AI大模型真的能让基金业绩更好？

　　春节前后火爆的大模型Deep Seek　持续出圈，引发基金公司争相布局。

　　据公开信息，目前已有博时基金、富国基金、中欧基金等多家基金公司“官宣”部署了包括DeepSeek在内的多款开源模型，未来将根据效果运用到办公、投资研究、客户服务等领域。

　　有对冲基金经理表示，在实践中运用AI算法，2年挖掘出38只收益超20%的股票标的；同时大模型能在“黑天鹅”事件发生之前提示风险，做好风控。

　　业内人士认为，大模型在基金业的应用有诸多积极意义，如提升投研效率、优化风控合规、降低成本、推动业务创新等，但也容易出现数据质量不佳导致模型输出结果有所偏差以及合规及数据安全等风险。　新京报记者　潘亦纯

　　关注1

　　多家基金公司布局Deep Seek推理能力、成本有优势

　　近期，基金公司掀起了一股布局DeepSeek的热潮，并探索这一大模型在投资、投顾、客服等领域的应用。

　　博时基金方面对新京报记者表示，2024年初，公司经过反复调研，发现了DeepSeek模型在自动编写代码和逻辑推理方面的潜力，率先在自有的昇腾服务器上部署了DeepSeek-v1模型，作为公司智能开发工具的基座模型，并在2024年8月升级为DeepSeek-v2模型。“2025年伊始，随着DeepSeek-R 1模型的发布，公司完成内部部署，并开始探索其在投资研究、投资顾问服务和软件开发等方面的应用。”

　　富国基金方面表示，公司科技团队部署了包括Deep⁃Seek在内的多款开源模型。

　　中欧基金方面则表示，公司近期完成了DeepSeek系列开源模型的私有化部署，未来将根据效果运用到办公、投资研究、客户服务等领域。

　　天弘基金方面称，公司目前对DeepSeek的相关技术在做全面跟进，例如对其模型测试业务效果、利用其训练自己的大模型、开发强化学习路径等，部分探索已有进展。

　　实际上，从2022年底ChatGPT推出后，AI大模型持续火热，行业更是进入“百模大战”，但为何此次DeepSeek的出现引发了公募基金的布局热潮？

　　推理能力表现较好及成本相对较低或许是其竞争力所在。

　　博时基金方面坦言，R 1模型在推理能力上表现优异，可以进一步帮助提升工作效率，支持业务创新。同时，其对算力的需求也有所下降，为进一步推广应用创造了条件。

　　富国基金方面也表示，DeepSeek在可用性与使用效率上较为领先，且部署成本大大降低。从使用体验来看，在确保安全和合规的前提下，本地化部署的大语言模型能提升业务处理能力，尤其在部分数据处理与企业级应用的AI融合中提供了智能化升级，定制化和内部融合推动了企业数智化转型。“经过探索验证，本地化部署模型在内部数据加工、代码辅助生成、文字生成、企业级RAG、研报解读等应用方向上达到了可用阶段。”

　　关注2

　　大模型赋能投资　未来仍面临数据质量等挑战

　　作为一种先进“工具”，大模型对基金业的赋能，让行业充满期待。排排网财富理财师姚旭升对新京报记者表示，大模型在基金业的应用有诸多积极意义。第一，在投研方面，大模型能快速解析海量研究报告，提取关键信息，帮助机构提高研究效率；第二，在风控合规领域，大模型可以自动检查信息披露文件，确保其符合监管要求，提升风控精准度；第三，大模型的开源特性和较低的部署成本，降低了基金业的投入门槛，基金公司可将节省下来的资源投入到其他核心业务中，提升整体竞争力；第四，大模型的引入为基金业带来了新的业务思路和创新模式，利用大模型，基金公司可以探索新的投资策略和产品设计，更好地满足投资者需求。

　　不过，对于投资者来说，最为关心的或许还是“灵魂之问”：AI大模型真的能让基金的业绩表现更好吗？

　　对冲基金珠峰智联资本AI策略基金经理刘昕对新京报记者表示，以我们过去几年运用0xAI模型预测和分析股票等金融标的实践经验来看，AI模型对资管业的赋能主要体现在三个方面：获取稀缺的超额收益、精准择时和风险管理。

　　“赋能的核心在于，AI大模型能够高效地处理海量非结构化数据，打破传统投研惯性，挖掘到传统方法（无论是主观投资还是量化交易）中未被识别的有效因素，简而言之，AI大模型能看到人类现有的投研方法下看不到的东西。”刘昕表示，“从实践来看，运用AI算法，我们2年已挖掘出38只收益超20%的股票标的，同时，目前用AI择时预测恒生指数的胜率达到了100%。”

　　刘昕进一步解释称，风险管理则体现在，0xAI模型能在“黑天鹅”事件发生之前预测到波动方向，从而提前采取风控措施。同时，AI算法能够实时监控投资组合中资产的相关性变化，这是非常重要的。

　　可以预见的是，AI大模型在基金业的渗透率将越来越高，不过，其带来的相关风险也值得关注。

　　姚旭升认为，首先，大模型的训练依赖大量数据，若数据质量不佳，可能导致模型输出结果有所偏差，同时，由于大模型的“黑箱”特性，金融机构还难以对其结果进行有效的风险溯源和管理；其次，金融业对数据安全和隐私保护有着严格的要求，行业对AI技术的监管政策尚未形成统一标准，大模型在金融领域的应用可能面临法律风险和规则的不确定性。

　　“基金行业涉及大量敏感数据，大模型的应用可能增加数据泄露、数据滥用的风险，侵害投资者的合法权益。”姚旭升表示。

　　刘昕也坦言，金融机构全面应用AI模型也存在挑战，比如，同质化策略，若多家机构均采用相似的AI底层算法，那么，很可能导致策略趋同，大家又站在了同一起跑线上，削弱了超额收益，所以底层模型的自研性和创新性非常重要。“另外，AI模型的透明性与可解释性相对较低，所以‘黑箱模式’可能引发监管审查和法律问题，尤其是在投资决策需要符合合规要求时，‘黑箱模式’未来很可能会面临挑战。”