天弘基金林心龙谈AI技术渗透趋势

AI技术正在资管行业加速渗透，业内正在探索如何将其应用范围从投研环节拓展至主动ETF投资运营的全流程。作为首批获得主动ETF批文的基金管理人之一，天弘基金的观点是，管理主动ETF的核心竞争力并不单纯在于AI技术的运用水平，而在于能否把AI有效地限制在合规与风控的框架之内。这对机构的制度设计和系统工程能力提出了较高要求。天弘基金量化投资部基金经理林心龙在接受上海证券报记者采访时指出：“AI擅长处理规则明确、结果可验证的事务，但涉及价值判断的关键环节，边界必须由人来划定。”

AI无法取代最终决策

主动ETF的运营链条涵盖PCF（申购赎回清单）生成、IOPV（基金份额参考净值）计算、流动性管理以及申赎预判等环节。在谈到AI在ETF运营中的实际落地情况时，林心龙强调需要区分系统化自动化与AI智能化这两个不同的概念。

林心龙表示：“PCF生成和IOPV计算属于结果唯一、受强规则约束的业务，核心要求是零差错。这类工作依赖规则引擎和自动化流程，辅以跨系统复核和人工确认，并不适合引入带有不确定性的AI模型。”他透露，天弘基金已经实现了PCF的自动生成与比对，大幅减少了人工重复劳动，但在关键节点上仍然坚持人工复核，不会因为自动化水平的提高而取消校验环节，这是业务运营的底线。

在他看来，AI真正有价值的应用场景集中在规则难以穷尽、需要依赖海量数据进行模式识别的领域，比如流动性状态刻画、交易执行时点优化、申赎行为规律性分析等。但AI的输出结果只能作为业务人员的决策参考，最终判断仍然由相应岗位的人员做出。

海外市场已经出现了将AI应用于主动ETF投资决策的案例。AI能否从运营赋能进一步迈向投资决策，是当前市场高度关注的话题。

林心龙认为，AI作为决策辅助的路径是可行的，但完全依赖AI进行投资决策在短期内并不具备现实条件。AI的优势主要体现在信号生成环节：面对逐笔成交、盘口快照这类海量高频数据，机器学习能够挖掘出人力难以识别的收益模式。然而，从AI输出信号到形成最终持仓，中间存在一整套由人设定的约束框架，涉及投资目标、行业与风格偏离边界、个股集中度上限、换手率预算、流动性参与度上限等。AI信号只是约束优化问题中的一项输入，最终组合需要在人划定的风险边界内求解。

林心龙表示：“哪些约束该放宽，哪些该收紧，取决于产品定位，这属于投资判断，不是计算问题。”他提到，借鉴海外经验，规模化落地的相关ETF产品大多采用“AI辅助、人最终决策”的架构。基金管理人必须向持有人解释组合构建逻辑、业绩来源及潜在风险，无法解释、难以归因和问责的黑箱决策模式，不符合受托管理的基本要求。

运营数据处理或将率先落地

林心龙认为，未来3至5年AI在主动ETF全链条的落地节奏，与业务环节“目标是否明确、结果是否可验证”高度相关。

林心龙说：“最先落地的会是运营数据处理，包括报表生成、数据校验、对账流程，这类业务规则清晰、风险可控。之后是投资组合构建与交易执行，在人为设定约束条件下完成优化求解，效果可以量化评估。实时风控更多依托数据工程与流程设计能力，并不完全取决于模型能力。”

他表示，策略生成环节的落地节奏最慢：AI能够从历史数据中挖掘统计显著的规律，但很难判断该规律是否具备持续的经济逻辑，收益因果判断必须由投研人员来承担。面向投资者的智能化服务，则要严守合规红线，避免变相输出投资建议。

与此同时，针对AI实现主动ETF前瞻性风控这一热点话题，林心龙对不同风险类型进行了拆解：行业集中度超限属于确定性计算问题，依靠事前约束即可规避，无需AI介入；风格漂移大多源于股价自然波动，通过情景推演即可预判未来暴露路径，AI带来的增量有限；持仓流动性恶化则是AI最能发挥价值的场景，可以依托高频盘口数据捕捉成交额萎缩、买卖价差扩大等风险前兆，输出预警信号。

但AI预警并不等于自动干预。林心龙坦言：“AI可以更早识别风险，但是否采取行动需要人来判断。前瞻性风控的真正价值不是预测风险，而是缩短从风险发现到业务处置的距离。”

此外，林心龙还表示，行业需要警惕AI应用中的多重潜在风险：数据管线质量缺陷可能导致模型静默失效、历史回测过拟合、模型黑箱可解释性不足、自动化引发连锁故障、全行业模型趋同导致交易拥挤，以及工具过度依赖造成投研人员底层能力退化。关键业务节点必须保留人工复核，行业要大力培养兼具投资理解与工程能力的复合型人才。

在林心龙看来，人机分工可以总结为一句话：AI负责处理“多”，人负责判断“对”。在主动ETF时代，技术只是工具底座，将技术约束在受托管理框架之内，才是机构的核心竞争力。