本文由保德信资管与上海九鞅科技有限公司合作撰写
作者：张漫春（保德信资管风险管理部负责人）、张启珑（九鞅科技总经理）
引言
人工智能(AI)正在重塑资管机构组织信息和作出判断的方式。过去，机构竞争力主要来自投研经验、风险模型和信息系统；如今，能否把数据、模型与专业判断连接成稳定工作流，正成为值得金融机构关注的潜在分水岭。生成式AI和智能体的意义，并非简单替代人，而是让专业人员更高效地调用信息与工具。
对资产管理机构而言，这一变化为风险与绩效管理带来可能的优化解决方案。一方面，组合持仓、交易、基准、风险因子、估值和市场信息正以前所未有的速度累积；另一方面，市场风格切换、政策事件和个券风险的传导更快，单纯依赖定期报表和固定阈值预警，已难以满足及时、深入和可沟通的管理需要。在风险管理发现风险指标变化，绩效分析列示归因结果的基础上，机构还需要回答：风险为何发生、收益从何而来、当前变化是否具有延续性，以及下一步应重点关注什么。AI能够发挥全天候数据处理、模式识别、关联分析、情景推演和任务执行的优势，与专业人员的业务理解、逻辑判断、风险权衡和责任决策相结合。
本文对人工智能赋能风险管理和绩效分析展开讨论，构建以可信数据和专业模型为基础、以智能体为连接层、以人的判断和责任为最终保障的人机协同能力体系，展示风险与绩效管理从指标监测和事后解释，走向持续感知、主动研判和前瞻决策支持的优化路径。
AI在资管行业的应用发展
资产管理行业使用AI已有很长的历史。传统机器学习被用于因子构建、信号筛选、文本分析和组合优化，通常由专业人员预先定义目标、数据和模型边界。生成式AI拓展了对研究报告、公告、新闻和内部文档等非结构化信息的理解与综合能力；在此基础上形成的智能体，还能够围绕业务目标检索数据、调用分析程序、检查中间结果并生成报告。
发展至今，AI已明显压缩文档处理和初步研究时间，但进入投资决策核心的应用仍主要集中在数据治理和量化基础较强的机构[1]。面向生产环境的应用也开始从分散试验转向可衡量的高价值场景，评价标准落在效率、风险和决策质量；AI可参与判断形成，最终责任仍在专业人员[2-4]。智能体更像一层“协作引擎”。面对“组合为何相对基准出现回撤”，它会依次查询净值与持仓、调用归因和压力测试、检索市场事件，最终形成简报。波动率、归因和压力测试仍由专业模型计算，AI负责串联步骤和组织证据。
风险与绩效管理的人机协同路径
传统风险与绩效系统能够计算指标，却难以把仓位、交易、因子与市场事件放入同一语境解释；预警能够发现超限，却不直接揭示来源与传导路径；归因能够分解收益，但需人工加工方能进入管理层讨论。发现、解释、评估、反馈四个环节各自成立，中间却是断开的。人工智能提供的人机协同路径能够把这些链接起来，让智能体成为数据、模型与业务人员之间的任务入口。用户可用自然语言提问，智能体在授权范围内读取组合、交易、基准、因子和市场信息，并调用风险监测、持仓穿透、收益归因、压力测试等工具。
人机协同路径下，人与AI的分工是清晰的：智能体承担取数、任务编排、结果校验与材料组织；专业人员确认口径、假设与业务含义，完成风险权衡与决策。触发可以来自规则、事件或一次提问，此后经模型调用、人工确认、简报生成到后续跟踪，形成可复用且可审计的工作流（见图一）。
图一：风险和绩效管理人机协同闭环
从阈值预警到持续研判
传统监测以集中度、行业偏离、跟踪误差或因子暴露等阈值为主，客观说明"发生了什么"，但不解释"为什么"。AI解决方案在指标触发后，智能体可继续追溯持仓与交易变化，识别风险贡献资产，并关联公告、政策与市场风格。阈值由此成为调查的起点，而非流程的终点。人可以从重复性报表或报告文字编辑的工作中解放出来，集中精力做好专业判断，如风控经理区分主动暴露、被动权重漂移与数据异常，投资经理则说明该暴露是否符合投资逻辑。
从归因结果到投资行为解释
绩效归因兼具确定性计算和专业解释需求，是人机协同较为成熟的场景。AI可以调用既定归因模型，把配置效应、选择效应和因子贡献与持仓调整、交易节奏、市场风格及历史记录连接起来，识别收益是否集中于少数持仓、正收益是否伴随风险预算透支，以及实际行为是否偏离产品定位。花旗银行最近的研究已将归因分析、风险监测和综合报告列为生成式AI与智能体的重要应用方向[5]。
绩效人员负责确认区间、基准和分类口径，投资经理则核对解释是否符合实际决策，避免把同期事件直接当作因果，或把一次偶发收益包装成稳定能力。
从静态压力测试到交互式情景推演
智能体可把“股市下跌、利率上行、信用利差扩大”等描述转成结构化参数，调用压力测试模型，比较组合损益、敏感持仓和风险贡献。自然语言降低了操作门槛，也让情景分析更容易进入日常讨论。
专业人员负责确认参数与产品特征、市场环境是否匹配，确定冲击幅度、相关性与流动性假设符合压力测试的管理目标，并始终对“压力测试不是市场预测”保持清醒。
从分析输出到决策反馈
智能体可快速按角色需求生成简报，例如风控经理关注指标和假设，投资经理关注收益来源与风险代价，管理层关注重大例外及处置进展，且支持简报内容回溯到数据、模型版本和计算结果。
相较传统方式，AI解决方案有三点优势：自动编排工具，减少等待和重复加工；联动内外部信息，拓宽解释范围；把一次性报告转为持续监测任务。同时，自动化边界仍服从权限和治理要求。
AI智能体参与组合风险监测与归因分析案例
以下采用某“先进制造与红利”权益组合的模拟数据，展示AI智能体如何参与风险与绩效分析。组合收益、基准收益和归因结果按照案例报告的统一统计口径呈现。
传统作业模式中，分析横跨投资交易、风险管理和绩效分析三个系统，人员可能需分别取数、核对口径，再依次完成归因、情景分析和报告；即便机构已有数据仓库，从预警识别到模型选择、解释和沟通，往往靠不同团队串行推动。一次较完整的专项分析通常至少需要两个工作日。受时间和人员限制，归因也容易停留在预设指标，难以同时覆盖持仓漂移、风格暴露、市场事件和历史行为。
AI赋能解决方案的增量价值因机构基础而异：系统分散的机构可通过受控接口减少数据搬运和重复核对；已有数仓的机构则可复用统一数据服务，把重点放在问题理解、工具编排、内外部信息关联和持续跟踪。预警因而能直接触发有上下文、有证据链的分析任务（见图二）。
图二：不同数据基础下的作业方式及AI智能体的共同提升点
本案例中，智能体本身不直接计算风险指标，也不作调仓决定。它接收预警、组织证据，调用Brinson归因和Barra风险因子等工具，将业务假设转成情景参数，并生成分角色简报和跟踪任务。关键数值来自确定性模型，输入、版本和中间结果均留痕，由风险或绩效人员逐步确认。人的时间因此从取数和拼接报告，转向核对口径、解释异常和作出判断。
持续监测：由预警信号启动分析任务
模拟组合于2026年2月初建仓，持有25只A股，其中20只先进制造股票、5只红利股票，初始单只权重约3.8%，另保留近5%现金。机械设备和国防军工合计约34%，银行和交通运输约23%，建仓后未主动调仓。截至7月17日，组合累计收益-3.72%，年化波动率23.22%；5月13日至7月17日最大回撤-15.07%，近五日收益-6.90%。监测系统据前期设置的风险阈值发出提示，智能体启动专题分析。
![]()
图三：先进制造与红利权益组合持仓行业分布及历史净值曲线
数据来源：九鞅AlphaMind组合管理模块；组合行业分布基于2026年7月17日之日终持仓权重；历史净值曲线基于2026年2月2日至7月17日之日终单位净值。
智能体调取净值、持仓、交易、基准和行业分类数据，校验区间与完整性，并比较建仓、回撤起点和当前三个时点。本案例用沪深300全收益指数观察相对市场表现，但不将其作为业绩比较基准。组合本就有显著行业倾斜，跟踪误差具有结构性，因此系统将其与回撤、行业偏离和因子暴露一并分析，而非单独判为超限。
观察期内，组合虽无交易，股票市价变化仍造成权重漂移：银行由11.4%升至13.3%，电力设备和电子分别降至9.5%和9.7%。智能体由此提出两项核查：回撤主要来自市场下跌，还是组合结构；被动形成的行业和风格变化，是否仍符合策略目标。风控经理确认口径后进入归因环节。
绩效归因：调用专业模型并形成证据链
智能体调用既定的Brinson模型，分解配置、选择和交互效应，并自动核对归因结果。截至7月17日，组合收益为−3.72%，基准收益为−0.83%，超额收益为−2.89%。如图四所示，电子、国防军工和交通运输是主要拖累，机械设备、银行及其他行业形成部分抵消。进一步拆解显示，电子的拖累主要来自选择效应（−7.47%），军工则主要受超配产生的配置效应（−2.24%）影响。
图四：组合归因分析及因子暴露分析
数据来源：九鞅AlphaMind组合管理模块
智能体随后对比建仓日与7月1日的Barra因子暴露。动量由正转负，价值和盈利收益率同步上升，显示组合在未调仓的情况下被动向价值和防御风格迁移。风险与绩效人员据此复核模型口径，并判断相关变化是否符合既定投资逻辑。
情景推演：将业务假设转化为可确认参数
风险来源确认后，风控经理提出“若市场继续下跌，组合将受到多大影响”。智能体将问题转为沪深300下跌5%、下跌10%和反弹3%三个情景，列明冲击对象、估值日和模型假设，待确认后调用敏感性工具。
按市场Beta约0.75测算，三个情景对应组合变动-3.77%、-7.54%和+2.27%。智能体识别出五只高Beta且权重较高的持仓为主要脆弱点，约13%的银行持仓提供一定缓冲；并建议补充测试军工、电力设备继续调整且银行防御性减弱的组合情景。是否采用及如何设参，提交投资经理和风控经理决定。
决策反馈：生成分角色简报并持续跟踪
分析完成后，智能体生成三层简报：事实层列示回撤、权重漂移和行业归因；模型层列示因子变化、情景损益和敏感持仓；判断层列示军工超配、电子选择及风格变化等仍待讨论的问题。结论链接到数据和模型输出，人工修改也保留记录。
系统再按角色组织信息：向风控经理提供口径、假设和异常项，向投资经理说明收益来源与风险代价，向管理层概括重大变化和待决事项。智能体无交易权限，最终决定仍由既有治理机制作出。
复盘显示，原流程缺少前瞻触发机制。经批准后，智能体可按既定规则创建日度任务，将回撤10%作为深度审查阈值，并记录触发、升级和处置过程；行业偏离、前五大持仓集中度、月度压力测试和Barra风格偏离纳入例行复核。一次专题分析由此转为持续监测。
AI应用的风险防范与治理机制
AI极大地缩短了分析链路，同样也可能放大口径混淆、模型误用和责任模糊的风险。治理需覆盖数据、模型、智能体执行和业务使用，并纳入机构全面风险管理（见图五）。
图五：五类AI应用风险必须同时落实控制措施和责任归属
数据风险：建立统一口径和质量控制
组合、交易、基准和市场数据应明确来源、时点、分类和版本。净值、归因和情景分析执行前，要检查区间、币种、复权、基准和行业分类；数据缺失或冲突时暂停输出。敏感数据还须实行产品和机构间隔离、最小权限及查询导出审计。
模型风险：坚持确定性计算与生成式解释分离
风险指标、归因和压力测试应由经过验证的专业模型产生，生成式AI不得补造数据。模型负责人需明确参数、假设和适用范围，对版本变化做回归测试；AI解释要区分事实、计算和推断，并能回溯到数据与模型。
智能体风险：控制工具调用和任务执行边界
智能体可能调用数据、代码和业务系统，须单独管理操作风险。机构应设置工具白名单、岗位与组合权限、调用限制、异常中止和人工接管。常规检索和报告初稿可自动执行；重大风险例外、关键压力参数、对外披露或交易建议必须人工确认并按需升级。
第三方与合规风险：明确数据和责任边界
使用外部模型或平台时，应明确敏感数据是否留存或用于训练、是否跨境传输、供应商如何处置安全事件，以及服务中断时能否迁移数据和模型。合同、外包管理和持续监测应与部署同步，供应商承诺不能替代机构责任。
人员与组织风险：保留判断能力和责任链条
AI承担初步研究和报告后，人员仍需具备数据理解、模型质疑和异常识别能力。PwC（普华永道）指出，人机协同需要新的管理纪律、治理框架和持续学习机制[6]。机构可建立“数据—模型—平台—业务”责任链，各负责人分别对数据质量、计算逻辑、执行安全和最终使用负责。
治理不是限制应用，而是让应用在可控边界内扩展。把数据质量、模型验证、权限、复核和追责嵌入日常流程，AI才可能沉淀为可信的专业能力。
结语
当前正是资产管理机构系统性建设AI能力的重要阶段。前沿基础模型日益普及后，机构间的差异将更多来自数据质量、工具积累、工作流设计与跨部门协作。AI的竞争，本质上是组织能力与治理水平的竞争。在风险与绩效管理领域，AI应用具备结果可验证、责任链条清晰的优势，便于在受托责任框架内界定人机边界，并逐步向投研与资产配置延伸。
金发〔2026〕8 号文已就AI治理架构、数据治理与风险管理作出系统安排。机构宜围绕可衡量的目标选择场景，建立统一数据底座与模型验证体系，并将权限、复核、审计与问责同步纳入流程设计，而非事后补充。
技术迭代不改变资产管理的本源。AI可以缩短从发现到解释的路径，但风险偏好的设定与最终决策仍须由专业人员承担。率先完成基础建设的机构，更有可能将其转化为长期组织能力，在技术变化中保持专业判断与主动管理责任的一致性。
