傅开波:AI赋能金融投研已经走向实战，尤其是量化私募，从人工挖因子到agent挖因子再到端到端大模型构建，AI不仅是对于我们工作习惯的改变，也一定程度上改变了资本市场走势。您觉得在AI大时代，公募量化团队该如何利用AI，给投资者创造稳定的超额收益？

王喆：要回答这个问题，首先要认清AI对资本市场的三重改变。第一，信息传播更快且更平权。 AI能瞬时处理财报、业绩预告等非结构化信息，不再依赖研究员连夜写报告。更深远的冲击在于，散户与机构之间的信息鸿沟被大幅削平，这直接导致普通的Alpha消失了。过去很多用机器学习生成的收益预测，本质上是一种未被解释的风格，随着使用者越来越多，它本身就变成了风险因子。

第二，新的Alpha来源于认知差和组织差。今年很多主动基金经理业绩比纯量化产品亮眼，核心就是在主流赛道上坚定站位的认知差。对量化而言，比拼的则是系统差，即谁能更快发现市场节奏变化，迅速调整模型去适应新节奏。

第三，市场变得更波动化和脉冲化。 市场有效性和波动率大不冲突，越有效的市场，事件和信息越快被定价，波动率也大，这正是当前我们在投资中面临的巨大挑战。

面对这些变化，应对需从三个层面展开。第一，因子挖掘端，用AI工具挖出IC值高的因子已经不是难事，但问题是样本外往往表现较差。坦率说，国内外用自动化AI挖特征的效果增量都极其有限。

第二，模型端，端到端大模型面临金融数据信噪比过低的根本障碍，特征工程这一步仍然无法跨越。

第三，真正的突破口在风控端。海外共同基金做指增同样困难，早已开始尝试风格轮动，超额收益贡献更多的源自风格暴露。我们也在思考，是否应在风控端主动做一些风格暴露的尝试。A股历史上风格动量一直比行业因子更强，今年某些风格动量的胜率也确实更高。

AI并没有有效提升策略的门槛，数据和硬件在大型资管机构面前不构成壁垒，它真正带来的是模型有效性的快速衰减和策略雷同性的快速提升。面对这种结构性变化，唯有真正做到多周期、多目标、多策略，即在因子挖掘、模型构建、风险控制三个端口都实现收益来源的多元化，才是给投资者创造稳定超额收益的最佳路径。