近期新发基金中，主动量化产品频频“露脸”，个别基金募集规模甚至超过20亿元。

证券时报记者调查发现，这些新发的量化基金，均在发行文件中突出“量化选股”特征，包括运用量化模型、机器学习等方法。

从记者采访了解的情况看，量化产品本轮发行升温，和人工智能（AI）模型的深入运用有关。目前，个别公募量化投资源于AI学习的超额因子占比能达到70%。从更大范围看，AI对公募量化的赋能与重塑，涉及模型应用标准等层面的制度配套建设，同时也涉及模型可解释性提升等方面的完善优化。

新发基金突出“量化选股”

根据天弘基金近日公告，天弘智航量化选股混合基金拟于5月19日起发行。招募说明书显示，该基金是主动量化产品，股票投资主要采用量化选股策略，辅以基本面选股策略。采用的多因子量化模型利用定量方法，从宏观环境、行业及个股基本面财务和分析师预期出发，对股票进行综合打分，选出具备相对价值的股票。

据数据统计，广发汇智量化选股混合基金、华泰柏瑞嘉锐量化选股混合基金等产品将于5月11日发行；交银施罗德智远量化选股股票基金，则于5月6日公告提前结束募集。

在新基金成立方面，截至目前，年内已有17只量化基金成立，除4只指数量化产品外，其余13只均为主动量化产品。其中，成立于4月28日的南方智汇量化选股，募集规模超过20亿元，有效认购户数1.15万户。成立于4月22日的华安智优量化选股，募集规模18.77亿元，有效认购户数接近1万户。诺安基金于今年3月成立的诺安智泉量化选股，募集规模17.32亿元。此外，年内成立过量化基金的，还有中加基金、西部利得基金、汇泉基金、招商基金等公募机构。除全市场产品外，还出现聚焦医药赛道的量化产品，如招商医药量化选股。

这些基金，均突出“量化选股”新特征。比如，广发汇智量化选股混合基金，以自主研发量化多因子选股模型为核心，利用传统的统计工具与机器学习等非线性手段，挖掘数据中体现稳定的个股定价逻辑的稳定规律，加工产出风险因子与选股因子进行维护。华泰柏瑞嘉锐量化选股混合基金在招募说明书中介绍，多因子Alpha模型以中国股票市场较长期的回测研究为基础，结合前瞻性市场判断，用精研的多个因子捕捉市场有效性暂时缺失之处，以多因子在不同个股上的不同体现估测个股的超值回报。

AI学习贡献多数超额因子

在公募投资领域，量化基金起步时间早，但尚未成为主流产品。

不过，从数据梳理来看，2026年以来公募量化产品发展出现小高峰。据数据，目前全市场公募主动量化基金超过250只。从发行规模和等待发行的产品数量来看，2026年公募量化产品发行大有超越2025年的势头。

业内普遍认为，成立于2004年的光大保德信量化核心，是国内第一只运用主动量化选股策略的公募基金。2006—2007年A股迎来牛市，公募主动量化基金规模出现快速增长，光大保德信量化核心规模从2006年末的5.17亿元增长到了2007年底的284.79亿元。

此后，随着大批量化人才回国，公募量化开始迎来第一轮增长。北京一位基金产品研究人士对证券时报记者表示，近年来多因子量化模型在公募投资领域的运用持续深入。在AI发展浪潮下，不少基金公司已加码布局量化投资领域的AI技术投入。传统量化策略虽具备择时能力，但随着AI应用深度不断提升，量化择时效率将显著提升，长期业绩表现也有望增强。

天弘量化投资部负责人、基金经理杨超近日在公开场合表示，天弘基金从2023年开始探索利用AI提升超额收益，围绕“多维度特征+多模型融合+多期限预测”，构建了以AI技术为基础的新策略体系。目前，天弘量化投资约70%以上的超额因子来源于AI学习，并且实现快速迭代，超75%的因子在一年之内会被迭代，持续适配市场变化。

需要更多算力响应

“AI对基金经理的影响不是颠覆性的，应该是赋能与辅助。”北京一位权益基金经理对记者表示，从量化基金发展趋势来看，AI对投研的赋能和流程优化，得到了基金业认可。基金公司未来会持续布局量化产品，而且会在这一过程中持续完善和AI相关的配套举措。

杨超表示，AI量化以更快的速度、更广的数据处理范围，发现市场的错误定价，并及时反映到组合管理当中。他表示，能被投资者定义且能通过直接交易资产去定价的资产，大概率是Beta而不是Alpha。真正的Alpha源，无法被目前的投资工具直接触达，这需要依托海量的非结构化数据，需要更多的算力响应，因为它更多是稍纵即逝的投资机会。

基金业协会于今年4月发布的《基金经营机构大模型技术应用规范》团体标准显示，大模型技术可应用于市场研究、行业分析、公司分析、投资决策等投资研究类场景，其中就包括因子挖掘，使用大模型技术对多源数据进行理解和抽象，挖掘较为客观、科学的特征，并自动构建智能模型进行模拟跟踪，以辅助投研人员制定更有效的投资策略。

但AI量化也存在需要优化的地方。由兴证全球基金合规审计课题组供稿，近日在基金业协会官微发布的研究文章《基金行业生成式人工智能可解释性治理探讨》显示，大模型决策过程和输出结果难以被清晰解读，在投资决策中，基金经理和投资者需要理解决策的逻辑和依据，以判断决策可靠性。基金行业甚至是所有金融、科技公司共同面临的课题是，未来在技术上应重点研究解决模型捷径学习问题，以促进模型的泛化能力和可解释性提升。