China asset management industry AI adoption: Los gestores de activos chinos están construyendo rápidamente arquitecturas de inversión nativas de IA, con los fondos cuantitativos liderando la adopción y la profundidad de despliegue.

Visión general

Este análisis temático profundo examina cómo los gestores de activos, fondos cuantitativos, firmas de valores y plataformas de datos financieros chinos están adoptando la IA generativa. La conclusión central de Bernstein es que China está avanzando a una velocidad inusual hacia arquitecturas de IA empresarial basadas en despliegue privado, modelos de pesos abiertos y flujos de trabajo agénticos, y que los gestores cuantitativos incorporan cada vez más la IA al propio proceso de inversión.

Perspectivas principales

Bernstein sostiene que la adopción de IA en la gestión de activos china se aceleró marcadamente tras el lanzamiento de R1 de DeepSeek en enero de 2025. A diferencia de la adopción global, más lenta y diversificada entre proveedores desde 2023, las instituciones chinas prefieren modelos de pesos abiertos y despliegue local. El informe lo atribuye al ecosistema doméstico de modelos, liderado por DeepSeek, Qwen, Kimi y GLM, y a la necesidad de proteger datos de inversión sensibles y propietarios. La arquitectura predominante es híbrida: infraestructura privada para información sensible y servicios de nube pública para trabajo público o no sensible. El informe considera que los principales gestores de fondos mutuos han superado las herramientas de productividad y avanzan hacia plataformas empresariales que combinan acceso a modelos, bases de conocimiento, agentes y flujos de trabajo. El modelo organizativo está pasando de herramientas de IA centralizadas y lideradas por TI a ecosistemas descentralizados de agentes y habilidades, impulsados por las áreas de negocio y denominados en ocasiones “Enterprise Brain”. Xingzheng Global Fund reportó una mejora de más de 30% en eficiencia de negociación y una reducción de 50% en tiempo de procesamiento de documentos; Huitianfu Fund reportó una precisión superior a 96% en extracción de datos de libros de bonos. Los fondos cuantitativos chinos son los ganadores tempranos más claros. Bernstein observa que DeepSeek se originó en High-Flyer, una firma de inversión cuantitativa, lo que refleja la combinación sectorial de talento de ingeniería, infraestructura informática, datos de mercado propietarios e incentivo comercial para aplicar IA a investigación y negociación. Cerca de 44% de las firmas cuantitativas locales desplegaban modelos localmente, 30% ajustaban modelos fundacionales y 26% construían LLM verticales propietarios. Para Q1 2025, 55% usaba IA para investigación y generación de ideas, 33% para codificación y depuración, y 31% para minería automatizada de factores. Para Q1 2026, los agentes se habían extendido por todo el ciclo de desarrollo: 64.13% de las organizaciones cuantitativas usaba agentes para generación y depuración de código, 57.4% para limpieza de datos, 53.81% para minería de factores y 44.84% para backtesting inteligente. El informe argumenta que la programación y las herramientas de investigación agénticas pueden ampliar el número de hipótesis probadas, acortar la iteración de investigación de factores y permitir que los investigadores humanos se concentren en intuición económica, diseño de características, pruebas de robustez y construcción de carteras. La minería de datos con IA también se centra en información conductual y no estructurada: minería de sentimiento de redes sociales de 59.6%, reconstrucción de flujo de órdenes institucionales de 53.9%, análisis de sentimiento y régimen de noticias de 49.4%, y análisis de informes regulatorios y de investigación de 48.3%. Bernstein describe una transición adicional desde investigación asistida por IA hacia arquitecturas de inversión nativas de IA. Incluye sistemas de aprendizaje profundo de extremo a extremo que transforman datos de mercado Level 2 en previsiones de rentabilidad, ponderaciones de cartera y decisiones de ejecución, con aprendizaje por refuerzo incorporado a construcción de cartera, timing y gestión dinámica de exposición. Otras firmas usan modelos unificados para generar factores no lineales, construir carteras y producir señales de negociación, mientras que sistemas macro comprimen información estructurada y no estructurada de largo plazo en señales multiactivo. El informe subraya el énfasis creciente en aprendizaje adaptativo, generación automática de señales e iteración rápida, en vez de solo investigación tradicional de factores diseñados por humanos. La expansión ha coincidido con un fuerte crecimiento sectorial. El AUM cuantitativo chino se duplicó con creces hasta superar RMB 2.6tn (US$382bn) en menos de un año. Bernstein informa que los modelos cuantitativos impulsados por IA superaron a gestores discrecionales en más de 20% en 2025 y que se lanzaron 6,296 nuevos productos cuantitativos, equivalentes a 46% de las nuevas ofertas de hedge funds. El informe lo interpreta como un ciclo autorreforzado: el descubrimiento de señales basado en IA, la mayor cobertura y la ejecución más rápida mejoran las rentabilidades, atraen flujos y financian más inversión en datos, computación y talento. El informe también cartografía un ecosistema de herramientas de IA en rápida evolución. Terminales consolidados como Wind, iFinD y East Money siguen siendo relevantes porque combinan datos propietarios con conectividad de agentes y MCP o Skills. Plataformas independientes como Alpha Pai, AlphaEngine, DataYes y AI Jinbao compiten mediante flujos de investigación, infraestructura de datos, investigación cuantitativa, comunicación o contenido. Kimi se destaca como un retador creíble basado en modelos para la capa de investigación, mientras que Perplexity, Manus y Hermes Agent se describen como herramientas relevantes para inversores de Hong Kong, particularmente para investigación transfronteriza, automatización y flujos de agentes privados. La regulación es otro diferenciador. La norma de modelos grandes de AMAC de abril de 2026 establece controles sobre infraestructura, gestión de datos, servicios de modelos, tecnología de aplicaciones, aplicaciones por escenario y gestión de seguridad. Exige protección de datos sensibles, separación de acceso, pistas de auditoría, trazabilidad y revisión humana cuando sea necesaria. Bernstein interpreta el marco como un tratamiento del despliegue de IA como una cuestión de arquitectura y gobernanza empresarial integral, no como una aplicación aislada. El informe también menciona las directrices de NFRA de junio de 2026 para banca y seguros, que enfatizan la responsabilidad institucional y la gestión de riesgos durante todo el ciclo de vida. De cara al futuro, Bernstein considera 2026 el primer año de la era de agentes de investigación de inversiones. La ventaja competitiva debería pasar del mero acceso a modelos a la integración de datos propietarios, sistemas de conocimiento, flujos de trabajo y agentes. Aunque los agentes autónomos pueden ejecutar una mayor parte de los flujos de investigación, el informe afirma que el juicio final de inversión, las decisiones de cartera y la responsabilidad fiduciaria seguirán en manos de profesionales humanos de inversión en el futuro previsible.

Marco de análisis

Bernstein compara la trayectoria de adopción de IA de China con la de pares globales, revisa despliegues reportados en fondos, gestores cuantitativos, firmas de valores y plataformas de datos financieros, y utiliza encuestas sectoriales y ejemplos empresariales para seguir el paso de la experimentación a la arquitectura de producción. Después vincula los patrones de adopción con flujos de inversión, resultados de mercado y controles regulatorios.

Notas metodológicas

• Marco de análisis sectorialAnálisis de la cadena de valor

  Arquitectura de IA empresarial a través de modelos, datos, bases de conocimiento, agentes y flujos de trabajo

  El informe examina cómo se conectan las capas de una pila de IA empresarial y cómo la diferenciación pasa del acceso a modelos a los datos propietarios y la integración de flujos de trabajo.

• Teoría cuantitativa, factorial y de carterasModelo multifactorial

  Minería de factores, descubrimiento de señales, construcción de carteras y backtesting habilitados por IA

  El informe describe cómo los gestores cuantitativos usan IA para descubrir señales no lineales, probar factores, optimizar carteras y apoyar la ejecución, en lugar de depender solo de factores diseñados manualmente.

• Marco de análisis sectorialMarco de oferta y demanda

  Adopción, posicionamiento competitivo y dinámica de captación de fondos en la industria cuantitativa china

  El informe vincula el desempeño y la capacidad habilitados por IA con flujos de inversores, lanzamientos de productos y posterior inversión en datos, computación y talento.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• Chinese quant funds

  Segmento industrial principal que se beneficia de investigación, descubrimiento de señales, construcción de carteras y ejecución impulsados por IA

  Fortalezas

  Profundo talento de ingeniería, datos de mercado propietarios, infraestructura informática y rápido despliegue local de modelos

  Comparación

  El informe considera que los fondos cuantitativos chinos están por delante de muchos pares globales en desarrollo de IA y profundidad de adopción

  Riesgos

  Siguen siendo necesarios controles de gobernanza, calidad de datos, riesgo de modelo y datos sensibles.

• Wind

  Plataforma consolidada de datos financieros institucionales que se adapta mediante agentes y conectividad MCP

  Fortalezas

  Datos financieros propietarios, flujos institucionales integrados y amplio uso profesional

  Comparación

  Compite con el enfoque más abierto y centrado en datos de iFinD y con el ecosistema East Money orientado a transacciones

• Tonghuashun / iFinD

  Plataforma de datos financieros que busca convertirse en una capa de datos para agentes internos y de terceros

  Fortalezas

  Estrategia abierta y centrada en datos, herramientas de lenguaje natural y conectividad MCP

  Comparación

  Más abierta y centrada en consultas que el enfoque de Wind basado en terminales

• East Money / Miaoxiang

  Ecosistema de IA orientado a transacciones y distribución

  Fortalezas

  Grandes canales de corretaje minorista, información y distribución de fondos

  Comparación

  Está más anclado en el recorrido desde investigación hasta operación que los competidores de espacios de trabajo de investigación institucional

• Kimi for Financial Services

  Retador de la capa de investigación impulsado por modelos

  Fortalezas

  Búsqueda financiera, modelización, flujos de valoración y cobertura de investigación transfronteriza

  Comparación

  Se contrasta con plataformas especializadas verticales como Alpha Pai y AlphaEngine

Datos clave

• AUM cuantitativo chinoOver RMB 2.6tn (US$382bn)Se duplicó con creces en menos de un año.
• Rendimiento de estrategias cuantitativasMore than 20% outperformanceEstrategias impulsadas por máquinas frente a gestores discrecionales en 2025.
• Nuevos productos cuantitativos6,296Lanzados en 2025; 46% de todas las nuevas ofertas de hedge funds.
• Despliegue local de modelosNearly 44%Proporción de firmas cuantitativas locales encuestadas que desplegaban modelos como DeepSeek localmente.
• Adopción de programación agéntica64.13%Proporción de organizaciones cuantitativas encuestadas que usaban agentes para generación y depuración de código para Q1 2026.
• Adopción de IA por firmas de valores67 firms, or 44%De las 151 firmas de valores chinas con licencia para H1 2025, frente a 19 en 2023.
• Marco de control de IA de AMACSix layersInfraestructura, datos, servicios de modelos, tecnología de aplicaciones, aplicaciones por escenario y gestión de seguridad.

Impacto e implicaciones

El informe afirma que la ventaja competitiva está pasando de capacidades de modelos independientes a la combinación de datos propietarios, despliegue seguro, flujos de agentes reutilizables y gobernanza. Considera que la supervisión humana seguirá siendo central incluso cuando la IA se integre más profundamente en investigación, gestión de carteras, negociación y operaciones.

Riesgos

• El marco de AMAC exige que la información personal sensible, las instrucciones de negociación y la investigación no publicada se mantengan fuera del entrenamiento o ajuste de modelos de propósito general.
• Las estrategias de inversión y reglas de control de riesgo altamente sensibles requieren entornos privados o aislados dedicados.
• El informe afirma que los resultados generados por IA requieren controles, incluida la interceptación o revisión humana de resultados irrazonables, pistas de auditoría y trazabilidad.

Aspectos que vigilar

• El grado en que los fondos pasen de construir capacidades fundamentales de IA a desplegar agentes a gran escala en 2026.
• Si los datos propietarios, los sistemas de conocimiento y la integración de flujos de trabajo se convierten en los diferenciadores competitivos decisivos.
• Mayor adopción de interfaces MCP o Skills por los proveedores consolidados de datos financieros.
• La implementación de la norma de seis capas de AMAC y los requisitos relacionados de gobernanza de IA.
• Evidencia continua de que los procesos cuantitativos habilitados por IA se traduzcan en desempeño, captación de fondos y crecimiento de productos.