【导语】基金经理主动调仓，系统如何在一日内“翻译”成PCF？主动ETF全链条能力拆解
随着境内首批主动ETF产品的筹备与上报，一场围绕创新产品的竞赛已悄然打响。
不同于传统被动ETF“复制指数、机械跟踪”的确定性逻辑，主动ETF将基金经理的主观判断、灵活调仓与ETF严格的每日披露、申赎纪律深度绑定。这对基金公司的投资管理系统、运营风控体系，乃至人机协同模式都提出了前所未有的挑战。
围绕主动ETF系统搭建进展、AI如何赋能主动ETF的全生命周期（883436）以及海外主动ETF借鉴经验等问题，中国基金报记者向首批上报主动ETF的基金公司发起调研。结果显示，主动ETF的系统搭建绝非简单的软件升级，而是对基金公司投资管理、运营保障、风险控制全链条的重构。
在AI对主动ETF的赋能上，基金公司的共识是落地需稳妥，先应用于监测和提示，再应用于试算和建议，最后在明确授权边界、人工监督和审计机制下开展有限自动化。关于AI与人的分工，基金公司内部形成的共识是：AI负责处理“多”，人负责判断“对”。管理主动ETF的核心竞争力并不在于是否使用了AI，而在于是否有能力把AI约束在正确的边界内运行。
系统架构质变，从“复制”到“决策加复制”的双重逻辑
主动ETF与传统被动ETF最本质的差异是什么？调研显示，“差异”与“兼容”成为高频词。
首先，传统被动ETF的系统逻辑是“复制”，指数成份和权重由指数公司确定，PCF（申购赎回清单）每日按既定规则机械生成，确定性强、变量少。而主动ETF的系统逻辑在华泰柏瑞基金看来为“实时响应”，即基金经理每日可能调仓，系统必须把投决意图准确、合规、及时地转化为PCF清单。
摩根基金人工智能（885728）首席总监平野指出，传统被动ETF的系统设计核心是“精确复制”，容错空间小但逻辑清晰。而主动ETF的系统则必须满足三大新要求：实时性，基金经理的调仓决策需在极短时间内转化为可执行的PCF清单并同步至交易所、做市商等节点；一致性，实际持仓、PCF清单与对外披露信息三者必须严格一致，任何时间差都可能导致套利或合规风险；弹性，系统需适应不同风格基金经理的节奏，有的可能日内多次调仓，有的则数周不动。
“链条更长、环节更多，而且时间窗口很短，决策与披露要在同一业务日内闭环，容错空间比被动产品小得多。”天弘基金量化投资部基金经理林心龙认为，主动ETF要考察投研到系统的全链条完备性，而不是单个系统的功能。
汇添富基金指数与量化投资部副总监吴振翔认为，主动投资的灵活性与ETF严格的运作纪律并不矛盾。不论是主动投资还是被动投资，都是在较为完善的公司治理、风险监控等框架下运行的。ETF的产品运行主要对每日披露PCF持仓信息及IOPV有准确性要求。被动指数本质上是一种既定策略的规则化实施，主动投资完全可以通过投资策略的规则化、降低组合调整频率等方式，在严格遵循ETF运作纪律的同时实施主动管理的投资策略。
其次，华泰柏瑞基金强调，被动ETF的合规校验主要针对指数跟踪误差，而主动ETF的每一笔调仓都需实时校验投资范围、比例、流动性约束、关联交易、反向交易等数十甚至上百条规则。这要求合规引擎的性能和覆盖率远超传统系统，且必须在交易前完成（事前风控）。
平安基金表示，主动ETF系统需满足实时性与一致性两大核心，且由于主动交易的存在，IOPV（基金份额参考净值）与基金实际净值之间可能出现差异，日常监控中除关注IOPV与二级市场价格偏离外，还需加强对实时估值与IOPV一致性的监测。
最后，在实操层面，PCF的生成逻辑是最大差异点。建信基金指出，传统被动ETF的PCF基于指数信息制作，变化节奏跟随指数调样，变动频次低；而主动ETF的PCF基于基金真实持仓制作，调仓频率相对更高，变动频次显著增加。
针对主动投资灵活性与ETF严格运作纪律的兼容问题，建信基金认为，在主动投资端，可通过控制单日换手率上限来减小当日IOPV与真实净值偏差过大的可能性，通过投向市值较大且流动性较好的股票来减小因每日披露PCF而带来的潜在跟风交易风险等；在ETF运营端，可通过建立标准化运作机制，合理审慎设置现金替代标志及赎回上限等重要参数，平衡主动投资的灵活性要求与ETF运作的安全性要求。
“被动ETF在非指数调样期间持仓结构稳定，PCF篮子与策略持仓天然一致，运营是‘稳态’的。”永赢基金指数与量化投资部总经理蔡路平进一步剖析了这种差异带来的衍生问题。主动ETF的持仓随投资决策变动，每日披露的PCF篮子与盘中实际策略持仓之间存在敞口差异，换手率越高，偏差越大。这要求日常管理中必须保证投资策略的一致性，并持续监控交易换手，避免造成申赎偏差引起的场内流动性不足和净值偏差。
面对上述挑战，部分公司采用了“主动基金经理+ETF运营团队”的双轨模式。在系统衔接上，天弘基金的模式是“一条指令流、一个数据源”。投资端产生的目标持仓作为运营端生成PCF的唯一输入，中间不允许人工转录或二次加工。在此基础上建立单一数据源、自动对账、异常人工处置三道机制。
“双轨模式下，投资端与运营端的联动主要体现在头寸、IOPV监控和组合流动性三方面。”招商基金介绍，晚间PCF制作是双团队联动的关键控制点。ETF运营团队基于估值系统真实持仓制作清单，主动基金经理团队基于恒生系统清算后持仓制作PCF清单，双方从调仓结果、持仓变动、现金替代等多维度交叉校验，确认一致后发布，确保过程可追溯。
南方基金强调，双轨制的基础是制度保障和职责分工，要求来自不同业务线的基金经理保持日常紧密沟通，头寸管理、风险监控、调仓计划沟通将直接影响PCF的准确发布。
正如招商基金所言，主动ETF对系统建设提出的核心要求，不是简单增加一个AI模型，而是进一步打通投研决策、组合管理、交易执行、PCF运营、风险监控和清算交收的完整链路。
AI有望从“运营辅助”向主动ETF全生命周期渗透
尽管主动ETF尚未正式落地，但AI在传统ETF运营中积累的经验已被视为主动ETF系统搭建的关键变量。
调研显示，当前在ETF运营端，AI更多起到辅助增强作用，而非替代。但是站在行业角度，各家公司对AI在主动ETF全生命周期（883436）中的突破顺序形成了较为一致的判断。
在受访基金公司及相关人士看来，最先落地的将是运营、数据处理与投资者服务环节。林心龙判断，PCF与对账流程、数据质量校验、监测报表自动生成规则清晰、结果唯一，收益最直接、风险最小。平野则认为，投资者服务与适当性匹配是“最后一公里”的体验提升，技术门槛相对较低，价值感知明显。南方基金也认为，投资者服务过程有主观因素，不追求答案绝对唯一性，AI可基于投资者风偏特征定制服务。
其次是投资组合构建与实时风控。天弘基金指出，这两个环节目标函数明确，在给定约束下最大化预期收益或最小化执行成本，AI承担求解与优化角色，边界由人设定，效果可量化评估。南方基金认为，实时风控除实时捕捉风险项以外，需要更多前置地预判风险的产生、传递并提出处置建议。
最后，未来将突破策略生成。南方基金表示，投资组合构建、策略生成依托AI生产、进化是AI融入投资的终极目标，目前AI已经在数据清洗、规律和逻辑识别、因子挖掘、假设检验、业绩归因、组合优化等有一定应用，要实现策略生成和组合构建的全环节落地尚有一定距离。
林心龙认为，AI很容易在历史数据中找到统计上显著的规律，但难以判断这个规律是否具有经济逻辑、是否会在未来持续。在可见的时间窗口内仍需要投研人员对收益来源作出因果层面的判断。招商基金则从运营侧指出，AI更可能成为“运营助手”和“风险控制塔”，先应用于监测和提示，再逐步探索自动化。
AI赋能主动ETF“前瞻性”风控，从阈值触发到趋势预判
某基金公司表示，稳健是首批主动ETF落地运营的重要目标，因此将特别关注持仓股票流动性监控、换手率控制、投资风格稳定性等指标。以平安基金为代表，不少基金公司构建起严密的“事前严控、事中监控、事后回溯”全流程风险控制体系，并分享了运营实操细节。其中，AI的引入正推动风控从“事后报警”向“事前预判”演进。
在流动性监控方面，平安基金表示，基于流通市值、日均成交额建立管控，系统禁止买入近一年日均成交额位于所在交易所后20%的股票，对小市值设定持仓上限，当持仓接近或达到预设阈值时，系统自动触发预警或实施交易拦截，确保持有的股票与产品流动性匹配。天弘基金则在组合构建环节，风格暴露、行业偏离、个股权重、单次换手上限、单券交易金额占其近期日均成交额的比例，全部作为硬约束参与求解，不满足约束的组合根本不会被生成出来。
在换手率控制方面，天弘基金内部预算相对约定上限保留约两成余量。平安基金则对基金经理单日交易金额设定限额，超限需履行内部审批。
在风格稳定性方面，多家公司通过风险因子框架对大小盘、价值成长、动量等暴露进行日频计算。平安基金介绍，系统接入业绩比较基准及风格因子模型，持续跟踪组合在股票仓位偏离度、基准成份券覆盖率、单一行业集中度等方面的变动情况，一旦组合实际持仓偏离既定策略或基准范围超过允许幅度，系统即时推送预警信息，要求在规定时间内完成调整或履行相应内部审批程序。
对于AI能否实现“前瞻性”风控，行业既有共识也有分歧。
平野列举具体场景指出，AI在流动性恶化预判上最有应用空间，成交额萎缩、买卖价差走阔、盘口深度下降等特征具有一定持续性，用模型对这些高频特征做提前识别是有价值的，摩根基金在这方面有数据与技术储备。前瞻性风控的真正价值，不在于“预测风险”，而在于“缩短从发现到处置的距离”。
平安基金正探索利用NLP（自然语言处理技术）对持仓股票进行舆情扫描，识别财务造假、重大诉讼等关键词，以及基于财务指标、股价等退市标准进行自动筛查，并将上述模块嵌入风险监控平台实现每日自动更新。
招商基金认为AI的前瞻性应体现在预测持仓变化对PCF清单、IOPV稳定性、现金替代设置等运营层面的影响，而非对组合进行投资判断。公司旗下北斗平台已具备ETF AI申赎预测、停复牌智能监控、退市风险预警等技术储备。
南方基金则展示了更系统的布局，其已建立RISK AI智能风险定价模型，通过实时监控370余个风险因子形成个券综合风险定价。此外，公司成立了由经营管理层牵头的AI推进工作领导小组，并新设立一级部门AI推进中心，通过战略重视、组织优化来加速推动AI技术的储备和落地。
借鉴海外经验，AI决策辅助主动ETF的边界与风险
海外已有AI被用于主动ETF投资决策的案例，这为国内提供了重要参照。但对于AI从运营赋能走向投资决策辅助的路径，基金公司普遍持“积极拥抱、审慎落地”的态度。
易方达基金探索相对前沿，易方达基金指数投资部相关人士表示，当前正在尝试把现有的各类跟踪误差控制技术和收益增厚策略与AI进行深度融合，例如PCF的智能化制作、系统性的指标监控、批量化指令的跟踪管理、投资决策流程的迭代简化与业绩归因的智能分析等等。
同时，易方达基金也在持续搭建完善指数投资策略相关的AI智能体（886099），希望通过整合内部的指数知识库、投资策略库和各类投研数据，持续有效提高日常投资管理运作效率，加快精细化管理策略迭代，实现产品的规范化、系统化、智能化管理。
平野介绍了海外摩根资产管理的实践，量化团队利用NLP分析财报电话会议、另类数据生成信号；AI用于智能拆单、下单。他将路径划分为三个阶段：当前主流是AI作为“信息增强层”；正在探索的是AI作为“策略建议层”生成候选组合；远期方向是在特定策略中承担更高决策权重，但人类仍负责框架设定与最终审批。
蔡路平从两个角度论证了可行性，一是从主动管理本质看，AI擅长信息攫取与内容提炼，能系统性放大投研效率，使过去无法持续跟踪的中小市值、冷门主题有了低成本跟踪手段；二是从量化演进看，AI早已深度嵌入主动选股环节，GRU等机器学习因子已是常规操作，AI使策略信号来源从“单一、低频、滞后”走向“多元、高频、前置”。
“必须把决策辅助与决策替代区分清楚。前者正在发生，后者在受托管理框架下短期内不具备现实条件。”林心龙认为，AI在投资端的价值集中在信号生成环节，但从“信号”到“持仓”之间隔着一整套由人设定的约束框架。海外真正规模化落地的产品基本都是“AI辅助、人决策”的架构。
鹏华基金指数与量化投资部基金经理陈鸿旭提出分阶段落地模式：第一阶段，数据基建与运营赋能；第二阶段，研究辅助与策略增强已逐步落地；第三阶段在量化指增、因子轮动等策略中有较强落地空间，但深度基本面研判策略中AI仍主要承担信息处理与风险监控。整体来看，AI正快速渗透至运营与投研全流程，有效提升各环节运行效率。
“AI可以利用其文字语义理解、大规模数据分析能力，来实现一些现实世界信息的数据化，辅助基金经理进行投资决策，让基金经理的投资决策更快、更准确。”吴振翔认为，AI被用于投资决策具有一定的可行性。
招商基金则强调，AI在主动ETF投资决策辅助的三个具体体现为指数成份股预测、个股多维度洞察、算法交易优化，但必须坚持人机协同，AI不能替代受托责任、合规义务与专业判断。
在拥抱AI的同时，受访基金公司也系统性地梳理了潜在风险。
易方达基金指数投资部相关人士重点提示了数据缺陷与治理风险，底层数据源错误将输出错误信息，敏感信息接入易导致泄露风险，以及系统与运维风险，AI生成的代码可能出错导致系统宕机。
平野特别强调AI幻觉问题，即大语言模型可能生成看似合理但错误的信息，在ETF运营这种高精度场景中必须严格事实核验。招商基金则指出，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，应建立数据质量校验、模型版本管理、人工复核、降级运行和紧急停止机制。
平安基金从制度层面提出，当前大模型效果无法达到100%，需要从制度层面明确人机之间的新机制，是并行、辅助还是链条分工，同时需梳理内规外规，明确不同数据在不同场景下可使用的AI工具。
