信息时报讯(记者张柳静)距离7月17日首批18只主动ETF正式上报尚不满两个月，这一备受市场瞩目的创新产品已进入获批前的冲刺阶段。不同于传统被动ETF，主动ETF融合主动管理的超额收益能力与ETF交易工具属性，对投研、运营、系统风控全链条提出更高要求。同时，AI技术在资管领域持续渗透，如何把AI从投研环节延伸到主动ETF投资运营全流程，也成为行业共同探索的命题。
天弘基金量化投资部基金经理林心龙认为，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，边界必须由人来划定。记者获悉，主动ETF链条包含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、申赎预判等多项运营工作。谈及AI在ETF运营环节的落地现状，林心龙强调，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、人工确认完成，并不适合引入带有不确定性的AI模型。”林心龙说。
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（603138）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。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。
另外，AI是决策辅助而非替代。目前，海外市场已有将AI应用于主动ETF投资决策的实践，AI能否从运营赋能迈向投资决策，也是市场热议话题。
林心龙认为，AI作为决策辅助的路径具备可行性，但依靠AI完全替代投资决策，短期并不具备现实条件。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，机器学习可以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，包含投资目标、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。AI输出的信号只是约束优化问题的其中一项输入，最终组合需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。借鉴海外实践经验，规模化落地的AI相关ETF产品大多采用“AI辅助、人最终决策”的架构；完全黑箱式AI决策产品，整体规模普遍有限。背后根源来自公募受托管理责任：基金管理人必须能够向持有人解释组合构建逻辑、业绩来源以及潜在风险。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，AI必须运行在可解释、可约束、可复核的框架之下。
“未来三五年，AI核心价值是提升单人可管理的投资复杂度，把人从海量数据（603138）、重复劳动解放出来，聚焦判断决策。行业差距不在于是否使用AI，而在于能不能把AI约束到正确边界，这是制度工程能力，不只是技术。”林心龙说。
林心龙也提醒，行业需要警惕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。关键业务节点必须保留人工复核，行业需要大力培养兼具投资理解与工程能力的复合型人才。
