财联社9月24日讯 9月18日，财联社2026全球资产管理年会在上海浦东圆满举办，本届年会以“全球秩序大演变与AI赋能中的资管应对路径”为主题，与会嘉宾就当下资管行业热点议题展开深度探讨。

在主题为《多资产时代的智能投资新范式》的圆桌论坛上，嘉宾们就多资产策略与AI在资管行业的应用发表了精彩见解。当前，多资产配置的精髓在“异”，先做好单资产定价再考虑策略化；AI提升了投研的效率，但机构也需要防范相应的风险。

本场圆桌由兴业研究金融业研究部副总经理陈昊主持，来自多类型机构的对话嘉宾们一致认为，能否用好AI，关键在“人”。

多资产配置的精髓在“异”，构建“金字塔”式收益来源

兴银理财总裁助理贺轶表示，多元配置的精髓在“异”不在“多”，核心不在简单堆砌资产或策略的类别与个数，而在于识别驱动资产与策略表现的底层真实风险因子的差异。

“若只是机械地把资产或策略堆砌到组合中，表面上看起来是多元配置，实际上完全可能暴露在共同的风险敞口下，多元配置的有效性难以充分体现。”贺轶指出，今年以来股、债、商同涨同跌现象频发，传统资产波动率、资产间的相关性以及对冲效应正在发生持续动态变化。

“关键是要穿透资产标签，对资产间相关性变化进行动态跟踪和识别，做好尾部风险防控。”贺轶表示，确保分配给每类资产和策略的风险预算比例要符合组合整体的目标波动率控制目标，这是一项需要长期积累和建设的工作，没有终点。

贺轶认为，理财公司应对低利率的核心是在“稳健底仓”和“收益增厚”之间找到平衡，构建“金字塔”式收益来源。底层以高等级信用债、非标资产、优先股、高股息股票等资产提供稳定基础回报与底仓收益，为风险预算提供决定性支撑。其次是多元增强，小比例引入打新、套利、量化中性等稳健型策略，再递进到指增、商品CTA等增强策略，按风险收益分级，组合管理必须受风险预算严格约束，严格执行止盈止损与动态再平衡。最后是适度引入风险对冲，通过运用期权等工具降低组合尾部风险，改善组合长期风险收益特征。

贺轶表示，理财公司产品通过多资产、多策略手段来增厚收益的前提是先定义清晰风险边界，在严控波动和回撤的前提下追求收益目标，做好稳健底仓与收益增强之间的动态平衡。

兴银理财在大类资产配置上做了积极探索，去年创设并发布了“灵犀全球多元资产轮动指数”，底层基础资产横跨中、美、德、日四大经济体，以全天候为核心，叠加量价模型、宏观因子模型、风险平价与波动率控制模型，并据此创设挂钩产品，目前取得了阶段性效果。同时，积极推进策略体系和公共策略平台建设，分别对底仓收益和收益增强类细分策略打上风险收益特征、适配业绩基准、适用市场环境和组合管理运用等详细标签，构建策略模块库，按不同目标波动率组合封装成“策略优选”系列产品线推向市场。

先做好单资产定价，再考虑策略化

“多资产策略要解决的并非单纯的‘考100分’，而是‘少犯错’。” 东吴证券资产管理总部副总经理高宇表示，多资产投资目标的本质是绝对收益，控制风险。一方面，要对资产进行动态权重调整，另一方面，在判断正确且跟上市场涨幅的同时，有效控制大幅度回撤。

对于资产相关性的识别跟踪，高宇认为，“知易行难”。结合其所在资管机构的实践经验，高宇介绍，可采取五条线并行的做法，把单资产定价、组合管理方法、交易纪律、技术分析与投资经理团队主观经验并列推进，而非强行糅合进单一模型。

“尽管风险平价很有用，但有效的前提是CIO和核心投研人员对宏观状态的精准判断。”高宇指出，比如流动性因子本身又分衰退式、被动式、主动式等多种情形，仅靠模型定量指标往往难以识别拐点。今年黄金的拐点，可能因子模型算不出来，但靠最有效的技术指标和投资纪律定量经验是可以躲过大跌的。

高宇认为，多资产和多策略是两个不同的投资模式，对于多资产而言，务必要重视单资产的定价能力，应先解决单资产本身的定价，再考虑多资产的策略化。同时，应重视多空思维，可大胆启用具备多空思维的人。

券商资管的投资工具较为丰富，但高宇指出，券商资管增厚收益最务实的路径不是大而全，而是把固收做透，“固收+”聚焦传统转债、科技红利及港股红利，并逐步在组合中引入黄金、美股等全球主流Beta，最后逐步建立起主观多空结合的投资能力。

“券商资管的优势在于组织灵活，找到投研潜力适配绝对收益的人，未来有可能在多资产赛道与理财、公募乃至私募同台竞技。”高宇表示。

对于相关性研究，高宇再次指出，前提是对宏观状态的判断。他认为，增长与通胀的二元划分早已失效，可将周期划分为正常增长、恐慌周期、通胀为主周期、流动性周期四类，流动性周期是划分资产相关性的关键切入点。

引导客户逐步接受波动，提升风险应对维度

对于多资产构建，中银理财资深风险经理项钟结合所属机构的实践介绍道，中银理财针对理财客户因“存款替代”而风险偏好天然偏低的特征，在资产积木和组合配置的层面协调分工，资产经理负责深耕单类资产、挖掘阿尔法收益，组合经理负责平衡各类资产的收益和风险，二者各司其职，力争实现更加稳健的净值增长。

“研究端搭建两个引擎，策略引擎和投研引擎。”项钟表示，策略引擎以AI技术重构“底层数据库—中层执行层—上层策略层”三层架构，彻底改变以往“依托市场热点、主观判断”的粗放式产品研发模式，构建起“策略开发、代码实现、数据回测、模拟运行、产品落地”的标准化闭环流程，实现策略研发的科学化、精细化、可量化。

投研引擎则聚焦择时问题，结合宏观判断、模型迭代与细分赛道分工集成。资产配置上，机构可把一部分向上收益让渡出来，弥补向下风险，引入下行风险平价作为主要风险预算指标，更加严格地控制组合下行风险，避免在市场波动情况下产品出现大幅回撤。

“负债端的行业共性挑战是高周转。”项钟认为，今年客户风险偏好缓慢上移，权益市场波动较大期间，客户对波动的接受度明显提升。

当前，监管推动长期限产品发展，如5年、10年以上的养老理财。项钟介绍，中银理财通过“标准餐—定制餐—私房菜”分层服务，对接普惠、中高端与高端客户，引导客户逐步接受波动，风险偏好稳步抬升，为打造长久期产品的差异化优势创造条件。

谈及AI在投研应用的风险，项钟认为，风险主要包括模型幻觉、模型自我进化（RSI）突破边界、AI驱动自动化交易放大的“羊群效应”。

“我们将此作为新的非传统风险进行管理，对回撤、流动性、集中度、信用迁徙、相关性漂移、尾部风险等核心指标建立事前设限、事中监测、事后校准的闭环。”项钟表示，模型上线前，需持续验证、校准与压力测试，关键环节必须保留人工否决和“机器降速”的熔断机制。此外，内部公开数据模型与生产模型，实行物理与公共网络双重隔离。

例如全球多元策略产品，项钟介绍，可设置“产品层回撤预警线/约束线+策略层独立止损线+资产层波动率监测”三级联动风控。

AI使投研主观想法结构化，机构要串联AI与投研需求

人保资产金融产品事业部总经理张艳红认为，在AI落地中应始终把安全放在首位，严格实行内部数据与外部数据的隔离。

“2025年4月DeepSeek一发布，我们就在本地部署了AI整套应用。”张艳红介绍，目前AI在人保资产的应用主要集中于两点。一是数据筛选与搬运环节，基本由AI替代，把研究员从基础性、重复性工作中解放出来。二是在策略研发上，AI使得想法到落地的链路明显加快，可先在小资金上跑通验证后，再推广至大资金运用。

“我们自己有投研平台，平台里安全隔离以后部署了一些小模型，让平台自动化程度更高、效率更高。”张艳红表示。

AI在主观投研与量化模型之间扮演“桥梁”角色，张艳红认为，核心价值是让主观想法结构化、可量化、可验证，再以结果反向校验。投资经理借助AI开发因子已较为普遍，本质属于效率提升。而更具长期意义的是，主观投资经理过去因不会写程序代码而难以实现的投资安排，如今可以借助AI做到结构化、可视化的输出，把主观逻辑中可结构化的部分提取出来，转化为可回测、可监控的信号框架，这是主观投资领域借助AI实现的重要变化。

张艳红指出，传统大类资产配置主要依赖历史数据相关性，AI可以纳入对具体事件的逻辑因果分析。例如，美联储加息可能影响哪些资产、价格传导路径如何、不同资产间的因果链如何展开——这类分析超越了纯历史数据相关性的范畴，使配置结论更贴近现实，也是AI在投研中真正不可替代的增量价值所在，未来值得持续投入。

张艳红认为，未来资管机构的组织架构会有两块调整。一方面，设立数据资产部门，负责数据资产的沉淀、清洗、标签化，提升数据可用性，并对外按合规要求输出报表。“很多数据其实没有完全沉淀下来、清洗不干净、标签不明显，导致用起来不方便，这正是数据部门首先要解决的问题。”张艳红指出。

另一方面，是设立跨IT、信息、投研的牵头部门，统筹Agent应用、智能数据服务与AI安全管理，重点防范数据安全与策略偏差。在投研平台上，张艳红认为，无论部门归属如何，都需要有人牵头把数据资产、AI服务、投研需求串联起来。

资管机构应先提升数字化程度，寻找“会用”AI的人

结合金融科技公司的实践经验，讯兔科技联合创始人崔予淳表示，当前科技赋能资管行业最大的问题并不是技术能力，而是资管机构是否想清楚“AI要解决什么问题”。

“绝大部分IT项目失败的根源是‘领导想做’与‘一线想做’的错配，又懂AI又懂研究的人极少，目标定义从一开始可能就偏离。”崔予淳指出，当前业内能在知识库、简单问答与高阶检索等场景跑通，但要把工作流与决策串联成完整系统仍相当困难。

而积极变化在于，经历去年DeepSeek开源、今年“龙虾”开源两次浪潮，行业正从盲目堆算力转向务实定目标。更重要的是，机构开始重新审视数据——模型能力与数据能力应同步进步。

“如果一家资管机构绝大部分研究资料还在微信群里搞来搞去，再强的模型也无法分析。”崔予淳表示，科技公司若要把AI项目做实，第一步往往还是数字化补课，再叠加AI提速。

从赋能边界看，崔予淳认为，资管作为严肃行业，决定了AI在相当长时间内仍将主要落地于研究端和轻度决策，难以快速走向决策环节。研究端无论是提效还是重塑，只要做到极致都极具价值。模型本身的业务边界未必是瓶颈，真正制约AI落地的，是应用门槛。

“能否用好AI，关键在人。” 崔予淳指出，大部分人只会提简单问题，AI因此只能输出同质化结果。

“我们曾经认为年轻人理论上能把AI用得更好，后来发现不一定。”崔予淳表示，初阶研究员问题泛化简单，AI给的结果也同质。如果是有框架、有经验的人，能在今天的AI能力边界下提出精巧的、独特的问题，AI就是给自己的工作效率加杠杆。

“菜鸟用五十个Agent，可能不如一个有框架的人不用Agent效率高。” 崔予淳形象地指出，关键在于主观经验与AI能力的融合深度。

组织层面，崔予淳认为，买了多少算力、用了哪家模型都不是最重要的，最重要的是能否找到一两个真正“会用”的人——这些人往往跨业务条线生长，可能是IT或研究员出身，也可能是复合角色。一个“会用”AI的人能撬动机构的整个组织发生巨大进化，放大能力，这是机构把AI用好的真正起点。