从“信息杠杆”到“智能杠杆”的演变：人工智能对市场影响几何

机构竞争优势的重构 5机构优势来源发生变化 5智能杠杆的规模效应 6智能杠杆的行为效应 6AI应用的演进：从量化交易到智能交易 6量化交易的三个阶段 7规则量化阶段：人工设定，机器执行 7机器学习阶段：数据驱动，模型自主 7生成式AI与智能体阶段：理解信息，辅助决策 7AI促进量化交易的主要环节 8智能交易的“风险管理悖论” 8异质性预期下：量化交易丰富市场生态、降低部分波动 8同质性预期下：量化交易形成算法共振 9AI在资产定价中的应用 9AI如何改变资产定价？ 9信息提取加速：小、微盘股，或者非标资产的价格博弈可能更为激烈 10预期修正：公开信息解读的超额收益将快速衰减“护城河”转移至四大新方向 10交易执行：突发事件时价格波动可能更为剧烈 当前实际应用水平如何？ AI的风险管理：微观增效与宏观风险共存 12微观增效：AI对单一机构风险管理效率的提高 13宏观风险：AI或产生的系统性风险 13风险提示 15人工智能技术演进及商业化应用不及预期 15量化交易相关规模和行为数据披露不足 16模型黑箱、数据偏差及结论可解释性风险 16金融监管政策超预期变化 16历史案例和理论机制可能无法完全解释未来市场运行特征 17图1：CitadelAI投研协同与数据流闭环示意 5图2：Sigma利用GMM模型构筑的策略回报 5图3：算法趋同的三层传导机制 14表1：量化交易三个阶段的特点 7表2：当前AI在资产定价链条中的实际应用水平——使用广、定价浅、自治低 12机构竞争优势的重构机构的竞争优势正在向以算力与算法为核心的“智能杠杆”alpha获取方式。机构优势来源发生变化回顾传统资产管理与券商自营的竞争历程，机构的核心护城河建立在对物理资源与人力规模的垄断之上。这种范式依靠庞大的分析师团队以人员优势为人海战术，实现横向覆盖“人海战术”的边际效机构优势的护城河正逐步转向“数据治理”与“算力模型”的硬科技底层（（SigmaPoint72）在传统基本面财报披露前数周，即可基本完成业绩定价。图1：CitadelAI投研协同与数据流环示意 图2：Sigma利用GMM模型筑的策略回报Citadel，Reuters 整理 SigmaAI“金融+AI”AI嵌入投资闭环的深度Citadel等头部对冲基金的自动化交易体系为AI（Executiongos）动生成对冲信号并完成拆单执行，将“智能杠杆”的微观预期差捕捉能力转化为稳健的alpha收益。智能杠杆的规模效应人工智能在投研与交易领域的应用展现出显著的“高固定投入、极低边际复制成本”的Capex构“机构规模大—AI投入增加—模型迭代与表现提升—资金与私有数据加速集中”alpha取能力持续向头部集聚。这种规模效应最终可能导致机构竞争能力K型分化。AISaaS工具的中小机构可能会成为策略同质化与KK术普及未能消除差距，反而进一步加剧资管行业的马太效应。智能杠杆的行为效应智能杠杆的引入显著重塑了机构在市场中的微观行为特征，首先表现在交易效率的跃升与决策周期的极致压缩。借助多模态数据挖掘与自动化模型，机构能够突破人类精力的物（的实时监控与“缓冲垫2023522日“AI伪造五角大楼爆炸图”事件为例，多家量化机构部署的舆情与自然语言处理（NLP）Agent在抓取到该伪造图像及相关推文后，因缺乏人工复核环节，模5000.3%。这事件深刻印证了多智能体系统在同源数据与无缓冲自动化执行机制下运行时，微观上的极速反应易转化为宏观上的共振踩踏与系统性波动。AI应用的演进：从量化交易到智能交易AI大模型以及算力快速发展的影响下，量化交易朝着智能化的方向演进。近几年国61187.1630.36%。98.43%。A30%，略低于港股股与港股市场的量化交易占每日成交额比例60%70%50%A量化交易的三个阶段人工智能在资本市场的应用源于传统量化交易，并经历了规则量化、机器学习和生成式AI三个阶段。其演进以模型能力提升为基础：从执行人工设定规则，到基于数据发现规律，再到处理复杂信息并辅助生成投资决策，人机分工逐步由规则驱动转向智能决策。规则量化阶段：人工设定，机器执行规则量化阶段的核心特征是交易逻辑主要由研究人员预先设定，计算机系统负责高速执行。投资者基于历史数据和金融理论构建明确的交易规则，例如多因子选股、统计套利和市场微观结构策略，通过设定因子权重、交易条件和风险约束，实现交易流程自动化。这一阶段，机器主要承担计算和执行功能，策略框架、变量选择以及风险控制体系仍由量化研究人员设计。相比传统人工交易，规则量化提高了交易速度和执行纪律，但其有效性较大程度依赖研究者对市场规律的先验判断。机器学习阶段：数据驱动，模型自主随着数据规模扩大和计算能力提升，量化交易逐步由规则驱动转向数据驱动。机器学习模型能够通过大量历史数据识别资产价格与市场变量之间的非线性关系，并应用于收益预测、因子挖掘、风险评估和交易执行优化等环节。与传统多因子模型依赖预设经济关系不同，机器学习方法能够处理更高维度的数据特征，并从复杂信息中提取潜在模式。例如，深度学习可用于预测短期市场状态，聚类算法可用于识别不同市场环境，强化学习则被应用于组合优化和订单执行等动态决策问题。但这一阶段并未改变投资决策的人主导地位。研究人员仍需要负责目标设定、数据选择、模型设计和风险约束，机器的角色由“执行规则”扩展为“发现规律”。生成式AI与智能体阶段：理解信息，辅助决策生成式AI和智能体技术的发展，使AI开始进入投资研究和决策辅助环节。相比传统量化模型，大语言模型能够理解文本信息，并辅助分析财报、公告、新闻、研究报告和市场分析、组合管理和风险监测等环节发挥更大作用。据中学习、识别模式或生成分析结果的能力。二者存在高度交叉，但AI的应用范围更广，既可以服务于交易执行，也可以覆盖信息处理、研究分析和风险管理等环节。AI表1：量化交易三个阶段的特点阶段主流核心技术决策逻辑代表性实践规则量化（2010-2015年）型、趋势规则因子与阈值，程序执行Gatev配对交易；Fama-French机器学习（2015-2022年）升树、深度强化学习（DRL）模型学规律：人定目标函数与数据，模型发现非线性结构幻方深度学习仓位；Gu-Kelly-Xiu机器学习增益效LOXMAI与智能（2023-2026年LLM工具调用智能体生成决策：理解非结构化文本，端到端覆盖决策链BloombergGPTTradingAgentsAIA基金Citadel，Reuters 整理AI促进量化交易的主要环节在数据处理环节，利用自然语言处理（LP化为可量化信号，扩大投资决策的信息来源，获取公告、新闻、研报、社交媒体、卫星图像和产业数据。在信号生成环节，通过机器学习模型识别高维数据中的非线性关系，预测资产收益、挖掘潜在因子，并捕捉市场情绪和事件冲击，开展收益预测、情绪识别、因子挖掘和事件分类。在组合构建环节，通过优化算法改善资产权重配置，在收益、风险、流动性等多个目标之间进行动态平衡，提高组合管理效率，开展风险预算、资产配置、多目标优化。在交易执行环节，利用算法优化订单执行时机、交易规模和市场渠道，降低冲击成本，提高执行效率，做出订单拆分、最优路径和交易成本控制。在投后管理环节，持续跟踪组合表现和市场环境变化，识别风险暴露变化，并辅助模型更新和策略调整，用于绩效归因、异常监测和策略迭代。智能交易的“风险管理悖论”量化交易在不同市场行情，扮演着或积极或消极的角色。长期以来，围绕量化交易的争议不断，一个重要原因就是量化交易对市场的影响非常复杂。这种复杂性在金融稳定中的体现很可能与风险传染的方向有关。异质性预期下：量化交易丰富市场生态、降低部分波动一是量化交易扩大信息来源，减少单一叙事支配市场。主观投资者通常依赖宏观、产业、公司基本面等信息做决策；量化交易可以引入高频价格与订单簿信息，财务报表和分析师预测，卫星、物流、招聘、专利等另类数据，新闻文本、社交媒体和政策文件，跨资产价格、期现基差和相关性，市场微观结构与资金流信息。不同机构使用不同数据、模型和预测窗口，市场会形成更丰富的预期分布。部分策略看盈利，部分看估值，部分看资金流，部分看均值回归，部分看中长期趋势，同一时点不再只有一种交易方向。二是增加交易对手，缓冲短期订单失衡。异质性策略最重要的稳定作用，不只是“观点不同”，而是有人愿意在别人卖出时买入。趋势策略卖出时，价值和均值回归策略可能买入；被动资金调仓时，套利资金可能承接；ETF价格偏离净值时，申赎套利恢复定价；期货与现货出现价差时，跨市场套利压缩基差；短期情绪过度反应时，基本面量化资金可能逆向交易。要区分：同质性预期下：量化交易形成算法共振一方面是信号同质化。不同机构可能共同依赖相同的行情和财务数据库，相似的机器学习模型和开源代码，相同的动量、反转、价值、质量、小市值等因子，相似的历史样本和训练窗口，同样的新闻、分析师预期和另类数据供应商；少数通用AI模型或云服务商。共同使用少数开源或供应商模型、相同底层数据或相似模型设计，可能导致机构形成相关持仓，并在压力情景下放大抛售。另一方面是风险约束同质化。即使不同机构的选股模型完全不同，量化交易也可能采用相同的波动率目标，相似的VaR模型，相同的止损线和回撤控制，相同的保证金和杠杆约束，相同的行业、风格和跟踪误差限制，相似的月末、季末风险预算调整。一是价格—信号反馈，容易形成趋势加速和短期超调。价格上涨→动量和趋势信号增强→模型增加仓位→买盘推动价格继续上涨，下跌过程则相反。二是波动率—风险预算反馈“”三是损失—杠杆—保证金反馈，形成市场流动性与融资流动性相互强化的“流动性螺续下跌→保证金进一步提高。四是流动性撤退反馈。市场波动上升→做市商担心逆向选择和库存损失→扩大价差、减少挂单甚至撤出→订单簿深度下降→同等卖盘产生更大价格冲击。五是跨市场传播反馈。量化套利能够消除期货、ETF、现货之间的价差，但也会迅速传递冲击：股指期货下跌传导至ETF和成分股，ETF赎回压力传导至一篮子股票，一个因子组合平仓传导至多个行业，海外资产波动通过跨市场风险模型传导至本土市场。AI在资产定价中的应用AI如何改变资产定价？AI对资产定价的影响主要在于改善了对风险溢价的测量。资产定价即是在既定信息下判断未来超额收益的条件期望，其本质是对于风险溢价的判断，而价格发现是新信息通过预期修正和交易进入价格的过程。从IMF、CEPR等机构的研究文献来看，AI对价格形成的作用有三个方面的影响：一是在信息提取端，AI可以快速将非标准数据处理成结构化数据。通过大语言模型、计算机视觉等技术，把文本、语音、图像与网络关系转化为特征。模型中的参数；三是在交易执行端，AI可以自主生成报价，例如AI结合跨市场价格、订单簿、当前的估值模型期望，自主提出交易。信息提取加速：小、微盘股，或者非标资产的价格博弈可能更为激烈AI对市场效率的提升可能不是同幅度的，误定价将由大盘、高披露、强流动性资产，迁移至小盘、复杂、低流动性和非标准化资产。AI对效率的提升受信息覆盖、套利资本和交易成本三重约束。一方面市场关注度高的大企业的数据较其他企业更为充分（Farboodi、atrayeldkamp和ekaeswaran2022I（2024AI贷和基础设施等资产受契约复杂与成交稀疏制约。OECD2025年关于成长型资本市场的研究中指出，成长市场流动性偏SEC2025SEC2026Nasdaq规则的批准文件中进一步指出，低流动性证券可能更容易受到价格操纵，原因在于相对较小规模的交易活动就可能对市场价格产生超比例影响。时代机构和个人/AI当前市场对信息的处理能力依然是不充分的，超额收益来自数据处理能力与信息解读正确率。当前市场机构仍主要由研究员和分析师从数据中挖掘交易信号，同一份公开数据，CPI正确率的差异。此时数据处理能力与信息解读正确率的差异化仍能够获取超额收益。AI的超额收益系统性的衰减。Lopez-Lira2026年的数据显示，基于隔夜新闻的GPT2021Q46.5420223.68、20232.332024151.22收益快速下降。Atite将AI时代的“超额收益”概括为四项：专有数据、市场状态识别、机构长期积累的专业知识，以及将信息映射至具体投资授权的能力。其中：专有数据（Proprietarydata）指机构独占或长期积累、无法通过通用数据库直接购买的数据，包括公司调研与管理层交流记录、产业链高频数据、客户与资金流数据、历史订单和交易冲击数据，以及机构自身投资决策与结果形成的反馈数据。大模型可以被所有机构调用，但输入数据不同，模型形成的判断才可能不同。因此，数据优势逐渐从“读取公开信息更快”转向“拥有市场尚未充分覆盖的信息”。市场状态识别（Regimeawareness）判断交易信号在当前宏观环境下是否生效。市场状态指经济和市场所处的特定状态，例如高通胀或低通胀、流动性宽松或收紧、风险偏好上升或下降、趋势行情或震荡行情。同一个低估值、盈利改善或价格动量信号，在不同状态下可能具有完全不同的含义。市场状态识别要求机构判断历史规律当前能否继续成立、模型是否发生漂移，以及应当提高、降低还是暂停某类信号的权重。机构长期积累的专业知识（Institutionalknowledge）带来了“机构如何解释同一条信息”的差异。专业知识包括机构经过多个市场周期形成的行业知识、估值框架、投资纪律、历史案例和失败经验，也包括分析师对商业模式、管理层行为、政策环境和产业竞争的理解。AI能够读取相同的财报和新闻，但机构知识决定模型提出什么问题、如何识别异常、采用哪些约束，以及怎样区分短期噪声与基本面变化。将信息映射至具体投资授权的能力（Connectinformationtoaclient’sspecificmaate：回答判断正确以后，如何变成可执行的组合”。资产管理受到基准、跟踪误差、流动性要求和风险预算等约束。一个AI信号即使方向正确，也需要进一步判断该资产是否可投、配置多少权重、与现有持仓是否重复、交易成本是否可接受，以及是否符合客户期限、回撤和监管要求。该文强调，竞争优势将更多体现在研究、组合构建、风险管理、交易执行和客户报告的系统化衔接，而非孤立地产生一个预测信号。交易执行：突发事件时价格波动可能更为剧烈AI发生的同时重新定价，尤其面对突发事件或重大信息变动时，市场的价格波动可能更加剧IMF2024FOMCAI4550015AI大加速了资产定价的时间。传统交易模式下，投资者需要依次完成信息阅读、历史比较、影响判断和交易执行，价格通常通过多轮交易逐步收敛；AI可以同步完成关键词提取、政策立场识别、预期差计算和跨资产映射，并直接连接执行算法。对于同等规模的信息冲击，公告后的价格波动时间可能缩短，价格发现由相对连续的调整转向更具跳跃性的调整。与信息反馈加速相伴的，是非标准数据扰动的同质化。金融稳定理事会（FSB）2024AI和交易决策；在压力情景下，同步交易可能放大市场波动、加剧流动性紧缩，并提高闪崩等非线性事件发生的可能性；BIS同样警示，使用相同算法的机构会通过羊群效应、囤积流动性、挤兑与抛售放大顺周期性。当前实际应用水平如何？综合ecer（206、A（205）的调查数据，我们判断，当前AI在资产定价中判断“AI”AI有55%的机构采用率，5%13%0.1%AI基金资产，意味着AI具备“工具普及、授权谨慎”的特征。表2：当前AI在资产定价链条中的实际应用水平——使用广、定价浅、自治低调查口径量化结果简述机构ce（2213155%已在至少一项策略投资流程中正式集成AI，27%处于试点覆盖度较广投研Mercer（2026）资管机构投资流程调查研究/创意生成、非结构化数据处理、信号与趋势分析的正式集成率分别为49%、40%和31%；73%用于运营提效，68%作为洞察型“副驾驶”。AI正在成为研究基础设施交易决策Mercer（2026）资管机构投资流程调查用于组合构建和交易执行的比率仅为13%和7%；仅5%的机构赋予AI半自主或自主的投资决策权。模型主要是供建议，尚未掌握最终交易权限。ESA202仅145只基金明确披露在投资策略中使用产品与资金4.4万只欧盟基金、AI/ML；2024年一季度仍存续106只，管理规模真正“AI驱动”的产品层82.5万份监管及营销约130亿欧元，仅约占欧盟UCITS的0.1%；其和资金仍处边缘。文件中约30%把AI列为主要决策驱动。独家大模型Mercer（2026）资管机构组织与技术调查63%使用通用供应商工具，51%对供应商工具做专有调优，28%自研模型，仅9%拥有完全自有平台；69%将数据质量/可得性列为主要障碍，57%的机构仅配置1至5名AI专职人员。ece0、EM（05 整理在机构层面AI131AI，27%处于试点或概念验证，91%12已经使用10%19个欧盟国家72855%53%OECD（2026）45030%。AI沿投资链条呈现清晰的“前高后低”：越靠近信息处理，渗透率越高；越靠近真实仓49%40%13%和7%，仅5%的机构允许AI对交易或投资建议作半自主或自主决策。若采用最严格的“受托资金是否交由AI主导”口径，当前AI原生投资仍接近零。ESMA4.482.5145只明确披露在AI2024106130UCITS0.1%30%AI作为主要投资AI5%。AI的风险管理：微观增效与宏观风险共存微观层面上，AI的应用能够提高资本市场参与者内部的风险管理效率。单一机构能够实时监测新闻舆情、流动性、波动率等多个高频指标，识别异常交易，预测潜在趋势，开展动态压力测试，优化保证金、止损和风险预算。AI带来的这些多维度的技术能力，使机构的风险管理从“事后响应”转向“事前预警”。宏观层面上，AI为金融市场或许引入了新型风险。在单一机构内部，AI的应用带来了模型稳健性、数据质量、生成可靠性、内部治理等多重风险。这些风险通过第三方依间和空间维度上的进一步放大，最终可能导致全球联动的系统性冲击。微观增效：AI对单一机构风险管理效率的提高对于金融机构，盘中观察及财报分析是风控的核心工作内容。传统风控依赖于定期报表、人工盯盘，且风控规则倾向于静态，存在响应滞后、覆盖不足与参数僵化等局限。而AI的引入，通过实时数据接入、机器学习预测和自动化控制等技术手段，能够在微观层面提高机构的风控效率。一是实时监测仓位、波动率和流动性。AI可对全资产组合实施高频扫描，实时监测仓位暴露、波动率水平和流动性指标，动态识别持仓集中度风险与流动性缺口。基于高频数据构建的已实现波动率与持仓流动性度量，能够比传统日频指标更早发出风险预警。二是识别异常交易和市场操纵。借助无监督学习、图神经网络与时间序列模型，AI可以对订单流、成交记录和账户行为进行建模，识别幌骗、对倒、拉高出货等操纵手法中难以被人工察觉的模式，既服务于机构自身的合规监控，也支撑监管科技的自动化监测。三是开展动态压力测试。AI能够基于生成式模型与情景模拟技术，生成覆盖面更广、评估投资组合在多种冲击下的尾部风险与传导路径。四是预测违约和信用迁徙。机器学习模型融合财务数据、宏观因子、新闻舆情与供应链信息，对信用主体的违约概率及信用评级迁徙进行前瞻性预测，使机构能够提前调整信用敞口，减少对评级机构滞后调整的依赖。五是优化保证金、止损和风险预算。AI的强化学习与组合优化方法可根据市场状态动态调整保证金水平、止损阈值与风险预算在各策略间的分配，在守住风险底线的同时降低资金占用、提升资本使用效率。构建模块化的风控智能体，使其独立于交易决策逻辑运行，动态调节风险敞口、头寸规模以及止损止盈等保护性参数。六是识别新闻、舆情和供应链风险。AI能够通过联网搜索迅速采集新闻、社交媒体和监管公告这类非结构性数据，并利用自然语言处理技术实时解析，抽取其对特定资产与产业链的影响，识别供应链中断、地缘政治事件等非传统风险源，将风控边界从财务指标拓展至全信息维度。宏观风险：AI或产生的系统性风险AI层面的风险管理行为或演变成为宏观层面的系统性风险。首先，系统性风险或发端于机构层面。AI在单一机构内部主要引入模型稳健性风险、数据质量风险、生成可靠性风险、内部治理风险等多种风险。AI导致机构无意中违反市场诚信规则。关联的理解相对较弱，因此容易导致逻辑偏差或事实性错误。治理风险：内部技术人员或第三方开发人员若未经授权擅自修改交易模型的参数、AIAI渠道。AI算法趋同：指不同的算法或人工智能系统在运行过程中，因共享相似的数据基础、AI图3：算法趋同的三层传导机制浙商证券研究所网络风险：AI技术的广泛应用或为攻击者提供了前所未有的利器，对金融机构的网络安全构成严峻的挑战。第一，对抗性攻击和数据投毒：攻击者可能通过构造对抗样本扰乱模型对市场状态的判断，或通过投毒训练数据操纵模型行为，使模型在特定条件下作出错误决策，威胁模型安全与市场公平。AI的训练数据被恶意投毒可能导致大量误判进而AI，以极低成本批量伪造看似真实的财经新闻、公司公告或分析师报告。这类虚假信息能够误导市场预期，被用于新型市场操纵行为，直接冲击价格发现机制与市场诚信基础。第三，攻击自动化与AI高度定制化的钓鱼邮件，甚至自动化地发现系统漏洞。这极大地降低了发动复杂攻击的门槛。当多家金融机构同时遭受AI驱动的网络安全攻击、虚假信息引发市场连锁反应，个体层面的网络安全漏洞便可能通过支付清算、资产定价、信贷传导等关键节点迅速放大，演变为跨机构、跨市场的系统性脆弱性，最终威胁整个金融体系的稳健运行。因此，一方面，金融