ETF规模突破5万亿元，AI仍为“配角”，头部基金公司坦言，这些环节必须由人工完成

【导读】ETF规模突破5万亿元，AI仍为“配角”，头部基金公司坦言，这些环节必须由人工完成

中国基金报记者 闫军

在被动投资高歌猛进的当前，ETF规模持续攀升并稳定在5万亿元，随着产品布局日益细分，对运营效率、风险控制和投资者体验提出了更高要求。AI已经在重塑基金投研体系中发挥着重要作用。展望未来，AI能在多大程度上赋能ETF的管理？在追求效率的同时，AI在辅助ETF管理时又潜藏着哪些不容忽视的风险？

围绕上述问题，近日，中国基金报记者向包括易方达基金、华泰柏瑞基金、汇添富基金、平安基金、天弘基金、建信基金、摩根基金、南方基金、招商基金在内的多家基金公司展开调研。

受访基金公司认为，AI在ETF运营中已从概念走向实践，但其定位为“辅助增强”而非“核心替代”，即在PCF（申购赎回清单）制作、IOPV（基金份额参考净值）计算等ETF运营的核心环节，AI依然是“配角”。而在流动性管理、申赎预判、风险监控等依赖模式识别的环节，AI的效率优势正逐步释放。

也有公司坦言，在ETF运营中尚未使用AI。但多数基金公司认为，展望未来三到五年，AI在ETF实时风控、运营自动化及投资者服务等环节的突破最值得期待。然而，数据安全、模型可解释性、自动化陷阱及人的能力退化等风险，也是行业在拥抱AI时必须审慎跨越的门槛。

ETF运营核心环节坚守“手作”，AI辅助场景释放效率

在ETF运营的诸多环节中，PCF、IOPV等是对外披露且要求零差错的核心业务。多家受访基金公司明确表示，在这些关键环节，系统化、自动化的规则引擎仍是绝对主力，AI仅作为辅助校验工具，并未直接参与核心决策。

华泰柏瑞基金详细阐述了AI应用原则，在PCF清单辅助校验与异常识别环节，AI主要用于自动比对输出结果，快速识别权重偏差、现金替代标记错误等异常点，提升复核效率。但PCF最终生成、确认及对外披露，仍严格由业务人员和系统规则完成，AI仅做风险提示。同样，在IOPV多源校验中，AI辅助进行价格异动识别，对大幅偏离自动告警，辅助定位问题根源，但核心计算仍遵循确定公式。

天弘基金量化投资部基金经理林心龙则特别区分了“系统化、自动化”与“AI化”的概念。他指出，PCF生成、IOPV计算规则确定、结果唯一且可验证，最适合用规则引擎完成，不需要也不适合引入带有不确定性的AI模型。这些环节追求的是零差错，而不是智能化。他同时强调，关键环节保留人工确认是底线，“不会因为自动化程度提高而取消复核”。

“由于PCF生成优化、IOPV计算都是相对确定和要求精确的，目前尚没有采用AI技术。”汇添富基金指数与量化投资部副总监吴振翔表示，对于申赎预判，因涉及严重的赎空风险，公司采取确定性防范策略，用最大赎回限额和PCF结构结合来兜底。

平安基金则表示，AI在ETF运营中的应用正从传统的自动化、规则化处理，逐步向智能识别、异常预警和预测分析演进。未来在主动ETF场景中，短期内最现实的场景在于增强PCF或IOPV等核心环节的校验与监控，提升运营效率、降低操作风险并优化产品流动性。

比如，可基于持仓基本面、流动性、公司行为数据、停复牌数据等，智能校验持仓合规性、权重合理性，自动修正异常持仓、冗余成分，自动分析投资组合与历史组合的差异，提升PCF清单的精准度与合规性。

“举例来说，对于PCF成份股现金替代标志的修改，AI工具可以基于停复牌安排、事件影响程度等信息输出备选方案，供运营和投资人员参考，但不会直接参与修改标志。”建信基金表示，ETF运营及PCF管理属于强监管、强合规的业务，关键的业务环节仍然以“跨部门人工复核+多规则物理校验”为核心进行把关。

与核心环节的审慎不同，在流动性管理、申赎预判、风险识别等规则难以穷尽、依赖大数据模式分析的领域，AI已开始发挥实质性作用。

华泰柏瑞基金提到，AI模型可实时扫描成份股盘口、成交、冲击成本，同时监控ETF二级市场折溢价，对异常价差、流动性骤降自动预警，辅助流动性管理与做市商协同。

招商基金表示，公司已基于大模型实现7×24小时停复牌智能监控预警，并在ETF现金差额中探索MLP（多层感知机）、贪心算法等以求实现现金差额最小化。其“北斗平台”已落地ETF AI申赎预测能力，为运营端提前研判申赎变化提供辅助支持。

南方基金指出，AI在流动性管理方面具有现实意义，能在ETF矩阵和众多做市商之间进行动态规划。同时，流动性管理和申赎预判都基于海量行情数据，AI在预测和决策建议上有较大发挥空间。

易方达基金指数投资部相关人士介绍，在整个ETF生态中，AI已参与到ETF的全生命周期管理的各个环节，包括指数编制和ETF产品开发、ETF投资管理和风险管理等方面。

具体来看，一是在ETF产品开发方面，AI可以辅助研究人员完成海量数据的历史回测、挖掘有效的风格因子策略、辅助和归纳主题类成份股，缩短新ETF产品的研发周期；二是在投资管理和风险管理方面，AI可以辅助基金经理监控指数规则变动、成份股异动以及各类公司事件，实现PCF的智能化制作等。

助力前瞻性风控，AI从被动应对到主动预防的提升

风控是资产管理行业的生命线。受访基金公司普遍认为，AI在风控领域的应用前景广阔，其核心价值在于将风险监控从事后的被动检查，向事中、事前的前瞻性预防转变，重塑传统风控的模式与效率。

一是实时监控与预警，将事后检查变为事前预防。多家基金公司提到了AI在实时监控方面的应用。平安基金认为，在未来突破上，AI可以实现7x24小时监控ETF投资组合，自动比对持仓与投资限制（如行业、个股权重），实时预警潜在合规风险，从事后检查变为事前预防。

二是申赎预判与流动性管理，从被动响应到主动规划。ETF的申赎预判直接关系到运营端的资金与头寸安排，甚至可能引发赎空等严重风险。传统的模式多依赖历史规律和人工经验，而AI的引入则提供了更具前瞻性的决策辅助。招商基金的“北斗平台”已落地ETF AI申赎预测，为运营端提前研判申赎变化提供辅助支持。南方基金也指出，AI在申赎预判上有较大的发挥空间，能基于海量行情数据进行预测和决策建议。这种前瞻性的预判能力，使得运营团队能够更从容地进行头寸管理和流动性安排，一定程度上也是对潜在流动性风险的前置化解。

三是异常识别与归因，快速定位风险源头。在IOPV与基金净值出现大幅偏离等异常情况下，快速、准确地定位原因至关重要。AI辅助的多源校验和异常识别能力在此场景下价值凸显。华泰柏瑞基金表示，AI辅助运营人员快速定位是行情源异常、权重计算错误还是对价设置问题。这种快速归因能力，大大缩短了从风险发生到处置的时间窗口，降低了风险扩散的可能性。

四是动态对冲与策略归因，迈向智能风控新阶段。摩根基金人工智能首席总监平野在展望中期突破时提出，AI驱动的前瞻性风控将成为标配，能够在风险事件发生前提供预警和应对建议。他还特别提到了“动态对冲”和“策略归因”，AI驱动的前瞻性风控成为标配，能够在风险事件发生前提供预警和应对建议，还能够帮助主动ETF向投资者更清晰地解释投资逻辑，增强产品信任度。

拥抱AI的冷思考，风险防范与人的坚守

尽管AI赋能ETF的前景广阔，但受访基金公司保持着高度的审慎与清醒。从数据、模型、人机协同等多个维度，基金公司全面剖析了AI在ETF运营中必须正视的风险。

基金运营数据的敏感性极高，如何在利用AI能力的同时保障数据不出内网，是行业面临的共同课题。平安基金指出，中小基金公司无力本地部署强大算力，而云端模型存在数据泄露隐患。林心龙则警示了“数据风险”，他指出数据中断、口径变更可能让模型输出“静默失真”，因此必须建立数据完整性校验和降级方案，关键数据不可用时，策略要能退回到依赖较少数据的稳健模式运行。易方达基金也强调，需做好敏感数据的本地化部署与隔离。

同时，当前大模型存在的“幻觉”问题、模型漂移以及在极端行情下的失效风险，是制约其在核心决策环节应用的关键障碍。平野明确指出，面对前所未有的极端行情，模型可能失效，必须建立持续验证和监控机制。林心龙提及“过拟合”与“事后聪明”风险，以及“黑箱与可解释性”问题，他认为“无法解释的模型即便有效，也难以进入正式的投资流程”。多家基金公司均强调，PCF、IOPV等核心链路不宜依赖不可解释的生成式模型直接输出。

事实上，自动化程度越高，单点故障的影响面就越大，同时也可能导致人工敏感度下降。摩根基金与天弘基金都提到了“自动化陷阱”与“人的能力退化”风险。林心龙指出，如果研究人员长期依赖工具给出结论，会逐渐丧失独立判断和底层验证的能力，而这恰恰是在模型失效时唯一能依靠的东西。因此，多家基金公司坚持在关键环节保留人工确认，建立应急响应与快速切换机制。

此外，林心龙还提出了一个更宏观的风险，即“同质化与拥挤”。如果全行业使用相似的数据源与建模方法，可能形成方向一致的交易，在市场压力下产生共振，加剧市场波动。行业在拥抱AI时，也需警惕技术趋同可能带来的新型系统性风险。

编辑：忆山

校对：乔伊

制作：小茉

审核：许闻

注：本文封面图由AI生成