China asset management industry AI adoption: Gestoras chinesas de ativos estão construindo rapidamente arquiteturas de investimento nativas de IA, com fundos quantitativos liderando a adoção e a profundidade de implementação.

Visão geral

Esta análise temática aprofundada examina como gestoras chinesas de ativos, fundos quantitativos, corretoras e plataformas de dados financeiros estão adotando IA generativa. A conclusão central da Bernstein é que a China avança em velocidade incomum para arquiteturas de IA empresarial baseadas em implantação privada, modelos de pesos abertos e fluxos de trabalho agênticos, enquanto gestores quantitativos incorporam cada vez mais a IA ao próprio processo de investimento.

Visões principais

A Bernstein argumenta que a adoção de IA na gestão de ativos chinesa acelerou fortemente após o lançamento do R1 da DeepSeek em janeiro de 2025. Em contraste com a adoção global mais lenta e diversificada entre fornecedores desde 2023, as instituições chinesas preferem modelos de pesos abertos e implantação local. O relatório atribui isso ao ecossistema doméstico de modelos liderado por DeepSeek, Qwen, Kimi e GLM, além da necessidade de proteger dados de investimento sensíveis e proprietários. A arquitetura dominante é híbrida: infraestrutura privada para informação sensível e serviços de nuvem pública para trabalho público ou não sensível. O relatório conclui que grandes gestoras de fundos mútuos ultrapassaram ferramentas de produtividade e avançam para plataformas empresariais que combinam acesso a modelos, bases de conhecimento, agentes e fluxos de trabalho. O modelo organizacional está mudando de ferramentas de IA centralizadas e lideradas por TI para ecossistemas descentralizados de agentes e habilidades, orientados pelos negócios, por vezes chamados de “Enterprise Brain”. Xingzheng Global Fund reportou melhora de mais de 30% na eficiência de negociação e redução de 50% no tempo de processamento de documentos; Huitianfu Fund reportou precisão acima de 96% na extração de dados de livros de títulos. Os fundos quantitativos chineses são identificados como os vencedores iniciais mais claros. A Bernstein observa que a DeepSeek se originou na High-Flyer, uma firma de investimento quantitativo, refletindo a combinação de talento de engenharia, infraestrutura de computação, dados proprietários de mercado e incentivo comercial para aplicar IA diretamente à pesquisa e à negociação. Quase 44% das firmas quantitativas locais implantavam modelos localmente, 30% ajustavam modelos fundacionais e 26% construíam LLMs verticais proprietários. Até Q1 2025, 55% usavam IA para pesquisa e geração de ideias, 33% para codificação e depuração e 31% para mineração automatizada de fatores. Até Q1 2026, a adoção de agentes se expandiu por todo o ciclo de desenvolvimento: 64.13% das organizações quantitativas usavam agentes para geração e depuração de código, 57.4% para limpeza de dados, 53.81% para mineração de fatores e 44.84% para backtesting inteligente. A lógica do relatório é que programação agêntica e ferramentas de pesquisa podem ampliar o número de hipóteses testadas, encurtar a iteração de pesquisa de fatores e permitir que pesquisadores humanos foquem em intuição econômica, desenho de características, testes de robustez e construção de portfólios. A mineração de dados por IA também se concentra em informações comportamentais e não estruturadas: mineração de sentimento em mídias sociais em 59.6%, reconstrução de fluxo de ordens institucionais em 53.9%, análise de sentimento e regime de notícias em 49.4%, e análise de registros corporativos e relatórios de pesquisa em 48.3%. A Bernstein descreve uma transição adicional de pesquisa assistida por IA para arquiteturas de investimento nativas de IA. Os exemplos incluem sistemas de deep learning de ponta a ponta que transformam dados de mercado Level 2 em previsões de retorno, pesos de portfólio e decisões de execução, com aprendizado por reforço incorporado à construção de portfólio, timing e gestão dinâmica de exposição. Outras firmas usam modelos unificados para gerar fatores não lineares, construir portfólios e produzir sinais de negociação, enquanto sistemas macro comprimem informações estruturadas e não estruturadas de longo prazo em sinais multiclasse. O relatório ressalta a ênfase em aprendizado adaptativo, geração automática de sinais e iteração rápida, em vez de somente pesquisa tradicional de fatores desenhados por humanos. A expansão coincidiu com forte crescimento do setor. O AUM quantitativo chinês mais que dobrou para mais de RMB 2.6tn (US$382bn) em menos de um ano. A Bernstein informa que modelos quantitativos movidos por IA superaram gestores discricionários em mais de 20% em 2025 e que 6,296 novos produtos quantitativos foram lançados naquele ano, representando 46% das novas ofertas de hedge funds. O relatório vê um ciclo de reforço: descoberta de sinais por IA, maior cobertura e execução mais rápida melhoram retornos, atraem fluxos de investidores e sustentam mais investimentos em dados, computação e talentos. O relatório também mapeia um ecossistema de ferramentas de IA em rápida evolução. Terminais consolidados como Wind, iFinD e East Money continuam relevantes por combinarem dados proprietários com conectividade de agentes e MCP ou Skills. Plataformas independentes como Alpha Pai, AlphaEngine, DataYes e AI Jinbao competem por meio de fluxos de pesquisa, infraestrutura de dados, pesquisa quantitativa, comunicação ou conteúdo. Kimi é destacado como um desafiante confiável movido por modelo na camada de pesquisa, enquanto Perplexity, Manus e Hermes Agent são descritos como ferramentas relevantes para investidores de Hong Kong, em particular para pesquisa transfronteiriça, automação e fluxos privados de agentes. A regulação é outro diferencial. O padrão de modelos grandes da AMAC de abril de 2026 estabelece controles sobre infraestrutura, gestão de dados, serviços de modelos, tecnologia de aplicações, aplicações de cenários e gestão de segurança. Exige proteção de dados sensíveis, separação de acesso, trilhas de auditoria, rastreabilidade e revisão humana quando necessária. A Bernstein interpreta a estrutura como tratamento da implantação de IA enquanto questão de arquitetura e governança empresarial completas, e não aplicação isolada. O relatório também menciona as diretrizes da NFRA de junho de 2026 para bancos e seguradoras, que enfatizam responsabilidade institucional e gestão de risco por todo o ciclo de vida. Olhando à frente, a Bernstein vê 2026 como o primeiro ano da era de agentes de pesquisa de investimentos. A vantagem competitiva deve migrar do acesso a modelos isoladamente para a integração de dados proprietários, sistemas de conhecimento, fluxos de trabalho e agentes. Embora agentes autônomos possam executar partes maiores dos fluxos de pesquisa, o relatório afirma que o julgamento final de investimento, as decisões de portfólio e a responsabilidade fiduciária devem permanecer com profissionais humanos de investimento no futuro previsível.

Estrutura de análise

A Bernstein compara a trajetória de adoção de IA da China com pares globais, revisa implantações reportadas por fundos, gestores quantitativos, corretoras e plataformas de dados financeiros e utiliza pesquisas setoriais e exemplos de empresas para acompanhar a mudança de experimentação para arquitetura de produção. Em seguida, relaciona padrões de adoção a fluxos de investimento, resultados de mercado e controles regulatórios.

Notas metodológicas

• Marco de análise setorialAnálise da cadeia de valor

  Arquitetura de IA empresarial entre modelos, dados, bases de conhecimento, agentes e fluxos de trabalho

  O relatório examina como as camadas de uma pilha de IA empresarial se conectam e como a diferenciação passa do acesso a modelos para dados proprietários e integração de fluxos de trabalho.

• Teoria quantitativa, de fatores e de portfóliosModelo multifatorial

  Mineração de fatores, descoberta de sinais, construção de portfólios e backtesting habilitados por IA

  O relatório descreve como gestores quantitativos usam IA para descobrir sinais não lineares, testar fatores, otimizar portfólios e apoiar a execução, em vez de depender apenas de fatores desenhados manualmente.

• Marco de análise setorialMarco de oferta e demanda

  Adoção, posicionamento competitivo e dinâmica de captação no setor de fundos quantitativos chineses

  O relatório conecta desempenho e capacidade habilitados por IA a fluxos de investidores, lançamentos de produtos e investimento subsequente em dados, computação e talentos.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• Chinese quant funds

  Principal segmento setorial beneficiado por pesquisa, descoberta de sinais, construção de portfólios e execução movidas por IA

  Pontos fortes

  Profundo talento de engenharia, dados proprietários de mercado, infraestrutura de computação e rápida implantação local de modelos

  Comparação

  O relatório considera os fundos quantitativos chineses à frente de muitos pares globais em desenvolvimento de IA e profundidade de adoção

  Riscos

  Governança, qualidade de dados, risco de modelo e controles de dados sensíveis continuam necessários.

• Wind

  Plataforma consolidada de dados financeiros institucionais que se adapta por meio de agentes e conectividade MCP

  Pontos fortes

  Dados financeiros proprietários, fluxos institucionais incorporados e amplo uso profissional

  Comparação

  Compete com a iFinD, mais aberta e centrada em dados, e com o ecossistema East Money orientado a transações

• Tonghuashun / iFinD

  Plataforma de dados financeiros que busca se tornar uma camada de dados para agentes internos e de terceiros

  Pontos fortes

  Estratégia aberta e centrada em dados, ferramentas de linguagem natural e conectividade MCP

  Comparação

  Mais aberta e centrada em consultas do que a abordagem da Wind baseada em terminal

• East Money / Miaoxiang

  Ecossistema de IA orientado a transações e distribuição

  Pontos fortes

  Grandes canais de corretagem de varejo, informação e distribuição de fundos

  Comparação

  Mais ancorado na jornada entre pesquisa e negociação do que concorrentes de espaços de trabalho de pesquisa institucional

• Kimi for Financial Services

  Desafiante da camada de pesquisa movido por modelo

  Pontos fortes

  Busca financeira, modelagem, fluxos de valuation e cobertura de pesquisa transfronteiriça

  Comparação

  Contrastado com plataformas especializadas verticalmente como Alpha Pai e AlphaEngine

Dados principais

• AUM quantitativo chinêsOver RMB 2.6tn (US$382bn)Mais que dobrou em menos de um ano.
• Desempenho de estratégias quantitativasMore than 20% outperformanceEstratégias movidas por máquinas frente a gestores discricionários em 2025.
• Novos produtos quantitativos6,296Lançados em 2025; 46% de todas as novas ofertas de hedge funds.
• Implantação local de modelosNearly 44%Proporção das firmas quantitativas locais pesquisadas que implantavam modelos como DeepSeek localmente.
• Adoção de programação agêntica64.13%Proporção das organizações quantitativas pesquisadas que usavam agentes para geração e depuração de código até Q1 2026.
• Adoção de IA por corretoras67 firms, or 44%Das 151 corretoras chinesas licenciadas até H1 2025, acima de 19 em 2023.
• Estrutura de controle de IA da AMACSix layersInfraestrutura, dados, serviços de modelos, tecnologia de aplicações, aplicações de cenários e gestão de segurança.

Impacto e implicações

O relatório afirma que a vantagem competitiva está migrando de capacidades isoladas de modelos para a combinação de dados proprietários, implantação segura, fluxos de agentes reutilizáveis e governança. Considera que a supervisão humana continua central mesmo à medida que a IA se torna mais integrada à pesquisa, gestão de portfólios, negociação e operações.

Riscos

• A estrutura da AMAC exige que informações pessoais sensíveis, instruções de negociação e pesquisa não publicada permaneçam fora do treinamento ou ajuste de modelos de uso geral.
• Estratégias de investimento e regras de controle de risco altamente sensíveis exigem ambientes privados ou isolados dedicados.
• O relatório afirma que resultados gerados por IA exigem controles, incluindo interceptação ou revisão humana de resultados irrazoáveis, trilhas de auditoria e rastreabilidade.

Pontos a observar

• O grau em que fundos passam da construção de capacidades fundamentais de IA para implantação de agentes em grande escala em 2026.
• Se dados proprietários, sistemas de conhecimento e integração de fluxos de trabalho se tornam os diferenciais competitivos decisivos.
• Adoção adicional de interfaces MCP ou Skills por provedores consolidados de dados financeiros.
• A implementação do padrão de seis camadas da AMAC e requisitos relacionados de governança de IA.
• Evidências contínuas de que processos quantitativos habilitados por IA se traduzem em desempenho, captação e crescimento de produtos.