AI 在投资里赚到的超额收益，先发者也只守住了几年

2026 年 9 月，美国国家经济研究局（NBER）在月度摘要里推介了一篇工作论文。论文题为《人工智能在资产管理中的增长与表现》，作者是 Shuang Chen、Clemens Sialm 和 David X. Xu。他们用监管披露、招聘记录和基金策略说明，找出美国对冲基金里真正让算法参与投资决策的那一批，追踪了近二十年的表现。结论写得很直接：AI 对冲基金早年明显跑赢同行，但这份优势逐年缩小，连最早采用 AI 的基金也没能保住。

中心判断：AI 能在投资里找到超额收益，但这份收益会被市场很快学走，先发者只多拿了几年。换句话说，一家机构用上 AI 的那一刻并不构成长期优势，能长期留下来的，是持续找到新信号、及时淘汰失效信号的能力。这个判断现在值得看，是因为国内资管机构正在大规模上线投研 Agent 和 AI 量化策略，美国这二十年的数据提前给出了这类优势能维持多久的一个参照。

• 演进线： 2017 年以前，AI 对冲基金每月跑赢同行约 50 个基点；此后每年缩小约 6 个基点，最后与零无法区分。
• 比较线： 同一家机构旗下的 AI 基金和非 AI 基金对比，算法本身确实带来过优势，但这份优势同样逐年收窄。
• 边界线： 样本是公开披露 AI 策略的美国对冲基金，数据截至 2024 年；A 股的 AI 策略目前仍有较高超额，还没有同类的长期衰减数据。

二十年数据：AI 基金的优势每年缩小，最早用 AI 的基金也没保住

论文先解决的是"谁算 AI 基金"。

作者读取了 2012 年以来 11 万余份投资顾问向美国证监会提交的监管文件。在这些文件里提到 AI，可能只是用它清洗数据、做合规审查，也可能只是买了 AI 概念股或写了一条免责声明。作者只把机器学习模型直接做交易决策、或生成信号供基金经理决策的两类算作 AI 驱动投资。按这个口径，2023 年 AI 基金约占样本对冲基金的 2.7%，2024 年管理规模约 120 亿美元。

在剔除常规风险因子之后，AI 基金早年的超额收益相当可观。NBER 摘要给出的数字是：2017 年以前，AI 基金每月比非 AI 基金多赚约 50 个基点，折合一年约 6%。这份优势随后以每年约 6 个基点的速度缩小，2017 年之后在统计上已无法与零区分。按这个速度，一份每月 50 个基点的优势，大约八年就会磨平。

最关键的是先发者的结果。一种常见的解释是，后来入场的团队水平参差，拉低了平均数，最早起步的基金可能仍然保持优势。论文专门检验了这一点：早期采用 AI 的基金，后来同样失去了超额收益。另一种解释是，早年跑赢靠的是大机构自身的投研实力，和算法无关。作者把同一家机构旗下的 AI 基金和非 AI 基金放在一起比较，AI 基金每月仍多赚约 35 个基点，说明算法确实带来过真实贡献。但这份机构内部的优势，也在逐年收窄。

两项检验合在一起，排除了"新手拖后腿"和"大机构光环"这两种解释。剩下的解释是，AI 找到的收益机会本身在消失。

优势留不住，是因为 AI 让找信号变便宜，市场一起学会了

金融市场和图像识别不同。

图像里猫的样子不会因为模型认出了它而改变；市场里的定价偏差，一旦被足够多的资金按信号交易，就会被交易本身抹平。作者用适应性市场假说解释这组结果：算法挖出的弱预测信号寿命很短，而整个量化行业都在同步升级统计工具，早期的信息优势自然会被摊薄。

AI 让这个过程变得更快，原因在于它压低了提出想法的成本。Two Sigma 首席 AI 创新官 Matt Greenwood 在 2026 年 1 月的年度展望里写道，研究漏斗正在倒转。大模型拓宽了漏斗顶部，瓶颈从"需要更多想法"变成了"需要更快地评估想法"。想法变多，意味着同一个信号会被更多机构同时找到，它能赚钱的窗口随之缩短。

Man Group 旗下的 Man Numeric 给了一个具体例子。它的 AlphaGPT 系统能自己挖掘历史数据、写出规则化交易信号的代码、做回测。据 Hedgeweek 2025 年 7 月的报道，这套系统产出的信号中已有几十个获准进入实盘。高级投资组合经理 Ziang Fang 同时强调，系统远不是自动驾驶，流程里设了大量检查点。信号的生产速度已经由机器决定，一个信号能不能上线，仍由检查点决定。

论文里的招聘数据指向同一个方向。2022 年以后，资管行业 AI 相关招聘中，IT 和基础设施岗位的占比明显上升，技术投入从交易信号扩展到了数据处理、投研流程和风控。机构把钱花在了让研究流水线跑得更快、更稳上，而不是押注某一个模型。

生产信号已经不难，难的是判断哪个信号是真的

如果超额收益会被很快学走，一家机构能持续赚钱，就取决于它能否比别人更快地找到新信号，并且不被假信号骗。

第二点目前比第一点更难。谷歌与剑桥大学研究者 2026 年 8 月发布的 AutoScientist-Quant 论文给出了一组对照。

这篇论文检查了此前两套 AI 自动挖因子系统 AlphaAgent 和 QuantaAlpha。IC 是衡量因子预测能力的常用指标，数值越高，说明因子对下一期收益的排序越准。在沪深 300 成分股的回测里，两套系统叠加常用因子库后，IC 分别达到 0.030 和 0.031，年化收益（ARR）却分别是 −1.0% 和 −0.2%。预测指标看起来合格，按它建出的组合并不赚钱。

作者找到的原因之一是评估方式出了问题。此前的流程在全样本上计算信息指标，Agent 根据这些指标决定保留哪个因子，等于在挑选时偷看了本该独立的测试期。作者把提供反馈的时间窗口和最终测试窗口严格分开，前者是 2021 年 6 月至 2023 年 6 月，后者是 2023 年 6 月至 2026 年 5 月。他们又把因子筛选和模型选择纳入自动搜索，新系统在同一测试期的年化收益达到 3.5%。这些仍是回测结果，不是实盘记录。

这组对照说明，AI 让产出信号变得容易之后，评估环节成了真正的门槛。评估稍有泄漏，看似优秀的信号就会在实盘里失效；评估足够严格，才能在超额收益被市场学走之前，先把真信号筛出来。

反直觉的一点：AI 没有让基金更扎堆

监管机构一直担心，如果许多算法用相似的历史数据训练，会收敛到相似的交易逻辑，一旦市场剧烈波动就同时止损、互相踩踏。

经合组织和美国参议院的相关报告都提过这种风险。论文的数据给出了相反的结果。

AI 基金之间的收益，反而比非 AI 基金之间更不同步。NBER 摘要披露，非 AI 对冲基金两两之间超额收益的平均相关系数是 0.124，AI 基金之间只有 0.021。相关系数越接近零，说明两只基金的收益越不同步。按 QuantML 对论文正文的整理，排除同一管理人旗下的基金后，AI 基金之间的相关系数进一步降到 0.004。各家团队在数据清洗、特征构造、损失函数和风险约束上的差异，让不同模型占据了分散的位置。

投资者的行为也没有被"AI"标签带偏。NBER 摘要写明，没有证据显示投资者仅凭 AI 披露就追加资金，资金流向看的是已经兑现的业绩。这组结果和前面的判断一致：市场奖励的是持续跑出来的收益，不是用了 AI 这件事本身。

后续看 A 股的 AI 超额会不会同样衰减，任一反转就要改写判断

这篇论文的适用范围有明确限定。

样本是在监管文件和商业数据库里披露了 AI 策略的美国对冲基金，二十年里只有 89 只符合严格口径，规模约 120 亿美元。不公开策略细节的机构没有被覆盖。数据截至 2024 年，大部分时间早于大模型和投研 Agent 普及。因此，它能证明的是"上一代 AI 投资的优势会被学走"，还不能直接证明大模型时代同样如此。

A 股提供了一个值得跟踪的对照。华泰证券金融工程团队的周报显示，截至 2026 年 9 月 4 日，其 AI 行业轮动模型今年以来的超额收益为 29.15%（周报未注明这一数字相对哪个基准计算）。这个模型自 2017 年初回测以来，年化超额收益为 21.21%（同样未注明比较基准）。同一份周报里，基于大模型解读新闻文本的选股组合，今年以来相对中证 500 的超额收益是 −6.5%。同一家机构的 AI 策略表现差距很大，说明 A 股的 AI 超额收益还远没有被市场统一定价。

未来两三年值得盯三件事。若 A 股头部机构的 AI 策略超额收益出现和美国类似的逐年衰减，说明这个判断同样适用于 A 股，只是时间晚几年。若大模型时代的 AI 基金在更长样本里持续跑赢、且先发者保持优势，说明新一代工具改变了信号被学走的速度，"先发者只守住几年"需要改写。若 AI 基金之间的收益相关性明显上升，说明模型开始趋同，监管担心的扎堆风险就会重新变得现实。