文章核心观点 - 文章通过中欧瑞博量化团队负责人的分享，阐述了其“主动量化”的投资理念与实践，核心观点是主观投资与量化投资深度融合（“主观赋能量化、量化支撑主观”）的模式能够实现优势互补，创造出比简单叠加更具生命力的投研体系，这是行业发展的趋势，也是其团队的核心竞争力 [9][10][13][15] 个人成长与职业选择 - 负责人拥有计算机、工商管理及行为金融的复合教育背景，其行为金融学训练与量化投资捕捉市场非理性行为的核心思路高度契合，促使其进入量化领域 [9] - 基于对“主观拥抱量化”这一不可逆行业趋势的判断，负责人于2019年加入中欧瑞博，旨在将公司深厚的主观投研积淀与量化的数据模型能力结合，实现1+1>2的效果 [10] - 从零开始搭建量化团队的最大挑战是主观与量化在理念与机制上的深度磨合，需要双方互相理解与信任，打破认知壁垒 [12][13] - 最大的成就感在于没有做成简单拼凑，而是实现了从辅助到协同再到深度融合，构建了“主观赋能量化、量化支撑主观”的一体化投研体系，让量化团队从支持部门成长为公司的核心投研力量之一 [13][14] 中欧瑞博量化的方法论与特色 - 公司践行“主动量化”策略，将主动投资思想与量化规则化深度融合，实现优势互补 [15] - 具体实践包括：将主观团队的基本面逻辑转化为有效的量化因子；股票全天候产品的仓位动态调整由主观与量化共同主导 [15] - 公司构建了覆盖股票、股指期货、商品期货及国债期货四大类资产的系统化量化投研策略体系 [16] - 股票模型：构建了包含数百个底层因子的因子库，覆盖多个大类，每年有10%的因子被替换或迭代 [17] - 股指期货模型：策略库包含20+套策略，实盘运行14个，其中80%为趋势类策略，20%为反转类策略，持仓周期从几分钟到7天不等 [18] - 商品模型：涵盖传统及新型商品，所有策略基于趋势跟踪框架，在短、中、长三个周期维度布局 [19] - 国债模型：策略库包含5套模型，其中4套已实盘交易，通过融入多类因子捕捉走势规律 [21] - 在股票投研上，公司采取主观与量化深度融合的模式，通过优化算法结构而非单纯堆砌算力来提升效率，与头部量化机构形成差异化 [22] - 核心股票策略框架围绕样本分域、分域选股与多策略融合展开，以提升模型在不同市场环境下的适应性与精准度 [23][24][25] - 基于该框架开发了包括小盘成长、小盘价值等在内的工具化风格组合，由量化投委会进行动态配置 [26] - 强调量化研究员的核心是金融理解力，编程是实现想法的工具，AI是提升效率的辅助，但不能替代对市场的判断 [27] - 产品线分为三类：股票CTA复合产品（股票多头+股指CTA对冲）、多元CTA基金（覆盖超50个品种）、股票量化多头（内部拆分为六个均衡子组合），通过产品结构设计与策略多元化实现分散投资，增强组合韧性 [28][29][30][31] 量化团队的建设与人才培养 - 招聘量化新人主要看重两点：扎实的学术训练（数理统计、金融基础、编程）以及科学的研究精神（敢于证伪、踏实迭代） [32] - 对于非科班背景者，数理统计、金融基础和编程这几项底层能力依然至关重要 [33] - 新人培训体系以实战为核心，所有研究都紧扣实盘产品，以“落地”为目标，让参与者在真实项目中快速成长 [34] 给量化新人的建议 - 对于立志成为量化研究员的学生，建议重点培养三项核心能力及一项时代技能：扎实的金融基础、数理统计能力、编程能力（Python），以及学会使用AI工具解决问题 [35][36][37][38] - 学习路径包括：认真修读校内相关课程、通过量化比赛和自建策略回测进行实践、利用公开数据集和社区等资源 [39][40][41] 好书推荐 - 推荐书籍《征服市场的人》（西蒙斯传记），认为其揭示了超额收益来源于科学精神、数据信仰与极致迭代的结合 [42][44]

文章核心观点 - 文章描绘了2026年中国百亿私募创始人群像，展示了他们在分化市场中的不同应对策略与业绩表现，核心在于呈现顶级私募管理人的投资理念、风格差异以及对时代变局的回应能力 [2] 百亿私募创始人概况 - 私募排排网数据显示，有业绩显示产品在10只以上的百亿私募创始人共有12位 [2] - 这些创始人包括东方港湾但斌、希瓦私募梁宏、衍复投资高亢、进化论资产王一平、蒙玺投资李骧等 [2] - 创始人背景多元，核心策略涵盖股票、期货及衍生品、多资产等，学历从本科至博士，从业背景包括券商、私募、其他金融机构等 [3] 东方港湾但斌 - 但斌拥有33年投资经验，坚守价值投资理念 [4] - 截至2026年2月底，其旗下有78只产品，今年来收益整体呈小幅回调，但长期收益亮眼，近1年、近3年及成立以来平均收益数据因合规要求未披露 [4] - 但斌认为AI是未来10年最大的财富机会之一，属于新时代核心价值资产，其投资布局已从传统消费、白酒全面转向AI基础层与应用层核心标的 [5] - 在中东局势引发市场大跌时，但斌表示利用新认购资金加仓苹果，并认为技术进步与人工智能是市场主因 [6] 希瓦私募梁宏 - 梁宏以“灵活多变、顺势而为”的投资风格著称 [6] - 2026年以来，其管理的23只产品业绩表现亮眼，今年来平均收益显著跑赢同期主观多头私募平均水平，近1年、近3年及成立以来平均收益数据因合规要求未披露 [6] - 梁宏长期看好油气等资源股，曾将港股中海油作为防御性重仓，2024年7月其港股中海油仓位提升至超过50% [8] - 2026年美伊冲突升级带动油价大涨，中海油港股今年以来上涨超30%，这或是其产品今年业绩亮眼的原因之一 [9] - 梁宏透露，其投资主战场已从持续九年的港股（持仓占比70-90%）切换，截至2025年底港股占比已低于30% [9] 进化论资产王一平 - 王一平是国内少数兼具主动管理与量化投资能力的基金经理，拥有19年投资经验，2025年中提出“做有逻辑的量化”核心理念 [9] - 其管理的19只产品2026年以来业绩表现较为亮眼，今年来平均收益及长期收益数据因合规要求未披露 [10] - 对于中东局势，王一平发布两大预警：一是欧美市场低估了霍尔木兹海峡封锁风险；二是需警惕海外AI资本支出放缓预期可能引发的泡沫破裂 [13] 蒙玺投资李骧 - 李骧是理工科背景的量化私募掌门人，2008年开始研发美股量化策略，2016年创立蒙玺投资，公司管理资产规模逾200亿元 [14] - 其管理的13只产品2026年以来业绩表现较为亮眼，今年来平均收益及长期收益数据因合规要求未披露 [14] - 李骧认为未来两年最重要的是“严格控制风格的全频段Alpha”，即通过多市场、多品种、全频段策略捕捉更多维度的超额收益，以应对策略拥挤度问题 [14] 龙旗科技朱晓康 - 朱晓康拥有波士顿大学经济学博士学位，曾任职于巴克莱国际投资人和贝莱德，2011年回国创办龙旗科技 [15] - 其管理的25只产品今年来平均收益及长期收益数据因合规要求未披露 [15] - 公司认为科创板和创业板企业作为国家战略的重要组成部分，极具发展潜力和配置价值，其旗下“龙旗科技创新精选1号C类份额”成立于2024年12月，成立以来收益数据因合规要求未披露 [16] 衍复投资高亢 - 高亢投资生涯始于DRW Trading Group，曾任职于Two Sigma，2019年8月创立衍复投资，仅用一年半时间突破百亿规模 [17] - 其管理的13只产品今年来平均收益及长期收益数据因合规要求未披露 [17] 世纪前沿吴敌 - 吴敌是中国科学技术大学计算机本科、香港中文大学金融工程博士，曾任海外金融机构董事总经理，2015年发起成立世纪前沿 [19] - 其管理的10只产品今年来平均收益、近1年平均收益及成立以来收益均值数据因合规要求未披露 [20] 黑翼资产邹倚天 - 黑翼资产由陈泽浩与邹倚天两位斯坦福校友联合创立，两人合作已超过14年 [21] - 邹倚天管理的12只产品今年来平均收益及长期收益数据因合规要求未披露 [21] 其他百亿私募创始人 - 除上述重点介绍者外，在私募排排网有业绩显示产品在10只以上的百亿私募创始人还包括千象资产陈斌、宏锡基金刘锡斌、天演资本谢晓阳、量派投资孙林 [22] - 文章列出了量派投资孙林、千象资产陈斌、宏锡基金刘锡斌、天演资本谢晓阳旗下部分产品列表，但均标注“时间不足，无业绩显示”或因合规要求未披露具体收益数据 [23][24][25][26][28][29]

公司概况 - 公司定位于纯AI驱动的前沿科技型量化机构 [6] - 公司依托100%自主研发的端到端深度强化学习模型与全程序化快速交易系统，实现从数据处理到订单执行的“无人工干预”流水线 [6] - 公司致力于用机器的绝对理性与算力优势对抗市场波动，打造长青量化策略 [6] 核心团队 - 公司投研与IT团队规模超20人，核心成员来自国内外知名高校，覆盖数学、物理、计算机、金融等多元学科，平均从业经验超10年 [9] - 团队采用“资深老将+优秀极客”的双核驱动模式，将人工智能技术与成熟投资逻辑深度融合 [9] - 团队全栈自研DeepwinX交易与监控系统，为交易决策与风险控制提供底层技术支撑 [9] 投研体系与代表策略 - 公司致力于打造高度工业化的量化投研体系，实现从数据处理、因子挖掘、模型训练到实盘交易的无缝闭环 [14] - 投研体系构建于全栈自研的DeepwinX交易系统之上，订单执行延迟小于1微秒（<1us），保障了快速执行与海量数据实时吞吐 [15] - 投研团队运用深度强化学习（DRL）、大模型算法与传统统计套利逻辑，构建AI智能体集群，进行7×24小时金融数据清洗、特征提取与假设检验，自主繁衍迭代多维因子库 [16] - 策略矩阵已全方位覆盖中证500、中证1000、中证2000等A股主流宽基及微盘股指数，并将高管经验抽象为算法规则内嵌至风控Agent中 [17] - 策略演进经历了从“唯快不破”到“多维共振”的核心迭代，支撑管理规模从零突破至15亿 [18] 策略介绍及代表产品 - 公司构建了覆盖“高、中、低”全频段，融合“基本面+量价”的多维度策略矩阵，实现对A股全市场及北交所股票的合理估值与价值判断 [22] - **指数增强策略系列**：覆盖中证500、中证1000、中证2000、微盘股及北交所等多类指数，通过Agent体系动态迭代因子配置，在严格跟踪约束下追求稳定超额收益 [23][25] - **市场中性策略**：以获取稳定绝对收益为目标，通过Agent体系实现多头选股、空头对冲与风险监控的智能化协同，致力于降低市场系统性波动影响 [24][25] - **量化多头策略**：以基本面因子为核心驱动，聚焦优质标的的价值与成长逻辑，换手适中，具备较强资金容量承载能力，自2021年实盘运行至今 [26] 核心优势与亮点 - 优势一：“资深老将+优秀极客”的黄金投研矩阵，构筑人才壁垒 [27] - 优势二：全栈自研的微秒级底层IT基建，确立交易执行优势 [27] - 优势三：AI赋能的“全频段、多维度”策略矩阵，具备超大资金承载力 [27] - 优势四：历经牛熊验证的卓越业绩与严密风控 [27] - 自2021年核心产品上线以来，各策略线均斩获了较好的超额收益 [27] - 公司高管团队具备互补性，总经理为深耕行业10年以上的量化专家 [30] - 公司全栈自研的DeepwinX交易系统实现小于1微秒（<1us）的快速穿透延迟 [30] - 公司打通了从数据清洗、特征工程、回测寻优到实盘交易的全自动化流水线 [30] - 公司策略体系实现了从市场中性到基本面量化及指数增强的全频段覆盖 [30] - 公司各类指增策略容量达60亿元，能够承接大型机构资金的配置需求 [30] 持续进化能力 - 公司将全面投入基于AI智能体（Agent）驱动的下一代投研范式，在算力基建、人机协同组织及智能体驱动策略三大维度重兵投入 [28] - 公司将全面重构适配Multi-Agent协同的底层IT基建，深度融合金融大语言模型（LLM）、强化学习与多智能体框架，实现端到端自动化AI投研工厂 [29][31] - 公司将持续构建并扩容高性能计算（HPC）集群，打磨“C++核心交易引擎+Python策略应用层”的底层架构，保持微秒级执行优势 [31] - 公司将通过智能体生态的自我繁衍实现策略容量的无序扩张，以承接未来突破50亿乃至100亿的资产管理规模 [32] - 公司将培养能指挥Multi-Agent阵列进行市场博弈的复合型架构师，并坚持扁平、高效的极客投研文化，推出核心员工合伙人计划 [33] - 公司将依靠多智能体在中证1000、2000及微盘股等战场持续挖掘非线性Alpha，破解策略容量天花板 [33] - 公司将把成熟的Multi-Agent建模能力与极速交易框架复制至更多资产类别，构建多维度、低相关性的立体智能体投资组合，实现全域降维打击 [33]

文章核心观点 - AI技术正在金融行业，特别是私募基金领域，引发深刻的“替代”变革，从投研、运营到销售各环节的效率提升和成本降低成为核心驱动力，但行业内部对AI的实际应用价值和局限性存在不同看法，整个行业处于焦虑与适应并存的加速迭代状态 [8][9][16] AI对金融岗位的替代潜力与现状 - Anthropic报告显示金融岗位的AI替代率高达94%，位列所有职业第二，但目前实际替代率仅为28%，未来替代空间巨大 [3] - 有30%的职业几乎不受AI影响，为金融从业者提供了潜在的再就业方向 [3] 私募行业拥抱AI的实践与动机 - 私募行业积极引入AI作为“先进产能”，旨在优化人效比，用更少的人管理更多的资金 [8] - 具体案例包括：蝶威资产开设课程教授如何驯化“数字研究员”；鸣熙资本使用Manus自动生成宣传材料；客户也开始使用AI工具（如豆包）辅助投资决策 [8] - 核心驱动力在于成本控制：股票量化研究员年薪通常在80万-150万元，主观研究员激励也可能高达数千万元，AI可节省巨额人力成本并实现24小时工作 [9] - 霍华德·马克斯指出，关键在于工作成果是否可靠可用，而非AI是否真正思考 [9] AI投研工具（如OpenClaw）的应用与影响 - 春节后，至少8家券商金工团队发布“养龙虾”（指训练AI智能体如OpenClaw）教程，加速研究员的替代进程 [10] - 开源金工关于OpenClaw的路演播放了4839次；相关教程宣称能将投研效率提升10倍，并能复现经典投资策略 [10] - 买方积极跟进：北京某私募为投研团队配备新电脑并提供5万元token补助，专门用于训练AI [10] - 实际效果案例：雪球资管培养的AI Agent两天工作量可能超过成熟量化研究员半年，且潜力更大；沁源投资将AI嵌入各部门，实现工作闭环和独立迭代 [11] - AI研究员具备全天候工作、长期记忆、绝对忠诚、持续迭代等理想特性，若token成本持续低于人力薪酬，其吸引力巨大 [12] 量化与主观投资机构对AI的不同态度 - 部分头部量化机构认为OpenClaw对其意义有限，视其为具有随机性、非系统性、安全性低的“半成品”或“玩具”，可能给严肃的生产环境带来不确定性 [12][13] - 量化机构已搭建更成熟的多智能体（Multi-Agent）平台，形成对单一AI工具的技术碾压，其系统运转本身就在减少对人类研究员的需求 [13][14] - 传统量化投研流水线正被AI Agent重构，标准化重复性工作被替代，例如喜岳投资的Apollo AI系统拥有相当于数百个AI员工的能力 [14][15] - 主观基金经理处境尴尬：上受量化“无人工厂”降维打击，下受散户借助AI工具缩小信息差逼迫，陷入AI FOMO（错失恐惧症） [15] - 部分主观基金经理已降低对研究员的期望，仅要求其负责具体标的研究，这种角色更容易被AI替代 [15] AI的局限性及人类的不可替代性 - AI存在局限性：无法理解A股市场散户复杂交易行为（如“三阶导”、“五阶导”）、难以共情长期被套却坚守的投资者、无法为投资亏损承担责任 [17] - 如果AI完全取代基金经理和研究员，市场有效假说或将成立，Alpha收益将消失，也不会再出现下一个巴菲特 [18] - 未来资管行业，当AI接管基础工作后，人类剩余的价值在于对投资的热爱、对不确定性的直觉以及坚持留下的理由 [18] - 行业需要思考的不是消灭或臣服于AI，而是决定人与AI各自应扮演的角色 [18] 金融行业整体的焦虑与加速迭代 - 金融行业长期处于“被比较”的环境，业绩压力与知识焦虑持续存在 [7] - 行业近两年变化加速，从DeepSeek发布到全民“养虾”，再到地缘政治事件，金融从业者大脑持续过载 [16] - 行业交流氛围从数年前的乐观（“跳着踢踏舞去上班”）转变为严肃谈论各种“迭代”，反映出普遍的焦虑感 [16] - 行业共识是唯有不断迭代，才不会被快速发展的AI和同业进步所淘汰 [16]

市场环境与资金动向 - 2026年3月，受美伊冲突影响，A股市场环境剧烈重构，市场情绪从极端避险转向对全球供应链和通胀的实质性担忧，指数在关键关口呈拉锯态势 [2] - 板块轮动加快，前期高涨的AI算力等科技题材显著退潮，资金涌向石油、化工等资源板块寻求避险，“HALO资产”成为新避风港 [2] 穿越周期的私募大V业绩表现 - 在87位私募大V中，旗下产品近1年、3年、5年均有业绩展示的有27位 [2] - 其中，公司规模在50亿以上的头部私募大V有8位，包括但斌、梁宏、林园、王一平4位百亿私募大V [2] - 在三个业绩区间均至少有3只产品展示的10位大V中，有7位在所有区间均取得正收益，分别为：但斌、韩广斌、胡军程、李蓓、梁宏、王一平、许琼娜 [5] 代表性私募大V观点摘要 - **但斌（东方港湾）**：认为AI现象级产品的爆发正开启生产方式的根本性变革，美伊冲突是短期地缘噪音对长期产业趋势的扰动，能源价格与避险情绪的起伏无法改变AI算力需求爆发的底层逻辑，市场错杀是长期布局良机 [6] - **胡军程（久阳润泉）**：投资聚焦于被低估的成长和被错杀的价值两类公司，指出电力建设未跟上AI、新能源汽车发展导致供需错配，且电力企业盈利好转但股价未启动，存在估值错配的投资机会 [6] - **王一平（进化论资产）**：认为美伊冲突若持久化将导致利率上升压力巨大，可能引发私募贷款信托暴雷和AI资本支出放缓，对于恒生科技股，核心在于企业能否在AI时代找到增长极 [7] - **沈良（七禾聚资产）**：预判外部环境越复杂，外部输入型风险越大，国内越可能通过加大投资拉动经济，建议关注新基建与老基建 [8] - **梁宏（希瓦资产）**：赞同观点认为中东局势升级将系统性提升地区风险溢价，未来对油气股进行投资评估时，将油价基准假设提升至80美元/桶是合理且必要的 [13] - **曾文凯（盛麒资产）**：认为恒生科技股表现与全球资产趋势并未背离，核心原因是AI竞争落后，短期内除阿里外难见恒科互联网企业做好AI，但做硬件、芯片的企业值得关注 [14] 私募大V实控人概况 - 在87位私募大V中，身份同时为实控人的有47位，占比超过50% [9] - 这47位大V实控的私募中，近1、3、5年均有业绩展示的有27家 [9] - 在这27家私募中，规模为0-5亿的私募较多，有8家；规模在50-100亿的准百亿私募有5家 [11] - 近1、3、5年至少有3只产品展示的12家私募公司中，在所有收益区间均取得正收益的有9家，分别为：半夏投资、东方港湾、海南希瓦、上海希瓦、进化论资产、久阳润泉、盛麒资产、嗣盈私募、新思哲投资 [12] 私募大V粉丝与平台分布 - 根据粉丝数/关注度排序的私募大V全名单显示，但斌在雪球平台粉丝数达“千万+”级别，关联私募为东方港湾 [16] - 关邦非、吴悦风、奖盃、王文、梁瑞安、陈红兵、曾文凯、陈宇等大V在微博平台粉丝数为“百万+”级别 [16] - 部分大V如丁鲁明、伍周、陈支厦、牛书斌等主要活跃于公众号平台，粉丝数在“1万+”级别 [16]

文章核心观点 - AI技术，特别是以OpenClaw为代表的AI Agent，正在深刻改变金融行业尤其是私募基金的投资研究、运营和销售等核心环节，通过替代人力或提升人效，驱动行业向更高效率和更低成本演变 [11][13][17] - 行业对AI的接受和应用呈现分化：量化机构凭借技术优势已进入多智能体平台阶段，主观机构则面临效率焦虑并开始尝试，而散户则借助工具降低信息差 [19][21][22] - 尽管AI替代趋势不可阻挡，但人类在投资中的人文特质，如对不确定性的直觉、热爱和责任感，是AI目前难以取代的核心价值，未来行业的关键在于厘清人与AI的角色分工 [27][28] 一、AI对金融岗位的替代趋势与行业焦虑 - Anthropic报告指出，金融岗位的理论替代率高达94%，但目前实际替代率仅为28%，未来替代空间巨大 [6] - 金融行业成本最高的部分是人，资管公司的核心在于用更少的人管理更多的资金，因此正积极拥抱AI作为“先进产能” [11] - 私募行业在投研、运营、销售等成熟链条的各个环节，AI的替代已经开始发生 [11] - 金融从业者长期处于“被比较”和业绩压力之下，行业普遍存在因技术快速迭代而产生的焦虑感 [10][25] 二、AI投研的成本效益与初步应用 - 私募研究员薪酬高昂，股票量化研究员年薪通常在80万至150万元，主观研究员亦有获得超2000万元年终奖的案例，AI替代可节省巨额人力成本 [13] - 霍华德·马克斯指出，雇主关注的是工作成果是否可靠可用，而非完成者是否具备真正的思考能力 [13] - 春节后，至少8家券商金工团队发布“养龙虾”教程，推广OpenClaw，其能像人类一样主动产出研究成果 [13] - 开源证券金工关于OpenClaw的路演播放量达4839次，内容涵盖策略复现与全自动因子挖掘等 [14][15] - 买方机构积极学习应用，有北京私募为投研团队每人配备新电脑并提供5万元token补助，专门用于“养龙虾” [17] - 雪球资管培养的AI研究员两天工作量可能超过成熟量化研究员半年，且潜力更大 [17] - AI研究员具备全天候工作、长期记忆、绝对忠诚和持续迭代等优势，符合基金经理对研究员的理想期待 [17] 三、量化与主观机构对AI的不同态度 - 主观私募正在权衡使用AI的Token成本是否划算 [19] - 部分头部量化人士认为OpenClaw对量化投资意义不大，视其为具有随机性、非系统性和安全风险的“半成品”或“传销” [20] - 量化机构已搭建更先进的多智能体平台，例如喜岳投资的Apollo AI系统拥有数百个AI员工，对OpenClaw形成技术碾压 [21] - 量化投研流程正从传统流水线架构转向由AI Agent主导的角色分工与工作流设计，标准化工作被大量替代 [21] - 主观基金经理面临上下夹击：上有量化机构的降维打击，下有散户借助工具缩小信息差，陷入AI焦虑 [22] - 有主观基金经理降低了对研究员的预期，仅要求其研究具体标的，而将发现机会和给出建议视为己任，这类角色更易被AI替代 [23][24] 四、AI的局限与人类在投资中的不可替代性 - AI难以理解A股市场散户行为背后的复杂人性与情绪，例如无法预判市场交易的深层逻辑或理解投资者长期被套却坚守的情感因素 [27] - AI无法承担投资亏损的责任，不会面临被投资者问责或需要反思检讨的压力 [27] - 如果AI完全取代人类，市场将趋于完全有效，Alpha将消失，也不会再出现巴菲特式的投资大师 [27] - 当AI接管数据、模型和报告等基础工作后，人类剩余的价值在于对投资的热爱、对不确定性的直觉以及坚持留下的理由 [27] - 行业的未来不在于消灭或臣服于AI，而在于明确人与AI各自应扮演的角色 [28]

文章核心观点 - AI“养龙虾”（OpenClaw）的爆火，标志着市场对AI技术的需求从“能聊”（信息处理与生成）向“能做”（自主决策与闭环执行）的范式跃迁，其核心在于实现了“数据驱动+实时决策+自动执行”的技术范式，将大模型封装为可编排、可执行的智能体（Agent）[4] - 多家量化私募认为，这一现象与量化投资在“先训练后执行”的底层逻辑上高度相似，但其应用场景、风险属性和核心要求存在本质区别，量化投资面对的是充满博弈和不确定性的金融市场，对风险控制、策略迭代深度和泛化能力的要求远高于通用任务自动化[15][16][19] - AI智能体技术在量化投研中具有明确且广泛的应用场景，主要集中在自动化因子挖掘、实时风控、投研流程提效（如数据清洗、报告生成）以及处理另类数据等方面，但目前多数机构处于试点验证阶段，核心挑战在于数据安全、模型“幻觉”和与现有体系的融合[21][24][28] - AI技术正从量化行业的“可选项”变为“必选项”，AI智能体的发展将加剧行业竞争，可能加速行业分化，但最终竞争力取决于机构能否将AI技术与投资研究、数据工程和风险控制深度结合，而非单纯拥有技术工具[30][31] AI“养龙虾”反映的市场需求与核心竞争力 - **市场需求变化**：市场对AI的需求已从“看模型/看回答”升级为“看系统/看执行”，从被动应答、信息处理转向主动执行、完成闭环任务，并追求低门槛和全民可用[4][5][6] - **核心突破**：最核心的突破在于实现了从“指令式AI”到“目标驱动型AI”的跃迁，将大模型封装进可执行、可编排的智能体框架，赋予AI“手”和“脚”，实现“感知-决策-执行”的全流程自动化[4][6][7] - **核心竞争力**：核心竞争力是“数据驱动+实时决策+自动执行”的技术范式，具体表现为全流程自主闭环、低门槛适配性、场景泛化能力，以及“本地化部署+系统级权限+开源生态”构建的安全、私有且可扩展的“数字管家”能力[4][6][8] AI“养龙虾”的产业链投资价值 - **具备投资价值**：AI智能体在AI算力、AI应用、数据服务等相关产业链上具备明确的投资价值。本地部署推动端侧硬件需求，云端部署利好云服务商；企业级定制化应用（如金融流程自动化）空间广阔；隐私计算、数据清洗等配套服务需求增长[11][12] - **价值需理性看待**：投资价值需穿透现象看本质，更应关注支撑其运行的通用型智能体架构及底层基础设施（如算力调度、边缘计算），而非单一实验案例。需考察其是否具备闭环的商业落地能力及可持续的护城河（如私有数据、场景Know-how），对缺乏实际场景支撑的纯概念项目应持谨慎态度[11][12] - **产业链环节分化**：算力/云服务短期受益最直接；应用层当前有价值但未来竞争将收紧；数据服务价值暂不明显，因为OpenClaw的核心逻辑是用户喂养私有数据，与传统数据标注商业模式存在根本差异[13] AI“养龙虾”与量化投资的异同 - **相似之处**：两者在底层逻辑上都遵循“先训练（养成）、后执行、再优化”的范式，依赖海量数据与算力，追求通过反馈闭环实现持续优化，并强调纪律化、自动化的7×24小时执行[15][16][18] - **核心区别**： - **环境与目标**：AI“养龙虾”是在规则相对清晰的环境中提升流程执行效率（降本增效），而量化投资是在充满噪声、强博弈、持续变化的金融市场中寻求风险收益平衡下的超额收益[16][17][19] - **风险属性**：量化投资面对的是真金白银的市场风险、策略失效风险，对风险控制（模型可验证、过程可监控）的要求极端严苛；AI“养龙虾”主要面临操作风险（如权限失控）[15][17] - **专业深度**：量化投资需要“手术刀”般的专业精度和极强的泛化能力，避免过拟合；通用智能体（Agent）往往追求“什么都能做”的广度，但专业深度可能不足[16][19] AI“养龙虾”能力在量化投研的具体应用场景 - **自动化研究流程**：应用于自动化因子工程、策略回测、另类数据（新闻、舆情）的实时抓取与结构化处理，提升策略迭代效率[24][26][28] - **投研流程提效**：自动完成数据清洗、信息整理、会议纪要生成、研报撰写等重复性工作，让研究员聚焦于逻辑判断[22][24] - **实时风控与交易执行**：实时监控市场流动性、政策舆情、持仓风险等多维度信号，并秒级响应调整交易指令[21][24] - **非核心模块开发**：利用智能体辅助代码生成与测试，释放研究人员精力[27] - **当前应用阶段与挑战**：多数机构处于“试点验证与内部工具化”阶段，应用于非核心交易环节。核心挑战包括数据与策略资产的绝对安全、模型“幻觉”、权限管理与合规审查[22][24][28][29] AI智能体对量化行业竞争格局的影响 - **加速行业分化**：AI技术正成为量化行业的重要基础设施，可能加剧行业分化。头部机构凭借更强的技术、人才、数据和算力基础，能更快将工具优势转化为长期优势，扩大规模效应[30][31] - **改变竞争维度**：行业竞争从“算力+模型”的军备竞赛，延伸至“工程化落地+人机协作”的效率竞赛，对机构的管理和组织架构提出全新考验[28][32] - **非颠覆性洗牌**：技术本身不会颠覆行业多元生态，真正的“洗牌”本质是优胜劣汰。最终竞争力取决于机构能否将AI技术与深刻的投资哲学、扎实的投研、严谨的风控深度融合，并构建能够激发创新的内部组织生态[30][31][32]

行业头部私募格局与实控人背景概览 - 截至2026年2月末，国内现存证券类私募机构共7473家，其中管理规模在50亿人民币以上的头部机构仅243家，占比3.25% [2] - 头部私募中，由自然人实际控制的机构有227家，以公司为实控人的有16家 [2] - 根据实控人过往从业背景，可划分为券商系、海外系、公募系、私募系、期货系、民间系、实业系及其他金融机构背景派等多个派系 [3] 券商系头部私募 - 具有券商从业背景的头部私募实控人共计40位，其中管理百亿级（100亿人民币以上）和50-100亿人民币规模私募的各20位 [4] - 该派系代表包括红筹投资（唐亮）和东方港湾（但斌）等成立较早的“元老级”机构 [4] - 券商系头部私募实控人近1年平均收益为36.42% [5] - 典型人物但斌（东方港湾）的投资逻辑聚焦于人工智能、生物制药、商业航天等前沿科技领域，认为这些是未来经济增长的核心动能 [9] 海外系头部私募 - 具有海外从业背景的头部私募实控人共计30位，其中执掌百亿级私募的有21位，管理50-100亿人民币规模的有9位 [10] - 海外系头部私募实控人近1年平均收益达49.20% [11] - 代表案例为龙旗科技创始人朱晓康，拥有22年金融从业经验，其公司认为科创板和创业板企业享受政策倾斜，极具发展潜力和配置价值 [13][14] 公募系头部私募 - 具有公募从业背景的头部私募实控人共计25位，其中管理百亿级私募的有12位，管理50-100亿人民币规模的有13位 [15] - 公募系头部私募实控人近1年平均收益为22.71% [16] - 代表机构包括淡水泉（赵军）、星石投资（江晖）和千合资本（王亚伟）等 [18] 其他背景派系头部私募 - 行业中存在从民间、期货、学者等不同背景崛起的头部私募实控人 [19] - “民间派”以灵活多元、爆发力强著称，代表包括新思哲投资韩广斌、乾象投资高鹏飞 [21] - “期货派”深谙衍生品工具与波动博弈，代表为凯丰投资吴星 [22] - “学者派”将严谨学术思维与产业认知结合，代表为超量子张晓泉，其曾任香港中文大学商学院讲席教授，拥有华尔街量化对冲基金从业经历 [23]

公司概况 - 公司全称为宁波数法私募基金管理有限公司，成立于2017年12月，在中国证券投资基金业协会的登记编码为P1073748 [5] - 公司名称“数法”源于《史记》，寓意奉行细致、及时、深入的研究方法，并高度重视可持续经营，力求平衡收益与风险 [5] - 公司管理规模在5-10亿人民币之间，核心策略为多资产，办公地点位于宁波 [6] - 公司于2022年完成协会登记，创始人吴佳一建立了主观团队；2025年，联合创始人刘业鸿建立量化团队并搭建了全流程强化学习的Alpha+T0策略线 [6] - 截至2026年1月底，公司管理规模已近10亿人民币 [6] 投资理念与策略框架 - 投资理念强调全球配置与前瞻性预判产业发展大周期，聚焦核心赛道，构建了“核心主导+辅助适配”的投资策略体系 [10] - 核心理念是“科学数据支撑的主观投资策略”，兼顾收益性与安全性 [10] - 投资策略框架以“行业前瞻研判驱动的主观投资策略”为核心，并辅以三大辅助策略：产业链深度挖掘策略、优质标的精选策略、组合动态优化策略 [11] - 三大辅助策略紧密围绕核心策略，共同服务于“捕捉产业投资大周期、锁定直接受益标的”的核心目标 [11] 核心定位与构建逻辑 - 公司以“科学数据赋能复利增长”为根本，核心逻辑是围绕行业前瞻性研判展开 [13] - 目标是聚焦产业投资大周期，利用科学数据降低主观决策偏差，同时通过主观研判精准把握投资节奏与标的选择，致力于实现收益最大化 [13] - 构建逻辑是以行业前瞻性研判为核心，筑牢“数据支撑+主观研判+闭环落地”三大支柱 [14] 代表产品与盈利来源 - 代表产品为“数法日月星辰4号” [18] - 策略执行依托三大支柱： - **数据支撑**：依托宏观、行业全维度标准化数据监测体系，整合核心经济指标、产业供需数据、技术迭代数据等 [18] - **主观研判**：结合投研团队对产业趋势、政策导向、技术突破的深度分析，锁定处于上升周期的核心赛道 [18] - **闭环落地**：通过个股筛选、组合构建、动态优化的全流程管理，将行业研判结论转化为实际投资 [18] - 核心盈利来自三个方面： - **产业周期红利**：捕捉核心行业上升周期的整体增长收益，分享产业规模扩张与技术升级红利 [18] - **优质标的溢价**：锁定产业链内直接受益的核心标的，赚取标的业绩增长与估值提升的双重收益 [18] - **组合优化收益**：动态跟踪并调整组合配置，以规避下行风险并提升整体盈利效率 [18] 风险收益特征与策略规划 - **收益端**：呈现“中等偏高收益”特征，收益弹性与产业周期强联动，追求长期收益跑赢核心行业平均水平 [18] - **风险端**：属“中等偏高风险”，核心风险包括产业周期预判偏差、标的业绩不及预期、政策调整等 [18] - 公司通过科学数据验证与针对性风控机制，旨在有效降低主观决策风险与系统性风险，严控整体风险，力争风险收益比优于行业同类策略 [18] - 策略规划将根据宏观经济、产业趋势、政策变化动态优化细节，但不盲目调整捕捉产业大周期的核心逻辑 [16] - 结合核心行业的优质标的容量、资金流动性及策略适配性，公司预计理想管理规模为30-50亿元人民币 [17] 核心优势与亮点 - **优势一：研究理念**：坚守“科学数据支撑的主观投资”理念，所有决策均以全维度科学数据为核心依据，实现“主观精准性+数据严谨性”的双重优势 [20] - 研究理念打破地域局限，立足全球视野筛选优质资产，以拓宽收益来源并分散投资风险 [20] - **优势二：研究方法**： - **数据驱动核心**：搭建专属全维度数据库，实现数据实时更新与精准调用 [21] - **聚焦产业周期**：以行业前瞻性研判为核心，深度挖掘全球产业投资大周期，锁定长期受益资产 [21] - **定性与定量深度融合**：兼顾科学性与前瞻性，弥补纯主观或纯量化机构的短板 [21] 持续巩固优势的机制 - **数据体系升级机制**：持续加大数据投入，拓展全球资产数据来源，定期优化数据筛选与分析模型，并配备专业数据研究团队 [22] - **投研团队建设机制**：搭建“全球视野+专业深耕”的投研团队，吸纳核心人才，定期开展全球产业调研与专业培训，并建立完善的激励机制 [23] - **研究复盘与优化机制**：定期复盘研究理念、方法及全球资产配置效果，结合市场变化优化研究逻辑，并对比业内同行以强化差异化优势 [24] - **全球资产跟踪机制**：建立全球优质资产跟踪体系，专人负责跟踪全球核心市场动态，并及时捕捉投资机会与规避风险 [25] - **风控与决策保障机制**：完善“数据支撑+风控把关”的决策机制，所有决策需经数据验证与风控审核，并优化风控规则以适配全球市场 [26]

文章核心观点 - A股网下打新市场中，百亿量化私募展现出压倒性优势，成为“常胜选手”，其高胜率源于其投资体系与打新规则的高度适配、强大的多因子定价模型以及以“零额外成本”满足市值门槛的底仓策略 [3][5][8] - 针对量化打新与监管倡导的“长期持有”导向是否相悖的质疑，分析认为二者并不冲突，量化私募的底仓配置符合长期价值投资逻辑，且其算法交易有助于平滑市场冲击，促进定价理性 [3][10][13] - 尽管量化打新优势明显，但私募机构（包括部分量化私募）因内控短板成为违规高发区，行业正从“制度套利”向构建全流程合规闭环和“价值发现”阶段演进 [15][17][18] 百亿量化私募的打新优势与市场表现 - **市场主导地位**：截至3月8日，年内参与网下打新的162家私募合计获配7.53亿元，其中56家百亿私募获配6.56亿元，占比高达87.12% [5] - **量化机构碾压性胜率**：在获配金额不低于1000万元的20家私募中，百亿量化私募占据18席，前十名全部为百亿量化私募 [5] - **领先机构示例**：九坤投资以5805.08万元的获配金额暂居榜首，世纪前沿与幻方量化紧随其后 [6] - **偏好硬科技标的**：私募对科创板新股参与度更深，例如固德电材、易思维和恒运昌获配数量占总股本比例分别为2.69%、2.35%和1.83% [6] 量化私募高胜率的原因分析 - **规则适配优势**：通过旗下数十至上百只产品独立申购，可突破单账户顶格申购上限，并能灵活适配锁定期规则以换取更高获配优先级 [8] - **强大的定价能力**：头部量化机构的报价偏离度较市场均值低逾30%，这得益于多因子模型能实时拆解新股基本面、行业景气与市场情绪 [8] - **“零额外成本”满足门槛**：主流的指数增强、市场中性策略本身需要持有高度分散的股票底仓，天然满足了网下打新的市值要求 [8] - **收益增厚与正向循环**：成熟的交易风控体系可精准把握卖出时点，打新稳定收益又可增厚策略业绩，形成正向循环 [8] 对量化打新“长期持有”质疑的回应 - **与监管导向不冲突**：监管鼓励长期价值配置，并非简单否定短期参与行为，量化私募的底仓多为技术壁垒高、成长性明确的标的，符合长期价值投资逻辑 [3][10] - **策略结构澄清**：百亿量化私募的管理规模中，高周转高频策略占比普遍不足20%，绝对主力是中低频策略 [10] - **严格的策略隔离**：高流动性策略产品仅参与无锁定期打新，带限售期的申购由久期匹配的产品参与，且单只新股在产品的市值占比极低 [11] - **算法交易稳定市场**：量化卖出过程以分散、均衡、降低冲击为目标，客观上减少对二级市场的瞬时冲击，有利于维护股价稳定和提升流动性 [13] - **促进定价理性**：据观察，量化参与后，新股破发率从2022年的28%降至2024年的12%，报价更趋理性，锁仓资金为二级市场提供阶段性流动性支撑 [13] 私募打新违规现象与合规建设 - **违规案例频发**：近期有百亿私募因内控制度缺失、泄露报价信息、研究不充分等问题被处罚，被罚机构中也不乏量化私募 [15][16] - **违规根源**：打新询价具有高频次、短窗口期特点，对合规要求极高，但多数私募将其视为附属业务，合规投入不足，存在利益密度与操作复杂度的错配 [17] - **合规建设方向**：需构建“制度+流程+技术”的全流程合规闭环，包括制定专项内控制度、推行集体定价与复核机制、通过系统固化流程并自动校验合规性 [18] - **行业演进趋势**：量化打新正从“制度套利”迈向“价值发现”，这考验算法精度，更考验对监管精神的理解与长期资本的敬畏 [18]