鹏华基金基本面投资学堂：AI融入量化选股 从因子到组合

发布时间：2026-08-20 一、AI总结内容 一、核心要点 1. 量化投资是系统化工程，选股仅为环节，核心是研究逻辑、验证体系与投资纪律，计算机是工具载体 2. 量化与主观投资的区别在于，人的判断前置转化为可验证、可执行的统一规则，而非完全替代人的判断3. 因子阶段性失效的原因包括策略拥挤、市场环境变化（宏观、投资者结构、交易制度等），需持续监控有效性4. 三类AI工具在量化投研中的定位：传统机器学习解决明确预测任务，大语言模型负责理解生成，AI agent可串联工具完成全流程5. AI agent适合量化投研的原因：高度数字化代码化、有明确量化反馈、存在大量标准化重复环节6. 量化投研中，AI agent可承担资料检索、数据处理、代码实现、批量实验等标准化工作，提高效率 二、音频原文（转写） 各位投资者、观众朋友们，大家下午好。欢迎大家观看鹏华基金基本面投资大学堂的直播分享。我是今天的主持人曹洋洋，来自鹏华基金电子商务部。鹏华基本面投资大学堂本着投资道理和基本规律的归本溯源，让客户深入理解鹏华基本面投资框架。 今天我们特别邀请到鹏华指数与量化投资部的基金经理石运超和 国金证券金融工程组首席分析师高志威 开启基本面投资大学堂第八期的第十四场。今天我们的直播主题是AI如何融入量化选股。从因子研究到投资组合 我们先请石总和高总给投资者打个招呼吧。各位观众朋友们，大家好，我是石云超。 嗯。各位投资者，大家下午好，我是高志威。感谢两位老师，那我们先从最基础的问题开始。很多投资者对量化的第一个印象呢，可能就是用计算机自动选股。 我们先请高总。从研究的角度来讲一讲这个理解是否有遗漏呢？量化选股到底是在做什么呢？好的。 这个理解其实很常见。但量化投资本身是一套比较完善的系统化工程。选股只是其中一个环节。很多量化研究会从一些投资逻辑或者市场中长期存在的统计规律出发呢。 去寻找规律。比较经典的，比如估值。引力质量、动量、反转等等。我们会把这些相对模糊的投资认知 转化可以成量化，可以检验的因子。 或者信号。那随着机器学习的发展的话。现在也可以利用这些模型，从大量数据里面去提取一些。更加复杂的关系。 但不管是传统因子。还是积极学习。那后面都需要经过比较严格的历史检验。要判断这个逻辑是不是稳定。 在什么环境下有效？又可能在什么环境下失效？再往后才能把多个有效信号组合起来。最后形成真正可以投资的股票组合。 并且在实盘过程中，持续做风险管理和监控。所以计算机更多还是。工具和载体。真正重要的是背后的研究逻辑。 验证体系和投资纪律 感谢高总，高总更多讲的是研究框架。那么也想请教一下石总，从买方基金经理的角度来看。量化选股和传统的主观选股最大的区别是什么呢？嗯，好的，主持人。 我觉得量化和主观投资啊。并不是简单的人和机器的区别啊。量化投资里面啊，其实同样有大量的人的判断，只不过我觉得。人的判断更多的是前置到了研究框架里面。 比如我们研究什么数据？预测目标怎么定义，什么样的结果我才算有效？这些其实都需要研究员和基金经理去判断。区别在于呢。 量化会希望把这些判断进一步转化成一套可以明确描述的重复验证。而且能够一致执行的规则。举个简单的例子啊。同样面对几千只股票，主观投资可能更多的依赖于基金经理啊，对于具体公司的理解和判断。 量化会希望用一套相对统一的数据和模型体系。对这些股票进行统一的评价。一个研究逻辑到底好不好，也不会只看某一段时间，而是希望放到一个比较长的历史里面，不同市场环境里面去反复的检验。所以如果让我概括啊，我觉得量化比较重，嗯，重要的几个特点吧。 就是。系统化、可验证以及执行的一致性。他不是把人的判断拿掉，而是把人的判断放到更更加适合发挥的环节上面。就是。 感谢石总，刚刚呢也是提到量化更看重的是长期统计意义上的规律。而不是要求模型在每一次、每个阶段都有效。那么在实际的研究里，为什么同一个因子在不同市场环境下？表现会有明显的差异，甚至会出现阶段性的失效呢？ 这个请高总给我们解答一下。好的，主持人。那一个比较典型的原因呢，是策略拥挤。啊，当一个有效因子逐渐被越来越多的资金使用以后的话。 市场可能会提前交易这些信息。因此，收益空间就会被压缩。另外，市场本身也是不断变化的，宏观环境、产业结构。投资者结构、交易制度，包括市场风险偏好。 那发生变化以后的话。一个因子，过去所依赖的市场环境也可能发生变化。所以，量化因子不是找到以后就可以永久使用。它需要持续监控有效性和适用环境。 主持人了解，那么也想请教一下石总。哦，那当我真实的投资里面，你们是怎么理解这种因子的阶段性变化的 ？嗯，好的，我觉得啊这种嗯这里面真正的困难地方啊，其实并不是知道因子会失效。而是判断现在到底发生了什么。 因为一个长期有效的因子，也不可能每个月啊每个季度都有效，它本身就是会经历正常的波动和回撤。所以当一个因子表现不好的时候啊。我们首先需要判断的。它只是统计上的一个正常的波动，还是当前市场玩家对这一类信号都不太有利。 然后再严重一点，是不是他背后的逻辑本身已经发生了变化？拥挤当然是其中一个原因。但不是唯一的原因，市场的结构啊、风格啊、资金行为发生变化，都有可能影响INS的阶段表现。所以实际投资里面啊，很少会是最近表现不好，那就马上不用这这种简单的描述啊。 更重要的是要去理解他为什么表现不好。以及这种。变化究竟是什么阶段性的？啊，嗯，然后还是一个更长期、更结构性的因素导致的。 我觉得啊，这一块其实非常依赖于长期的研究。的一个积累和经验。好的，感谢石总。那么接下来呢，我们会进入今天AI的主题。 嗯，现在大家经常会同时听到传统机器学习。大语言模型和AI agent。高总，这三者放到量化的投资里边，分别是在解决什么样的问题呢？好的，主持人。 那可以把它们理解成不同层面的工具。那传统的机器学习呢，更多呢是在完成一个定义比较明确的一个预测任务啊，比如输入股票的这个财务行情，去预测未来一段时间的一个相对收益。那大语言模型特点呢，是通用的语言理解。知识组成和生成能力 它可以帮我们阅读文献。 整理信息也可以生成代码。那agent呢，是在大模型基础上再加入任务、规划、记忆和工具的调用。它不只是回答一个问题。而是能够围绕一个目标呢去拆解任务。 搜索资料调用数据库。编写和运行代码分析结果。然后再根据结果呢，决定下一步做什么。啊，所以简单理解，传统模型主要是解决具体的预测问题。 大模型更加偏理解和生成。而agent希望把这些能力和外部工具串起来。啊，完成一整个的一个这个工作流程。那我接着问一个问题啊，请教一下高总，为什么量化投研会被认为是一个比较适合 agent落地的场景呢？ 好的。那一个原因呢，是量化研究本身呢，是高度数字化和代码化的。那从这个数据的获取，因此计算到模型训练。回测分析。 本来就是在计算机环境里完成的。啊，所以agent比较容易调用这些工具。那第二个因素呢，是 量化研究有比较明确的量化反馈。啊，一个研究做完以后的话，我们可以看到IC收益回撤稳定性等一系列结果，当然。 这些数字的话，只是提供反馈，并不意味着回测表现好就可以简单判断研究一定正确。那第三个的话，就是量化里面有很多相对标准化。重复度比较高的环节啊，比如说数据处理。啊，批量实验和这个结果整理。 那这些本身也是agent比较容易提高效率的地方。好的。感谢高总。那这里呢，也想请教一下石总，如果从真实的量化投研来看，现在什么事情你是比较愿意交给agent？ 那什么事情暂时你还不会完全交给他呢？嗯，好的，主持人。嗯，我现在会比较明确的区分两类事情。越接近实践层的，我越愿意让agent去参与。 越接近研究判断和投资决策的我，越希望仍保持主导。比如说一个资料检索啊，数据处理啊，代码实现啊，批量跑实验啊。包括检查一些一些基础的结果。这些很多都是相对标准化的工作啊，agent目前已经能够比较明显的提高效率了。 尤其是代码实现这一块，我觉得变化会比较明显。过去一个研究想法，从生产到真正的把实验跑起来。中间可能要投入很多的时间。现在AI agent可以明显的缩短这个过程。 但是越往后啊，情况就不太一样了。比如说啊，这个问题本身值不值得研究，标签怎么定义，一个结果到底是有效信息还是过拟合，为什么一个模型啊在某一段时间内表现的特别好，以及最后它有没有资格啊进入真正的实盘组合。这些事情啊，目前我还是认为需要研究员和基金经理来判断的。所以啊，我更愿意把AI agent理解成。 它可以明显的放大人的研究能力。但是呢，还不能把研究判断本身给代替掉，就是。好的，感谢石总的解答。那我们前面呢？ 两位专家呢，也是跟我们聊的是agent本身。接下来呢，我们想沿着真实研究的流程再往下看。从研究前端、终端到后端。agent到底能够改变哪些环节呢？ 高总，能不能结合你们现在的一些研究实践，给我们投资者讲一讲？好的，主持人，那如果按照一个比较完整的量化研究流程来看的话，我觉得agent在前中后啊，其实都可以有一定的这个空间。那研究的前端的话，主要是从找信息到形成研究假设，比如 检索和整理文献 研报公告啊，理解新的这样一些数据源和研究字段。书里已有的研究。 啊，或者围绕某一个市场现象形成初步的研究方向。那在这个研究终端的话，是现在变化比较明显的地方啊。比如说像这个因子构造，包括代码的实现啊，数据处理。包括批量实验和这个模型的比较和错误排查。 那在这个研究后端的话，包括像结果汇总、归因分析。啊，研究报告整理，啊，知识库沉淀，以及对已经运行的模型呢进行一个持续跟踪。啊，所以说agent呢其实 啊，比较值得关注的一点，它不只是一个单独完成某一个任务。而是为了有可能把过去比较割裂的研究环节。 进一步的连接起来。是的。高总，能不能请您结合一些更具体的方向来给我们投资者讲讲？比如说大家现在比较关注的这个自动化因子挖掘。 好的，没问题。呃，自动化因子挖掘本身并不是大模型时代才出现的。过去已经有遗传规划啊、符号回归等方法，其实这些方法的话都是让计算机在给定的数据和运算空间里面。自动去搜索大量的候选因子。 但他的问题是，就是很多结果呢，其实是缺乏啊比较明确的这个研究逻辑的。而且的话，候选因子数量大了以后的话，也很容易出现过拟合的问题。那到了大模型和agent的时代的话，一个变化是那可以在纯数学搜索以外的话，加入更多的这个知识和研究逻辑。啊，比如agent可以先阅读相应的这个研究。 理解已有因子的这个构造方法。然后提出这个新的假设。那然后完成代码的这个实现，包括回测和结果分析。再根据反馈呢，去持续的这个调整。 那我们自己在研究中的话，也在尝试把大模型的这个知识能力和量化的这个量化检验体系呢结合起来。从预测能力、稳定性、多样性和这个金融逻辑等不同维度呢去筛选。自动生成的因子。那另外一个方向呢，是让agent去学习和整理行业研究中的一些投资逻辑。 把大量的这个分散的信息呢。结构化以后的话，再跟个股和产业的信息结合。那这些方向目前都是很强的这个。有具有很强的研究价值。 但坦率的说，从这个研究展示到长期稳定，真正可投资啊，中间还需要有一些这个工作呢，是需要完成的。主持人。明白。那么高总刚才更多呢，讲的是目前已经在探索的一些具体的应用。 那么石总。从买方的角度来看呢，未来是不是需要搭建另一套所谓的。A I量化体系，还是说agent最终还是会应该进入原来的量化研究体系呢？嗯，好的，主持人。 就是这方面的话，我更倾向于后者吧。因为一家成熟的量化机构啊，本身已经有自己的一个数据体系啊、因子和模型的体系、回测框架、评价标准，以及后面的组合管理的方法等一系列的过程。A I镜子呢比较合理的位置啊，我觉得还是融入这套已有的体系里面。以前有很多事情啊，研究人员自己做，比如说处理数据啊，写代码啊，跑实验。 以后啊，其中一部分可以由agent协助。以前不同的研究环节之间啊，可能需要研究员自己来回切换。未来AI进它也可以把这些流程啊。连接的更加的顺畅。 但是啊，有一点我觉得不会变化。研究是谁做的可以变化，但是