天弘基金林心龙：AI技术渗透至主动ETF 价值判断须由人来划定

天弘基金林心龙：

AI技术渗透至主动ETF 价值判断须由人来划定

◎记者 刘暄

当前，AI技术在资管领域持续渗透。如何让AI技术从投研环节延伸至主动ETF投资运营全流程，成为行业探索的命题。

作为首批获批主动ETF的基金管理人之一，天弘基金认为，管理主动ETF的核心竞争力，并非单纯取决于AI技术的应用，而在于能否将AI有效约束在合规与风控的边界之内。这考验着机构的制度设计与系统工程能力。“AI擅长处理规则清晰、结果可验证的事务。而涉及价值判断的关键环节，边界须由人来划定。”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表示。

AI不能替代最终决策

主动ETF运营链条涉及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、申赎预判等内容。谈及AI在ETF运营环节的落地情况，林心龙表示，要区分系统化自动化与AI智能化两个概念。

“PCF生成、IOPV计算属于结果唯一、强规则约束的业务，核心诉求是零差错。这类工作依靠规则引擎、自动化流程叠加跨系统复核、人工确认，并不适合引入带有不确定性的AI模型。”林心龙表示，天弘基金已实现PCF自动生成比对，有效减少了人工重复劳动，但关键节点坚持人工复核，不会因自动化水平提升而取消校验，这是业务开展的底线。

在他看来，AI真正的价值场景集中在规则难以穷尽、依赖海量数据模式识别的领域，包括流动性状态刻画、交易执行时点优化、申赎行为规律性分析等。不过，AI输出结果仅作为业务人员的决策参考，最终判断仍由岗位人员作出。

海外市场已有将AI应用于主动ETF投资决策的案例。AI能否从运营赋能迈向投资决策，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具备可行性，但完全依靠AI进行投资决策，短期内并不具备现实条件。AI的优势集中在信号生成环节：面对逐笔成交、盘口快照这类海量高频数据，机器学习可挖掘人力难以识别的收益模式。但从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，最终组合要在人划定的风险边界内求解。

“哪些约束放宽，哪些收紧，取决于产品定位，这属于投资判断，不是计算问题。”林心龙表示，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。

运营数据处理或将最先落地

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。

“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。之后会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，效果可量化评估。实时风控更多依托数据工程与流程设计能力，不完全取决于模型能力。”林心龙说。

他表示，策略生成环节落地节奏最慢：AI能够从历史数据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，收益因果判断须由投研人员承担。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，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；风格漂移大多来自股价自然波动，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最能够发挥价值的场景，可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预警不等于自动干预。“AI可以更早识别风险，但行动与否需要人来判断。前瞻性风控的真正价值不是预测风险，而是缩短风险发现到业务处置的距离。”林心龙坦言。

同时，林心龙表示，行业要警惕AI应用的多重潜在风险：数据管线质量缺陷造成模型静默失效、历史回测过拟合、模型黑箱可解释性不足、自动化带来连锁故障、全行业模型趋同引发交易拥挤，以及工具过度依赖导致投研人员底层能力退化。关键业务节点须保留人工复核，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。