当前，十年期国债收益率运行在1.7%以下，传统固收资产回报率持续走低，为产品收益打造新的能力支点，已成为银行理财公司面临的共同命题。面对多资产投研能力待补强、人才与技术积累不足等共性挑战，推动投研生产方式系统性升级成为行业破局关键。近日，浙银理财有关负责人接受《金融时报》记者专访，详解公司如何将人工智能（AI）作为提升专业服务能力的核心工具，从科技底座重构到投研全流程赋能，走出一条差异化的专业能力升级之路。

问：面对当前行业发展瓶颈，浙银理财为何选择将AI作为能力提升的核心抓手？整体的推进方向是怎样的？

答：银行理财以往投资高度聚焦固收，投研围绕信用与利率展开，多资产能力相对薄弱，亟须向权益与商品研究、大类资产量化配置、跨品种风险对冲延伸。同时，理财公司人才储备、数据积累和系统建设方面尚未形成有效积累，补齐这些能力需要投研生产方式的系统性升级，AI正是实现这一升级的重要抓手。

我们重点沿着两个方向推进：其一，以AI编程优化科技底座，将系统建设从“按排期推进的工程交付”转变为“由业务需求直接驱动的即时生成”，功能模块从需求提出到上线的耗时从数周压缩至数小时，为投研、风控、信用评审、交易、运营等各项业务提供更敏捷、更富弹性的技术支撑。其二，以AI投研作为先行场景，提升投研效率。投研是资管机构创造价值的起点，将AI率先应用于此，使策略验证的效率和覆盖广度逐步减少对研究团队规模的线性依赖，使“研究先行”更快响应业务需要。

问：在系统建设层面，AI带来了哪些作业流程上的重塑？基于AI搭建的智能投研平台有哪些核心价值？

答：在AI编程实践中，我们确立了一套清晰的作业流程：业务人员以结构化自然语言精确定义功能的输入参数、输出结果、验收标准与边界条件，该文档构成AI行为的唯一约束；验收标准同步转化为可自动执行的验证脚本，AI生成代码后脚本立即检验，未通过则直接退回修正。由此，“先写代码再补测试”的串联模式，转变为“先定义正确标准，不满足即自动拒绝”的迭代闭环。代码通过自动验证后，人工审查聚焦于业务逻辑本身——是否存在隐含风险、是否满足合规要求、能否与现有系统相容。科技人员从代码编写者转向逻辑审核者，业务部门由此在系统建设中获得了实质性裁决权。基于这套模式，公司确立新规：所有新研系统均优先以AI编程自主开发，对存量系统全面减少外部采购，逐步纳入自主迭代轨道。

基于AI编程能力，我们搭建了完全自主研发的智能投研平台，从立项到实盘运行不足3个月，同等功能规模的传统开发通常需6至9个月排期与数百万元采购成本。平台的核心作用在于将投研流程透明化、策略资产化：所有投资策略均须在平台内完成提交、回测与迭代，研究逻辑与业绩归因对内部清晰可见，个人经验由此沉淀为公司级可追溯资产。日常运行遵循当日闭环——策略验证中发现的回测偏差、数据口径不一致或新因子需求，均在当天完成规格编写、自动验证与人工审核，无需等待版本排期。

问：在具体的投研业务中，AI嵌入了哪些关键环节？为策略研发落地带来了哪些切实改变？

答：在AI投研层面，我们将AI直接嵌入研究流程的关键节点，落地为三个环节：

一是让AI承担宏观数据解读、行业动态跟踪、标的财务分析等规模化基础研究，释放研究员深度思考时间；二是将AI作为策略研发加速器，研究员提出假设后，AI辅助完成数据清洗、因子测试与回测报告生成，将“提出想法—看到结果”的反馈周期从“天”级压缩至“时”级；三是将风控前置到策略研发环节，在规格定义阶段即明确风险约束条件，AI生成代码时自动内嵌至回测逻辑，每轮回测同步输出风险指标达标情况，触及预警阈值则自动标记并归因。

三项调整叠加运行，为公司带来了两个层面的切实改变。第一是策略研发效率大幅提升，从“周”级压缩到“时”级。“上午提出设想，中午取得回测，下午结合绩效归因判断配置价值”已成为公司常态。投资经理只需将投资思路以结构化语言说明，数据清洗、因子测试、回测执行、风险校验即由AI自动完成，从想法到可操作策略的全流程从数天压缩至小时级。目前，公司在大类资产配置和结构化产品策略两个方向，已完成三套策略的构建与验证。第二是复杂能力实现普惠化，从“少数专才”覆盖到“人人可用”。过去，量化建模、复杂策略构建与深度行业研究高度依赖少数专业人才。公司将资深人员的研究思路与策略框架进行结构化沉淀，转化为平台内可复用的标准化模板与参数化工具；AI则在数据清洗、因子计算、回测执行与策略文档生成等环节补齐个体差异。研究员只需明确策略逻辑与约束条件，AI即可自动完成技术实现与风险校验。普通投资经理也能独立完成过去需整支团队协作的策略验证，策略研发带宽不再受制于关键人才。

问：公司提出专业能力要从“个人积累”转向“系统沉淀”，AI在这一转变中扮演了怎样的角色？在对外合作中又体现出怎样的差异化价值？

答：起步晚、经验积累不足是理财公司共性短板。借助AI能力，回测与实盘的自动记录机制使每一次分析判断及其依据均被系统留存，策略的行为特征与风险收益画像可追溯，参数与绩效的对应关系持续追踪；研究人员之间可相互参考、交叉验证，新的研究不必从零开始，而是在既有成果之上迭代演进。能力的成长速度不再受限于个人学习曲线，专业服务的稳定性也不因人员变动而起伏，构成公司可积累、可迭代的核心竞争力。

浙银理财近期与外部机构合作，共同研究完善多因子策略模型，并在数智平台高效完成工程化、系统化策略部署。合作双方在因子定义口径、数据来源选取标准、回测逻辑全流程均同步进行逐项复现、审核。尤其是在因子暴露、收益归因和风险预算三个核心维度上，合作双方结果高度一致。借助AI构建的投研基础设施，理财公司对量化人才、科技人才的需求下降。在与外部机构合作的过程中，双方的策略经验和参数调校逻辑被各自的平台结构化拆解和存储。各自的组织经验、能力都得到沉淀，为未来的迭代、共同研究提供基础。

从AI编程到AI投研，我们的实践始终围绕一个核心目标：用技术手段提升专业服务的效率与可持续性。对于一家起步较晚的理财公司而言，这种转变的价值在于，它为多资产策略专业能力提升提供了一条更务实的路径——不必等待大规模人才补充，也不必依赖外部系统长期绑定，便能持续构建和迭代升级自身的专业能力。沿着这条路径走下去，我们有望在多资产时代建立起可持续积累的专业竞争力。