China asset management industry AI adoption：中国资产管理机构正快速构建 AI 原生投资架构，其中量化基金在采用速度和部署深度上领先。

概览

这份主题深度报告考察中国资产管理机构、量化基金、证券公司和金融数据平台如何采用生成式 AI。Bernstein 的核心结论是，中国正以异常快速的速度迈向以私有化部署、开放权重模型和智能体工作流为基础的企业 AI 架构，量化管理人正日益将 AI 嵌入投资流程本身。

核心观点

Bernstein 认为，中国资产管理行业的 AI 采用在 DeepSeek 于 2025 年 1 月发布 R1 后显著加速。与全球自 2023 年以来较缓慢、供应商多元化的采用路径相比，中国机构更偏好开放权重模型和本地部署。报告将此归因于以 DeepSeek、Qwen、Kimi 和 GLM 为代表的国内模型生态，以及保护敏感投资数据和专有数据的需求。主流架构为混合模式：敏感信息使用私有基础设施，公共或非敏感工作使用公有云服务。 报告发现，领先的公募基金管理人已超越生产力工具阶段，进入整合模型访问、知识库、智能体和业务工作流的企业级平台阶段。组织模式正从集中式 IT 工具转向由业务驱动、分散化的智能体和技能生态，有时被称为“企业大脑”。案例包括：兴证全球基金报告其交易效率提升超过 30%、文档处理时间缩短 50%；汇添富基金报告债券台账数据提取准确率超过 96%；以及可自动化研究、投资组合洞察、实时市场数据聚合、合规检查和运营流程的平台。 中国量化基金被视为最明确的早期赢家。Bernstein 指出，DeepSeek 源自量化投资公司 High-Flyer，反映出该行业具备工程人才、算力基础设施、专有数据，以及将 AI 直接应用于研究和交易的商业动力。调查显示，近 44% 的本地量化机构在本地部署了模型，30% 正在微调基础模型，26% 正在构建专有垂直领域 LLM。截至 Q1 2025，55% 使用 AI 进行研究和创意生成，33% 用于代码生成和调试，31% 用于自动化因子挖掘。 到 Q1 2026，智能体采用已扩展至开发全生命周期：64.13% 的受访量化机构将智能体用于代码生成和调试，57.4% 用于数据清洗，53.81% 用于因子挖掘，44.84% 用于智能回测。报告的逻辑是，智能体编程和研究工具可以扩大可测试假设的数量，缩短因子研究迭代周期，并让研究人员将更多精力投入经济直觉、特征设计、稳健性测试和投资组合构建。AI 数据挖掘还侧重于行为和非结构化信息，包括社会媒体情绪挖掘占 59.6%、机构订单流重构占 53.9%、新闻情绪和市场状态分析占 49.4%、以及公司披露和研究报告分析占 48.3%。 Bernstein 描述了从 AI 辅助研究进一步转向 AI 原生投资架构的变化。案例包括端到端深度学习系统，其将 Level 2 市场数据转化为收益预测、投资组合权重和执行决策，并将强化学习用于投资组合构建、择时和动态敞口管理。其他机构使用统一模型生成非线性因子、构建投资组合和产生交易信号；宏观导向系统则将长期结构化和非结构化信息压缩为跨资产信号。报告强调，这些方法越来越侧重于自适应学习、自动化信号生成和快速迭代，而非仅依赖传统的人工设计因子研究。 这种规模化推进伴随着强劲的行业增长。中国量化 AUM 在不足一年内翻倍至超过 RMB 2.6tn (US$382bn)。Bernstein 报告称，AI 驱动的量化模型在 2025 年较主观管理人实现超过 20% 的超额表现，同年有 6,296 只新的量化产品发行，占新对冲基金产品的 46%。报告将其视为一个强化循环：AI 驱动的信号发现、更广覆盖和更快执行改善回报，吸引资金流入，并支持对数据、算力和人才的进一步投入。 报告还梳理了快速演变的 AI 工具生态。Wind、iFinD 和 East Money 等成熟终端仍然重要，因为它们将专有数据与智能体及 MCP 或 Skills 连接能力结合。Alpha Pai、AlphaEngine、DataYes 和 AI Jinbao 等独立平台则通过研究工作流、数据基础设施、量化研究、沟通或内容展开竞争。Kimi 被强调为研究层面可信的模型驱动挑战者；Perplexity、Manus 和 Hermes Agent 则被描述为与香港投资者相关的工具，尤其适合跨境研究、自动化和私有智能体工作流。 监管是另一项差异化因素。AMAC 于 2026 年 4 月出台的大模型标准，涵盖基础设施、数据管理、模型服务、应用技术、场景应用和安全管理等控制要求。该标准要求保护敏感数据、实施访问隔离、审计追踪、可追溯性，以及在需要时进行人工复核。Bernstein 将该框架解读为把 AI 部署视为完整的企业架构和治理问题，而非孤立的应用问题。报告还提到 NFRA 于 2026 年 6 月针对银行和保险业发布的指导意见，强调机构问责和全生命周期风险管理。 展望未来，Bernstein 将 2026 年视为投资研究智能体时代的开端。竞争优势预计将从单纯获得模型，转向整合专有数据、知识系统、工作流和智能体。尽管自主智能体可能执行更大部分的研究工作流，报告称，人类专业人士预计仍将保留最终投资判断、投资组合决策和受托责任。

分析框架

Bernstein 将中国的 AI 采用路径与全球同行比较，审阅基金、量化管理人、证券公司和金融数据平台的已披露部署，并利用行业调查和公司案例追踪从试验到生产级架构的转变。随后，报告将采用模式与投资工作流、市场结果和监管控制联系起来。

方法论与常识提炼

• 行业/产业分析框架价值链分析

  覆盖模型、数据、知识库、智能体和工作流的企业 AI 架构

  报告考察企业 AI 技术栈各层如何连接，以及差异化如何从模型获取转向专有数据和工作流整合。

• 量化/因子/组合理论多因子模型

  AI 赋能的因子挖掘、信号发现、投资组合构建和回测

  报告描述量化管理人使用 AI 发现非线性信号、测试因子、优化投资组合并支持执行，而非仅依赖人工设计因子。

• 行业/产业分析框架供需框架

  中国量化基金行业的采用、竞争定位和募资动态

  报告将 AI 赋能的业绩和能力与投资者资金流、新产品发行以及对数据、算力和人才的后续投资相联系。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• Chinese quant funds

  受益于 AI 驱动研究、信号发现、投资组合构建和执行的主要行业板块

  优势

  深厚的工程人才、专有市场数据、算力基础设施和快速的本地模型部署

  对比

  报告认为，中国量化基金在 AI 开发和采用深度上领先于许多全球同行

  风险

  治理、数据质量、模型风险和敏感数据控制仍然必要。

• Wind

  通过智能体和 MCP 连接能力适应变化的成熟机构金融数据平台

  优势

  专有金融数据、嵌入式机构工作流和广泛的专业用户基础

  对比

  与更开放、以数据为中心的 iFinD 以及以交易为导向的 East Money 生态竞争

• Tonghuashun / iFinD

  致力于成为内部和第三方智能体数据层的金融数据平台

  优势

  开放、以数据为中心的战略，自然语言工具和 MCP 连接能力

  对比

  相较于 Wind 以终端为中心的模式，更开放且更侧重查询

• East Money / Miaoxiang

  以交易和分发为导向的 AI 生态系统

  优势

  庞大的零售经纪、信息和基金分发渠道

  对比

  与机构研究工作台竞争者相比，更紧密绑定研究到交易的链路

• Kimi for Financial Services

  模型驱动的研究层挑战者

  优势

  金融搜索、建模、估值工作流和跨境研究覆盖

  对比

  与 Alpha Pai 和 AlphaEngine 等垂直专业平台形成对比

关键数据

• 中国量化 AUMOver RMB 2.6tn (US$382bn)在不足一年内翻倍。
• 量化策略表现More than 20% outperformance2025 年机器驱动策略相对主观管理人的表现。
• 新量化产品6,2962025 年发行；占所有新对冲基金产品的 46%。
• 本地模型部署Nearly 44%受访本地量化机构中，在本地部署 DeepSeek 等模型的比例。
• 智能体编程采用率64.13%截至 Q1 2026，使用智能体进行代码生成和调试的受访量化机构比例。
• 证券公司 AI 采用67 firms, or 44%截至 H1 2025，151 家持牌中国证券公司中的数量，较 2023 年的 19 家上升。
• AMAC AI 控制框架Six layers基础设施、数据、模型服务、应用技术、场景应用和安全管理。

影响与含义

报告称，竞争优势正从独立的模型能力转向专有数据、安全部署、可复用智能体工作流和治理的组合。报告认为，尽管 AI 日益深入嵌入研究、投资组合管理、交易和运营，人工监督仍将保持核心地位。

风险

• AMAC 框架要求，敏感个人信息、交易指令和未公开研究信息不得用于通用模型训练或微调。
• 高度敏感的投资策略和风险控制规则需要专用的私有或隔离环境。
• 报告称，AI 生成输出需要控制，包括对不合理输出的拦截或人工复核、审计追踪和可追溯性。

后续跟踪

• 基金在 2026 年从 AI 基础能力建设转向大规模智能体部署的程度。
• 专有数据、知识系统和工作流整合是否成为决定性竞争差异。
• 金融数据成熟厂商是否进一步采用 MCP 或 Skills 接口。
• AMAC 六层标准及相关 AI 治理要求的实施情况。
• AI 赋能的量化流程是否持续转化为业绩、募资和产品增长。