过去量化投资一直是一件比较“专业”的事情。专业的研究团队、复杂的数据和模型再加上一整套成熟的投研流程构成了机构参与市场的优势。但 AI 进入之后这个情况正在发生变化。以前需要专业研究员完成的很多工作现在开始有更多人能够参与进来。那么当越来越多的人开始具备用 AI 做量化研究的能力后哪些策略会最先受到这轮变化的影响AI正在把专业量化能力推向更多人在 PandaAI 因子大赛里每一届比赛都会做样本外测试。一个比较有意思的现象是有些参赛者本身并没有特别专业的量化从业经历但做出来的因子已经可以达到和专业 QR 比较接近的效果。这个“接近”并不是简单看一下回测收益。而是按照机构常见的因子入库标准还要看自相关、滚动 IC、IR、夏普比率以及不同行业上的 IC 等指标。实际测试中有不少参赛者做出来的因子已经能够达到类似的标准。这个结果至少说明了一件事AI 正在把过去集中在专业量化研究团队里的部分能力往更多人手里推。过去一个人即使有一个交易想法也不一定有条件把它完整研究出来。现在AI 可以参与数据分析、因子挖掘等环节让更多人有机会真正进入量化研究这件事。这也是个人和机构之间最先被拉近的一段距离。不是所有能力都被拉平了但研究能力这道门确实已经没有以前那么高了。资管行业Beta产品可能率先受到影响研究能力开始往个人端下沉之后最先受到影响的可能不是所有资管产品而是那些本身就比较标准化的策略。现在资管行业里有不少产品本身就是 Beta 类产品比如指增、中性、中低频 CTA。过去很多人选择公募、私募或者其他资管产品一个很现实的原因就是自己做不了。如果 AI 让一个普通投资者也能够做出一套还不错的 Beta 策略那么选择自然会多一个。不一定所有人都会自己管理一只基金但至少会有一部分人开始觉得与其买一个标准化的产品不如自己借助 AI 做一套策略。这和今天 coding agent 带来的变化很像。以前想做一个网页或者小程序很多事情需要找专业开发者现在有了工具一部分人可以自己完成。量化也可能出现类似的情况。所以从这个角度看未来更容易被碰到的很可能是投顾以及一些标准化程度比较高的资管产品。但机构的优势并不会因此一起消失。高频就是一个很明显的例子。高频策略即使研究出来了也不代表个人马上就能跑。到了毫秒级、纳秒级的执行可能还需要专门的柜台、交易所托管、服务器等基础设施。投研可以通过通用工具完成但真正进入高频实盘还是要解决这些物理条件。这也是现在个人和机构之间比较清楚的一道分界线研究能力可以越来越接近但高频交易需要的物理基础设施短期内很难靠一个 AI 工具补齐。所以真正被拉近的主要还是中低频这部分。当更多人自己做量化市场也会跟着变化而是当越来越多人开始自己研究、自己做策略市场本身会发生什么过去很多人主要通过基金、私募等资管产品参与市场以后可能会有更多人自己管理一部分资金市场里的参与方式自然也会更多元。有人做量化有人做价值投资有人研究一种因子有人研究另一种因子。大家都有工具但最后得到的结果未必一样。这反而可能让市场的定价更加充分。传统价值投资不会消失量化也不会消失只是参与者做这些事情的效率都在提高。还有一个判断是系统性风险。直觉上很多人可能会觉得大家都开始用 AI 了会不会反而越来越像最后都去做同样的策略但另一种可能恰恰相反。过去一些系统性风险和市场形成高度一致的评价体系有关。比如很多机构和个人同时使用小市值、Market Cap 等类似因子一旦这个共识发生变化风险也会一起释放。而 AI 带来的可能不是一套统一的方法而是更多不同的研究体系以及更高的因子发现效率。大家都可以做研究但未必会研究出同一个答案。如果 AI 让市场里的研究方法变得更加分散参与者反而不那么容易形成单一共识那么系统性风险未必会因此增加。写在最后当个人拥有AI 量化能力后最先改变的是那些研究门槛正在下降、执行条件又没有那么高的策略。这也是为什么Beta、投顾以及部分标准化程度较高的产品可能会比高频策略更早受到影响。当越来越多人开始拥有自己做量化的能力个人参与市场的方式会变资管行业的分工也会跟着变。延伸阅读AI越来越普及之后普通投资者真正需要的可能不是继续和机构拼算力、拼速度而是找到自己更适合的赛道把 AI 变成自己的研究和交易体系。那么当工具已经越来越平权普通投资者到底该怎么做AI量化终局从模型内卷走向智能生产关系的结构性平权本文观点来自李不白编辑Lily