明显，消费行业市值占比保持稳定，金融地产占比下降较明显。其中，制造+科技+医疗健康上市公司市值占比，2006年尚不足30%，2024年底已接近50%。 Ø以高端制造和科技类公司为代表的硬科技企业是我国探索经济转型的重要方向，在地产增长乏力、基建投入产出比逐步下降、传统增长动能不足的背景下，发展硬科技企业有望为我国找出下一阶段经济扩张的动力。 产业结构调整延伸金融业综合服务体系 Ø硬科技企业的培育过程中不仅需要简单的贷款服务，更需要综合金融服务。由于硬科技企业多诞生于新兴领域，最开始往往是天使基金头字段项目，其后VC、PE、银行贷款、上市融资等方式相继加入，共同促进新兴企业的成长，并分享成果。 资管转型：固收+红利打底仓，高成长权益+另类资产做增厚 挖掘不同时期具有显著优异的风险收益的各类“抢手”资产： •2014年：股票质押回购•2015年：杠杆优先级•2019-20年：转债、打新 收益增厚的各类策略： •权益多头策略•期权策略•权益中性策略•FOF/MOM•国债期货策略•商品CTA策略 基础的固定收益资产： •各类标准化债券•固定收益资管产品•各类非标准化资产•券商收益凭证 指数化投资行动方案出台，被动产品扩容持续 Ø《方案》聚焦丰富指数基金产品体系、加快优化指数化投资发展生态和加强监管防范风险。《方案》针对我国ETF市场发展不均衡、风险管理工具缺少、ETF资金流动波动性较大、部分指数编制质量还需提高等重点问题给出了具体措施。 机构持有被动产品占比稳步提升 Ø指数化投资当前的发展动向契合本次《方案》中指数化高质量发展目标。被动股基角度，机构持有净值占比从2020年的44%升至2024H1的59%，2023年及2024H1上升最为明显，主要因为中央汇金及保险资金投资被动股基显著增长。被动债基角度，2022年，因同业存单指数基金大量发行，个人投资者持有被动债基占比在当年大幅提升。2022年以来，由于利率下行、股市波动等影响，保险资金、银行理财和商业银行资金加大债券ETF投资，机构持有被动债基的净值占比从2022年的78%升至2024H1的86%。总结来看，机构投资者持有被动基金的净值占比提升，机构投资者的需求变化对被动基金发展的影响也更加深刻。但同时，个人投资者持有被动基金的净值仍然保持增长，只是增速未及机构投资者。 AI赋能指数化投资，契合行动方案要义 Ø结合《促进资本市场指数化投资高质量发展行动方案》，AI赋能指数化投资高质量发展具备良好前景。一是在指数设计和基金产品开发阶段，AI在解决指数加权方式、编制新型指数等领域具备充分潜力；二是在指数基金管理运作阶段，AI可在组合优化、跟踪误差控制、压缩交易成本等方面发挥良好作用；三是在客户服务层面，AI赋能智能投顾有望显著提升投资者服务水平，四是在风险管理领域，AI可通过监测市场脆弱性指标预警尾部风险。 AI赋能指数化投资，从理论到实践 Ø境外来看，部分公司已发行AI驱动投资的股票ETF，代表产品Amplify AI驱动股票ETF（代码AIEQ.P）。产品运作方式为：运用AI将企业公告文件、季度财报、新闻以及社群文章，将受益于当前经济环境、投资风向、全球和公司层面事件的投资标的筛选出来，并从中挑选出股价最有上升潜力的股票。从实际表现来看，产品业绩并不突出，可能是策略训练还需迭代改进。 Ø国内来看，某头部基金公司已发行AI量化基金，其以中证500指数为基准，利用AI和海量数据，通过模型化的方法，寻找市场中被低估或错误定价的标的，从而获得超额收益。同时通过AI算法，让模型能够根据市场环境和自身表现不断地进行学习和进化，从而提高模型对于市场变化和异常情况的适应能力。自发行以来，该基金相对基准指数的超额收益较为显著。 目录 大资管新趋势01 大模型新突破02 进化终局：AI+HI的协同03 投资建议04 DeepSeek推理能力与世界领先的大模型不分伯仲 ØDeepSeek-V3发布时，在推理速度上相较历史模型有了大幅提升。在目前大模型主流榜单中，DeepSeek-V3在开源模型中位列榜首，与世界上先进的闭源模型不分伯仲。此后发布的DeepSeek-R1深度思考模型，推理能力进一步提升。 DeepSeek成本低于性能相当的其他大模型 Ø根据SemiAnalysis估计，DeepSeek可以访问大约10,000个H800和大约10,000个H100，总服务器资本支出为大约为16亿美元、集群运营成本约9.44亿美元。 Ø成本表现方面，DeepSeek-V3的每百万tokens的成本已在性能同级别大模型之中处于低位。 DeepSeek是当前高于特定MMLU的成本最低的大模型 ØMMLU是指多任务语言理解基准（Massive Multitask Language Understanding），用于评估模型综合能力，分数越高性能越强（42分通常对应中小规模模型的基线水平）。 Ø伴随时间推移，算力增强和算法快速进步，AI成本下降较快。DeepSeek V3的每百万tokens的成本（价格中位数计算，MMLU高于特定分数）当前已经是大模型中最低，仅