China asset management industry AI adoption: 중국 자산운용사는 AI 네이티브 투자 아키텍처를 빠르게 구축하고 있으며, 퀀트 펀드가 도입과 배포 깊이에서 선도하고 있다.

개요

이 테마형 심층 보고서는 중국 자산운용사, 퀀트 펀드, 증권사 및 금융 데이터 플랫폼의 생성형 AI 도입을 분석한다. Bernstein의 핵심 결론은 중국이 프라이빗 배포, 오픈 웨이트 모델 및 에이전트형 워크플로에 기반한 엔터프라이즈 AI 아키텍처로 이례적으로 빠르게 이동하고 있으며, 퀀트 운용사가 AI를 투자 프로세스 자체에 점차 내재화하고 있다는 것이다.

핵심 견해

Bernstein은 DeepSeek의 2025년 1월 R1 출시 이후 중국 자산운용업의 AI 도입이 급격히 빨라졌다고 본다. 2023년 이후 글로벌 도입이 더 점진적이고 벤더 다변화 형태였던 것과 달리, 중국 기관은 오픈 웨이트 모델과 로컬 배포를 선호했다. 보고서는 이를 DeepSeek, Qwen, Kimi 및 GLM으로 대표되는 국내 모델 생태계와 민감한 투자·독자 데이터를 보호해야 하는 필요성에 기인한다고 설명한다. 주된 구조는 민감 정보에는 프라이빗 인프라를, 공개 또는 비민감 업무에는 퍼블릭 클라우드 서비스를 사용하는 하이브리드 방식이다. 보고서는 주요 공모펀드 운용사가 생산성 도구를 넘어 모델 접근, 지식 기반, 에이전트 및 업무 워크플로를 통합한 엔터프라이즈 플랫폼으로 진전했다고 판단한다. 조직 모델은 IT 주도의 중앙집중형 AI 도구에서 비즈니스 주도의 분산형 에이전트·스킬 생태계로 이동하며, 때로는 “Enterprise Brain”으로 불린다. Xingzheng Global Fund는 거래 효율이 30% 넘게 개선되고 문서 처리 시간이 50% 감소했다고 보고했으며, Huitianfu Fund는 채권 원장 데이터 추출 정확도가 96%를 넘었다고 보고했다. 중국 퀀트 펀드는 가장 뚜렷한 초기 승자로 제시된다. Bernstein은 DeepSeek가 퀀트 투자회사 High-Flyer에서 출발했다는 점을 지적하며, 이 부문의 엔지니어링 인력, 컴퓨팅 인프라, 독자 시장 데이터 및 AI를 리서치와 거래에 직접 적용할 상업적 유인의 결합을 보여준다고 본다. 조사 결과 로컬 퀀트 기업의 약 44%가 모델을 현지 배포했고, 30%는 기반 모델을 미세조정했으며, 26%는 독자 수직 도메인 LLM을 구축하고 있었다. Q1 2025에는 55%가 리서치와 아이디어 생성, 33%가 코딩 및 디버깅, 31%가 자동화된 팩터 마이닝에 AI를 사용했다. Q1 2026까지 에이전트 도입은 개발 수명주기 전반으로 확산됐다. 조사 대상 퀀트 조직의 64.13%는 코드 생성과 디버깅, 57.4%는 데이터 정제, 53.81%는 팩터 마이닝, 44.84%는 지능형 백테스팅에 에이전트를 사용했다. 보고서는 에이전트형 코딩과 리서치 도구가 검증할 수 있는 가설의 수를 늘리고 팩터 연구 반복을 단축하며, 연구자가 경제적 직관, 특성 설계, 견고성 테스트 및 포트폴리오 구축에 더 집중하게 한다고 설명한다. AI 데이터 마이닝은 소셜미디어 심리 분석 59.6%, 틱 데이터 기반 기관 주문흐름 재구성 53.9%, 뉴스 심리·레짐 분석 49.4%, 기업 공시·리서치 보고서 분석 48.3% 등 행동 및 비정형 정보에도 집중한다. Bernstein은 AI 보조 리서치에서 AI 네이티브 투자 아키텍처로의 추가 전환을 설명한다. 사례에는 Level 2 시장 데이터를 수익률 예측, 포트폴리오 비중 및 집행 결정으로 직접 전환하는 엔드투엔드 딥러닝 시스템이 있으며, 강화학습은 포트폴리오 구축, 타이밍 및 동적 익스포저 관리에 활용된다. 다른 회사들은 통합 모델로 비선형 팩터, 포트폴리오 및 거래 신호를 생성하고, 거시 지향 시스템은 장기간의 정형·비정형 정보를 크로스에셋 신호로 압축한다. 보고서는 이 접근법이 전통적인 인간 설계 팩터 연구를 넘어 적응형 학습, 자동 신호 생성 및 빠른 반복에 집중한다고 강조한다. 이러한 확장은 강한 업계 성장과 함께 나타났다. 중국 퀀트 AUM은 1년 미만에 RMB 2.6tn (US$382bn) 이상으로 두 배 넘게 증가했다. Bernstein은 AI 주도 퀀트 모델이 2025년에 재량 운용사를 20% 넘게 앞섰고, 같은 해 6,296개의 신규 퀀트 상품이 출시되어 신규 헤지펀드 상품의 46%를 차지했다고 보고한다. 보고서는 이를 AI 주도 신호 발굴, 더 넓은 종목 커버리지 및 빠른 집행이 수익률을 개선하고 자금 유입을 끌어들여 데이터, 컴퓨팅 및 인재에 대한 추가 투자를 지원하는 선순환으로 본다. 보고서는 빠르게 진화하는 AI 도구 생태계도 정리한다. Wind, iFinD 및 East Money 같은 기존 단말은 독자 데이터를 에이전트와 MCP 또는 Skills 연결성에 결합하므로 여전히 중요하다. Alpha Pai, AlphaEngine, DataYes 및 AI Jinbao 같은 독립 플랫폼은 리서치 워크플로, 데이터 인프라, 퀀트 리서치, 커뮤니케이션 또는 콘텐츠를 통해 경쟁한다. Kimi는 리서치 계층의 신뢰할 만한 모델 주도 도전자로, Perplexity, Manus 및 Hermes Agent는 특히 크로스보더 리서치, 자동화 및 프라이빗 에이전트 워크플로 측면에서 홍콩 기반 투자자에게 관련된 도구로 언급된다. 규제도 차별화 요인이다. AMAC의 2026년 4월 대규모 모델 표준은 인프라, 데이터 관리, 모델 서비스, 애플리케이션 기술, 시나리오 애플리케이션 및 보안 관리를 포괄한다. 이는 민감 데이터 보호, 접근 분리, 감사 추적, 추적 가능성 및 필요한 경우 사람의 검토를 요구한다. Bernstein은 이를 AI 배포를 개별 애플리케이션이 아니라 전사 아키텍처와 거버넌스의 문제로 다루는 체계로 해석한다. 보고서는 은행·보험업에 대한 NFRA의 2026년 6월 지침도 언급하며 기관 책임과 전 수명주기 리스크 관리를 강조한다. 향후 Bernstein은 2026년을 투자 리서치 에이전트 시대의 첫해로 본다. 경쟁우위는 모델 접근만이 아니라 독자 데이터, 지식 시스템, 워크플로 및 에이전트의 통합으로 이동할 전망이다. 자율 에이전트가 리서치 워크플로의 더 많은 부분을 수행하더라도, 최종 투자 판단, 포트폴리오 결정 및 수탁자 책임은 당분간 인간 투자 전문가에게 남을 것이라고 보고서는 밝힌다.

분석 프레임워크

Bernstein은 중국의 AI 도입 경로를 글로벌 동종업체와 비교하고, 펀드, 퀀트 운용사, 증권사 및 금융 데이터 플랫폼의 공개된 배포 사례를 검토한다. 업계 조사와 기업 사례를 통해 실험에서 프로덕션 아키텍처로의 전환을 추적한 뒤, 도입 패턴을 투자 워크플로, 시장 결과 및 규제 통제와 연결한다.

방법론 메모

• 산업 분석 프레임워크가치사슬 분석

  모델, 데이터, 지식 기반, 에이전트 및 워크플로 전반의 엔터프라이즈 AI 아키텍처

  보고서는 엔터프라이즈 AI 스택의 계층이 어떻게 연결되며, 차별화가 모델 접근에서 독자 데이터와 워크플로 통합으로 어떻게 이동하는지 검토한다.

• 퀀트·팩터·포트폴리오 이론다요인 모형

  AI 기반 팩터 마이닝, 신호 발굴, 포트폴리오 구축 및 백테스팅

  보고서는 퀀트 운용사가 인간이 설계한 팩터에만 의존하지 않고 AI로 비선형 신호를 발견하고, 팩터를 테스트하며, 포트폴리오를 최적화하고, 집행을 지원하는 방식을 설명한다.

• 산업 분석 프레임워크수급 프레임워크

  중국 퀀트 펀드 산업의 도입, 경쟁 포지셔닝 및 자금조달 동향

  보고서는 AI 기반 성과와 역량을 투자자 자금 유입, 신규 상품 출시 및 데이터·컴퓨팅·인재에 대한 후속 투자와 연결한다.

자산 매핑 및 비교

투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).

• Chinese quant funds

  AI 주도 리서치, 신호 발굴, 포트폴리오 구축 및 집행의 혜택을 받는 주요 산업 부문

  강점

  풍부한 엔지니어링 인재, 독자 시장 데이터, 컴퓨팅 인프라 및 빠른 로컬 모델 배포

  비교

  보고서는 중국 퀀트 펀드가 AI 개발 및 도입 깊이에서 다수의 글로벌 동종업체보다 앞선다고 본다

  위험

  거버넌스, 데이터 품질, 모델 리스크 및 민감 데이터 통제가 여전히 필요하다.

• Wind

  에이전트와 MCP 연결성을 통해 변화에 대응하는 기존 기관용 금융 데이터 플랫폼

  강점

  독자 금융 데이터, 내재화된 기관 워크플로 및 광범위한 전문 사용자 기반

  비교

  더 개방적이고 데이터 중심인 iFinD 및 거래 지향 East Money 생태계와 경쟁

• Tonghuashun / iFinD

  내부 및 제3자 에이전트의 데이터 계층이 되려는 금융 데이터 플랫폼

  강점

  개방적이고 데이터 중심적인 전략, 자연어 도구 및 MCP 연결성

  비교

  Wind의 단말 중심 접근보다 더 개방적이고 질의 중심적

• East Money / Miaoxiang

  거래 및 유통 지향의 AI 생태계

  강점

  대규모 리테일 브로커리지, 정보 및 펀드 유통 채널

  비교

  기관 리서치 워크스페이스 경쟁사보다 리서치에서 거래까지의 경로에 더 밀접하게 연계

• Kimi for Financial Services

  모델 주도 리서치 계층의 도전자

  강점

  금융 검색, 모델링, 밸류에이션 워크플로 및 크로스보더 리서치 커버리지

  비교

  Alpha Pai 및 AlphaEngine 같은 수직 특화 플랫폼과 대조됨

핵심 데이터

• 중국 퀀트 AUMOver RMB 2.6tn (US$382bn)1년 미만에 두 배 이상 증가.
• 퀀트 전략 성과More than 20% outperformance2025년 기계 주도 전략과 재량 운용사의 비교.
• 신규 퀀트 상품6,2962025년에 출시됐으며, 전체 신규 헤지펀드 상품의 46%를 차지.
• 로컬 모델 배포Nearly 44%DeepSeek 등 모델을 로컬 배포한 조사 대상 로컬 퀀트 기업의 비중.
• 에이전트형 코딩 도입64.13%Q1 2026까지 코드 생성과 디버깅에 에이전트를 사용한 조사 대상 퀀트 조직의 비중.
• 증권사 AI 도입67 firms, or 44%H1 2025 기준 151개 인가 중국 증권사 중 67개사로, 2023년 19개사에서 증가.
• AMAC AI 통제 프레임워크Six layers인프라, 데이터, 모델 서비스, 애플리케이션 기술, 시나리오 애플리케이션 및 보안 관리.

영향과 시사점

보고서는 경쟁우위가 개별 모델 역량에서 독자 데이터, 보안 배포, 재사용 가능한 에이전트형 워크플로 및 거버넌스의 결합으로 이동하고 있다고 말한다. AI가 리서치, 포트폴리오 관리, 트레이딩 및 운영에 더 깊이 내재화되더라도 인간 감독은 여전히 핵심이라고 본다.

위험

• AMAC 프레임워크는 민감한 개인정보, 거래 지시 및 미공개 리서치 정보를 범용 모델 학습이나 미세조정에서 제외할 것을 요구한다.
• 매우 민감한 투자 전략과 리스크 통제 규칙에는 전용 프라이빗 또는 격리 환경이 필요하다.
• 보고서는 AI 생성 결과물에 불합리한 결과의 차단 또는 인간 검토, 감사 추적 및 추적 가능성을 포함한 통제가 필요하다고 설명한다.

주시할 점

• 2026년에 펀드가 AI 기반 역량 구축에서 대규모 에이전트 배포로 이동하는 정도.
• 독자 데이터, 지식 시스템 및 워크플로 통합이 결정적인 경쟁 차별화 요소가 되는지 여부.
• 금융 데이터 기존 사업자의 MCP 또는 Skills 인터페이스 추가 도입.
• AMAC의 6개 계층 표준 및 관련 AI 거버넌스 요건의 이행.
• AI 기반 퀀트 프로세스가 성과, 자금조달 및 상품 성장으로 이어진다는 지속적 증거.