全球金融行业AI进展跟踪：AI的落地进展、量化测算与审慎边界-260728（11页）.pdf

核心结论速览： 55%的全球资管机构已将AI整合进投资流程：Mercer 2026年2月对131家全球资产管理人的调研显示，AI采用已具相当广度，仅18%尚未整合。91%的受访机构计划在未来12个月内加大AI使用。 73%的机构将AI定位为运营型应用，仅5%用于决策：AI在机构内部主要扮演“副驾”角色（68%），提供洞察与分析，而用于实盘决策的比例极低，反映行业对AI的审慎态度。 69%的机构确认运营效率提升，仅8%确认投资收益改善：效率类收益具有普遍可验证性，而收益类改善的证据基础明显薄弱。投资收益改善与风险波动降低各仅被8%的机构提及。 交易执行手工流程自动化率可达70%-80%：BCG测算，交易员端标准执行流程将可自主运行，投资运营成本下降约40%；而投资端最审慎的表述是夏普比率或可提升5%-20%。 初级分析师50%-65%的产能将被重新配置：传统上由初级分析师承担的数据搜集与初稿建模将让位于管理层交流与差异化洞察产出，研究团队的培养路径需要重新设计。 竞争优势正从“产出分析”向“运用分析”迁移：当基础分析能力商品化，判断力、差异化数据与组合构建能力成为主要壁垒。机构将通过逆AI驱动的共识而动来创造超额收益。 前沿模型在金融任务上表现显著分化：港大AI Evaluation Lab测试显示，Qwen3.5 Plus区间收益率约+9.85%领先，而Gemini 3.1 Pro Preview出现超15%回撤，模型选择与调优策略的影响远超模型参数规模本身。一、研究背景与全景图谱。1.1 研究背景：从“是否使用”到“如何使用”。2026年以来，AI在金融行业投资研究中的应用已越过“是否使用”的讨论阶段，进入“如何有效使用”的深度探索期。光大证券研究所梳理了海外金融机构、咨询公司、监管部门与资管机构在投资研究中的AI赋能实际运用，以及可量化的效率与收益空间。本报告关注点在于“AI作为投研工具”，即人工智能如何改变研究与投资的工作流程，涵盖采用现状、价值链重塑、工程实践标准与审慎边界四个维度。1.2 采用现状的三层结构。Mercer于2026年2月对全球131家资产管理人开展的调研揭示了AI采用的三层结构：整合广度：55%的机构表示AI已整合进至少一条策略的投资流程，27%处于试点或概念验证阶段，仅18%尚未整合。91%的受访机构计划在未来12个月内加大AI使用。功能定位：73%的受访机构将AI描述为运营型应用（自动化与效率），68%描述为“副驾”型（提供洞察与分析），而表示AI用于决策的仅占5%。已整合用例：最常见的三类用例为想法生成与研究、非结构化及外部数据集处理、信号生成与市场趋势分析；而报告AI已嵌入组合构建或交易执行的机构明显更少。（数据来源：光大证券研究所、Mercer《2026 AI in Asset Management Survey》）。二、价值链的重新分配。2.1 岗位时间再配置。BCG在2026年全球资管报告中提出运营模式的变化最终体现为人员时间结构的重新分配：交易员端：70%-80%的标准执行流程（含预检查、订单管理、成交监控）将可自主运行。分销端：35%-50%的产能将由服务性事务转向委托设计与高价值对话。组合经理：可将从分析中节省的5%-10%时间重新投向更高阶决策。分析师岗位（最值得关注） ：传统上由初级分析师承担的产能中，将有50%-65%被重新配置——数据搜集与初稿建模让位于管理层交流与差异化洞察产出。对于研究机构而言，核心影响不在于人员数量，而在于培养路径——若基础工序不再作为新人训练场景，专业判断力的养成机制需要重新设计。2.2 竞争优势的三点迁移。基于上述测算，BCG提出三项竞争格局判断：判断力上移一层：优势不再源自“产出分析”，而源自“决定如何运用分析”。在部分情形下，机构将通过逆AI驱动的共识而动来创造超额收益。分销与客户关系成为主战场：技术带来规模，但关系、公信力与受托信心决定价值归属。大规模定制打开新的商业模式：定制化成本下降后，过去仅面向最大委托的能力可推广至更广客群。BCG给出三条落地原则：停止边际优化；聚焦少数能带来明确损益影响的转型项目；自上而下设定目标、自下而上重构流程。报告特别强调，应在建设期即将治理嵌入运营架构，确保可审计性、模型可追溯与明确问责。三、工程实践：Fiduciary-Grade AI框架。3.1 高风险专业工作的落地标准。Anthropic于2026年7月8日发布的汤森路透案例提供了高风险专业工作中AI落地的工程实现参考。该案例的应用场景为法律、税务与会计，与卖方研究在属性上高度同构：均属高风险、需引证、需署名背书的专业工作。汤森路透将其方法论概括为Fiduciary-Grade AI，即AI须扎根于权威内容、由深度领域专业知识塑造、并直接嵌入专业工作流，使输出在高风险场合可透明、可验证、可辩护。3.2 四条模型准入标准。该案例提出的四项模型准入要求，可直接作为研究报告生产流程的验收标准：模型须自校引证：系统不能在检索到来源后即行输出，而必须在提交人工复核之前先行验证其所引用的内容。须在长链条工具调用中保持稳定：较长的任务对上下文管理与工具使用可靠性提出更高要求，模型需在多步骤、多系统之间维持任务线索。须将人纳入产出过程而非仅纳入结果：对于最复杂的任务，目标是让专业人士参与工作成果的形成过程，而非依赖Agent一次性给出答案。须释放此前不具备带宽处理的工作：例如复杂文书起草——此类任务因所需上下文与精度过高，此前的模型无法胜任。3.3 Agent作为产品交付方式。该案例的另一项洞察在于，Agent并非更智能的对话工具，而是既有产品的新交付方式。其法律产品由原先的技能串行执行，重构为实时跨工具与内容源进行规划、分派与编排，用户只需定义预期结果而无需规定每一步骤。在投入产出评估上，该案例持审慎观点：过度针对收益率进行优化容易只见树木不见森林，应先完成认知与文化层面的转变。但其追踪的工程效率指标仍具参考价值——一项基于大模型构建的内部故障修复工具，将生产事故处理时间由三小时的根因分析压缩至四分钟修复。四、审慎视角：现有模型的局限。4.1 监管机构的实测结论。西班牙国家证券市场委员会（CNMV）第96号工作论文对四款主流大模型及三种提示策略进行了选股能力测试。结论显示，模型生成的推荐受制于反复出现的推理失败，具体包括金融常识性误解、结转误差以及对过期或幻觉信息的依赖。在获得适当引导与监督的条件下，模型确实展现出跑赢市场的能力，但要实现其全部潜力需要大量人工监督。该论文另有一项可直接用于工程设计的发现：将选股推荐锚定于官方监管申报文件，能够提高预测准确度。4.2 学术实证的规范水平。深圳大学一项覆盖77篇研究的审计型证据图谱显示，在满足“具备可执行动作且完成闭环评估”这一最低门槛的19篇实证研究中，实证规范的披露情况普遍薄弱。仅2篇披露了可提取的时间一致性数据划分，1篇指定了交易成本模型，1篇记录了样本空间与幸存者偏差处理方式，无一篇达到最高可复现级别。4.3 前沿模型的金融任务实测表现。香港大学AI Evaluation Lab近期发布的Agent Benchmark测试将11款主流大模型置于模拟交易环境中，覆盖约41个交易日：NAV轨迹显著分化：Qwen3.5 Plus以区间收益率约+9.85%领先，Kimi K2.5紧随其后；而Gemini 3.1 Pro Preview与Deepseek-V3.2出现超过15%的回撤。风险调整后收益分化加剧：最大回撤幅度从Qwen系列的12%到Gemini系列的近50%不等，部分模型有效杠杆暴露超过20倍，暗示仓位管理与止损机制存在明显缺陷。提示工程影响极为显著：在Naive prompt下，多数模型准确率徘徊于50%-60%；经Expert prompt优化后，平均准确率提升约30个百分点，部分模型突破85%。成本维度对比：自训练/开源模型在零API成本条件下可达到约84.6%的平均准确率，性价比优于多数商业前沿模型。4.4 核心判断。综合上述四组实测数据，核心判断如下：1. 模型间性能差异远超市场共识所隐含的大模型同质化印象，选型本身即是一项需要专业判断的工作。2. 提示工程、风控约束、成本结构三者的组合优化空间巨大，且高度依赖具体业务场景的领域知识。3. 模拟盘环境下的领先表现不能直接外推至实盘，但其所揭示的风险模式（高杠杆暴露、回撤失控）具有真实的警示意义。4. AI在投研中的价值目前主要体现为产能与速度的提升，而非可验证的超额收益。五、对国内投资机构的启示。5.1 效率红利与能力商品化并存。想法生成、非结构化材料处理与信号分析三项恰为“已整合”占比最高的用例，亦为研究人员的日常工作内容。这意味着效率红利兑现较快，但相应的能力壁垒消失亦快。当基础分析能力商品化后，胜出者是判断力更强、数据更具差异化、组合构建与风控能力更优的机构。5.2 培养路径需要重新设计。初级分析师传统产能中50%-65%面临重新配置，对研究机构而言，核心问题并非人员规模，而在于若数据搜集与初稿建模不再承担新人训练职能，专业判断力的养成机制应如何重建。这一问题的紧迫性可能高于工具部署本身。5.3 治理应于建设期嵌入。可审计性、模型可追溯与明确问责三项应与数据管道同步设计。在规模化状态下回溯补装控制机制，难度显著高于建设初期即行嵌入。托管Agent的完整审计日志是可参照的具体实现形态。5.4 主要瓶颈在数据侧。众多管理人将数据约束列为进一步应用的重大障碍，该比例高于其他任何障碍项。据此判断，Agent的能力上限在相当程度上由其可接入的数据决定，数据管道可靠性的投入回报可能高于模型侧调优。六、延伸阅读。以上为报告核心趋势分析，如需获取完整报告详细数据及全部案例，请访问下载页下载完整PDF报告。七、FAQ。问：全球资管机构AI采用的现状如何？答：Mercer调研显示，55%的机构已将AI整合进投资流程，27%处于试点阶段，仅18%尚未整合。91%计划未来12个月加大使用。但73%将AI定位为运营型应用，仅5%用于决策。问：AI在投研中最常见的应用场景是什么？答：已整合最常见的三类用例为想法生成与研究、非结构化数据集处理、信号生成与趋势分析。组合构建与交易执行的嵌入程度显著更低，反映行业对AI在投资决策环节的审慎态度。问：AI对研究岗位的影响有多大？答：BCG测算显示，初级分析师50%-65%的产能将被重新配置——数据搜集与初稿建模让位于管理层交流与差异化洞察产出。核心问题不是裁员，而是专业判断力的养成机制需要重新设计。问：现有大模型在金融任务上的表现如何？答：港大测试显示模型表现显著分化——Qwen3.5 Plus区间收益+9.85%，而Gemini 3.1 Pro Preview回撤超15%。提示工程可提升准确率约30个百分点。自训练模型在零API成本下可达84.6%准确率。问：AI能否在投资中创造超额收益？答：Mercer调研显示仅8%的机构确认投资收益改善；CNMV测试表明模型需大量人工监督才能发挥潜力；港大模拟显示模型风险控制能力参差不齐。目前AI在投研中的价值主要体现为效率与产能提升，而非可验证的超额收益。八、数据来源说明。本报告数据来源于：光大证券《AI的落地进展、量化测算与审慎边界——全球金融行业AI进展跟踪》研究报告、Mercer《2026 AI in Asset Management Survey》、BCG《Global Asset Management Report 2026》、Anthropic汤森路透案例、西班牙CNMV第96号工作论文、深圳大学审计型证据图谱、香港大学AI Evaluation Lab Agent Benchmark等。