核心观点与逻辑框架 - 人工智能对资本市场的影响正从局部投研工具升级为对投资决策、机构行为和市场运行机制的系统性重塑，核心是从“信息杠杆”演变为“智能杠杆”[1] - 当前数据、算法、算力和模型协同驱动的“智能杠杆”能加速机器学习过程和智能体处理信息的效能，发挥股市行情放大器的作用[1] - 异质性预期下量化交易丰富市场生态并降低部分波动，同质性预期下量化交易形成算法共振将放大金融市场波动[1] 机构竞争优势重构与规模效应 - 机构核心护城河正从传统“人海战术”转向“数据治理”与“算力模型”的硬科技底层，传统人力规模的边际效益面临递减[2] - 人工智能在投研与交易领域展现出“高固定投入、极低边际复制成本”的技术经济特征，这种规模效应最终可能导致机构竞争能力K型分化[2][17] - 头部机构凭借私有化高质数据流和深度定制模型实现全流程自研突破，而依赖同质化第三方AI SaaS工具的中小机构可能成为策略同质化与算法拥挤的群体[17] 量化交易演进与市场影响 - 量化交易大致划分为三个阶段：人工设定机器执行的规则量化阶段（2010-2015年）、数据驱动模型自主的机器学习阶段（2015-2022年）、理解信息辅助决策的生成式AI与智能体阶段（2023-2026年）[2][22] - 截至6月底，国内量化基金规模为1187.16亿元，较年初增长30.36%，公募量化基金规模占比98.43%[20] - 国内量化交易占A股每日成交额约30%，低于美国股市约80%和欧洲股市60%至70%的水平[20][21] AI在资产定价中的应用现状 - 当前AI在机构层面广泛使用，Mercer（2026）调查显示55%的全球资管机构已在至少一项策略投资流程中正式集成AI，27%处于试点[44][45] - AI在投研层面渗透率较高，在研究与创意生成、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%[45][46] - 但在决策层和资金层仍处于早期，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半自主或自主投资决策权[45][46] - ESMA（2025）从4.4万只欧盟基金中仅识别出106只AI相关基金，管理规模约130亿欧元，仅占欧盟UCITS资产的约0.1%[46] 风险管理：微观增效与宏观风险 - 微观层面AI能提高单一机构风险管理效率，实现从“事后响应”转向“事前预警”，包括实时监测仓位波动率、识别异常交易、开展动态压力测试等[47][49] - 宏观层面AI可能引入系统性风险，包括模型稳健性风险、数据质量风险、生成可靠性风险和内部治理风险[48][52] - 算法趋同、第三方依赖、网络风险以及模型与数据治理是AI放大系统性风险的主要渠道，可能导致全球联动的系统性冲击[55][56][58][59]