AI赋能资产配置(二十六)：AI“添翼”：大模型增强投资组合回报
股票资讯
阅读：3
2025-11-27 19:42:19
评论：0
核心观点：
①本报告围绕三类代表性AI 资管产品开展复盘对照：AIEQ、ProPicks、QRFT，回答AI 能否为投资者带来超额收益。②从结果看，当前海外AI 资管产品总体提质增效但不宜过度“神化”：以情绪流为代表的主动型ETF AIEQ 长期跑输SPY，关键在于受到市场情绪波动较大，且费率与极高换手带来成本侵蚀；订阅性产品ProPicks 在科技顺风期收益突出，但对执行纪律与滑点高度敏感，实际复现难度较高；AI 增强行ETF QRFT 长期与标普接近，阶段性强弱分化明显，更偏窄幅增强而非稳定高Alpha。③结论上，AI 更可靠的价值在提升信息处理效率与投研流程标准化，而非保证持续战胜指数；判断产品靠不靠谱应优先看三点，长期相对基准是否有净超额，费率与换手后的收益是否仍成立，信号与业绩披露是否可复盘、可验证。
一、AI 驱动型资产管理：进展与案例
全球金融市场的演进史，在某种程度上是一部计算能力与数据处理能力不断博弈的历史。从早期的格雷厄姆式基本面分析，到20 世纪80 年代兴起的以西蒙斯大奖章基金为代表的量化投资，再到如今2025 年全面爆发的AI 驱动型资产管理，投资决策的产生机制发生了根本性的范式转移。这种转移并非简单的技术迭代，而是认知维度的升维。
传统的量化投资，尽管使用了复杂的数学模型，但其核心逻辑依然主要依赖于线性回归、统计套利以及人类研究员预先设定的因子库。在这种“人类假设驱动”的模式下，计算机的角色更接近于一个极其高效的计算器，它验证并执行人类的逻辑。然而，随着非结构化数据的爆炸式增长——包括社交媒体情绪、卫星图像、高管电话会议的语调、甚至是供应链的物联网数据——传统量化模型面临着维度灾难。
伴随着生成式AI 和大语言模型的成熟，金融市场迎来了“AI 驱动”的资产管理时代。与传统量化不同，新一代AI 选股策略——如本报告将深入探讨的AIEQ、InvestingPicks 以及QRFT——采用了深度学习、强化学习以及自然语言处理技术。这些系统不再仅仅是执行规则，而是具备了从海量噪音中“涌现”出新规则的能力，它们能够识别出人类分析师无法察觉的非线性市场模式和微观相关性。本文通过深入探讨AIEQ、InvestingPicks 以及QRFT 等AI 驱动的资产管理案例，探讨AI 驱动资产管理的进展及表现。
二、案例1：AIEQ ETF 介绍
2.1 AIEQ ETF——AI 赋能投资策略的基本介绍Amplify AI Powered Equity ETF (AIEQ) 是AI 在ETF 领域应用的先驱。该基金于2017 年10 月17 日成立，是全球首只完全由人工智能系统进行主动管理的ETF。其底层框架由EquBotLLC 开发，并以IBM Watson的认知计算平台作为算力与NLP 支撑。AIEQ 的投资方法体现了AI 选股体系中的“信息驱动”路径——通过对全市场信息环境进行高频、全覆盖的扫描与情绪解读构建投资组合。与传统基金经理依赖人工阅读有限数量的研究报告不同，AIEQ 的模型每天会处理数百万份非结构化文本，包括监管文件、财报新闻稿、全球新闻源，以及占比愈发重要的社交媒体与论坛讨论。其核心优势来自自然语言处理（NLP）能力。模型尝试识别文本中的情绪方向与语境差异，从噪声中提取具有预测意义的信号，并将情绪因子与宏观变量、企业基本面指标进行融合。基于上述多源数据，系统动态优化并生成约30–200 只股票的组合，目标是在市场情绪产生边际变化之前捕捉被低估、具备潜在情绪催化的标的，从而实现超额收益。
2.2 实盘绩效深度剖析
尽管AIEQ 的技术概念极具前瞻性，但其长期的实盘业绩却揭示了AI 战胜市场的难度。截至2025 年11月的数据，我们对其绩效进行了多维度的对比分析。
（1）短期与中期回报分析
截至2025 年11 月22 日，AIEQ 的2025 年初至今（YTD）回报率约为9.38%。在绝对收益上，这是一个正向的结果，表明基金为投资者赚取了利润。然而，投资的评价核心在于相对收益。同期，基准的标普500指数（通过SPY ETF 衡量）的YTD 回报率约为12.45%。这意味着，在2025 年这个对于美股而言相对不错的年份里，AIEQ 实际上跑输了市场基准约3 个百分点。此外，2025 年中，除了二月、五月AIEQ 的表现略高于SPY，其余月份都未超过SPY 的收益率。对于一只主动管理型基金而言，这种幅度的落后是显著的，特别是考虑到其持仓风格本身偏向科技和成长，理应在牛市中表现出更强的攻击性。
（2）长期累积回报与阿尔法衰减
将时间轴拉长，AIEQ 的劣势更为明显。1）1 年期表现：AIEQ 回报约为+6.15%，而标普500 同期回报为+11.00%。2）5 年期表现：AIEQ 累计上涨约+33.85%，而标普500 同期涨幅高达+85.61%。3）成立以来表现：自2017 年成立以来，虽然AIEQ 实现了正收益，但其总回报率显著落后于被动指数。
2.3 换手率与成本摩擦：高频调仓的双刃剑
AIEQ 业绩承压的一个关键内因在于其极高的换手率。数据显示，AIEQ 的年换手率达到惊人的1159%。
这种超高频的交易模式，折射出其底层AI 模型对当下社交媒体驱动的短暂市场情绪极度敏感，为了捕捉微小的套利空间而不停地进行买卖操作。然而，这种策略在ETF 结构中存在天然劣势：一方面，虽然美股基础交易佣金很低，但在如此极端的换手频率下，买卖价差和市场冲击成本“积少成多”，会严重侵蚀基金净值；另一方面，极高频的短线操作不仅可能削弱ETF 通常具备的税务优势，更关键的是，频繁调仓阻断了“以时间换空间”的长期复利效应积累。
截至2025 年，AIEQ 的资产管理规模（AUM）维持在1.14 亿美元至1.17 亿美元之间。对于一只已经运行了近8 年的ETF 来说，这个规模增长是停滞甚至令人失望的。相比之下，顶级科技ETF 的规模动辄数 百亿美元。规模的停滞反映了机构投资者和个人投资者对其长期跑输大盘的失望情绪。
在持仓方面，尽管由AI 决策，AIEQ 的前十大持仓依然经常出现熟悉的科技巨头面孔，如NVIDIA、Microsoft、Apple 等。这表明，即便是AI 也无法忽视这些巨头在当前经济结构中的核心地位。但除此之外，AI 也会配置一些非共识性的股票，如GE Vernova Inc.(2.43%)或GoDaddy(1.90%)，试图通过这些独特的选股来创造超额收益。然而，从结果来看，这些独特配置并未能弥补高费率和高换手带来的损失。
三、案例2：Investing ProPicks——人机协同的信号订阅服务3.1 从“托管”到“赋能”：ProPicks 的模式创新与AIEQ 将AI 封装在黑箱ETF 中不同，Investing 推出的ProPicks 代表了另一种AI 参与投资的路径——信号订阅。这实际上是SaaS 模式在投资领域的延伸。Investing 利用其庞大的历史数据库，结合AI 算法，为订阅用户提供每月的选股名单，用户拥有最终的执行权。平台宣称使用了覆盖超过25 年的全球上市公司历史金融数据，并在模型中引入50 余项财务指标，对股票进行系统性评估。AI 模型会根据这些指标将股票划分为跑输、中性、跑赢等不同等级，并剔除价格极低、流动性较差的标的，然后按主题或标准生成策略组合。其本质上是一个AI 驱动的“超级选股生成器”，通过分析庞大的财务数据和市场信息，找出有潜力的投资机会的模式和趋势。
用户在界面上看到的是一系列策略组合卡片，例如以科技龙头、价值因子等、名人持仓（例如巴菲特）为特征的组合，每条策略都提供了较为完整的历史回测结果以及自2023 年10 月成立以来至今的AI 策略的实盘收益率。历史回测设定，假设以等权重买入并持有全部成分股，并考虑股息再投资的结果。历史回测结果包括不同持有期限（如1 年、3 年、5 年）的累计收益和与标普500 的对比表现。通常还会说明策略的大致构建原则和调仓频率，例如按月或按季度定期再平衡。用户可以查看策略表现和部分构成信息，但要获取完整成分股列表及更详细的数据则需要专项订阅，该系统会提示用户买入和卖出的名单。
3.2 惊人的实盘回报与“科技牛市”的共振——以Tech Titans 为例Investing 的“Tech Titans”（科技巨头）策略是其核心功能ProPicks 旗下的一项旗舰投资策略，旨在利用先进的人工智能技术帮助投资者把握科技行业的机遇。该策略通常包含约15 支左右经过严格筛选的科技板块股票（数量可能会随市场情况在10 到20 支之间小幅波动）。Investing 会根据最新的财报和市场数据每月进行一次再平衡，剔除不再符合标准的公司，并调入新的具有更高潜力的科技股。Tech Titans 自2023年10 月正式上线以来，其公布的业绩表现令人咋舌，展现了AI 在顺势行情中的爆发力。截止北京时2025年11 月24 日，TechTitans 策略累计回报率为98.7%，超过了同期S&P500 的收益率43.7%，获得约55%的惊人超额收益率。
这种超额收益主要得益于AI 成功捕捉到了几只现象级的牛股。例如，该策略在Super Micro Computer(SMCI)的主升浪期间（2024 年1 月至2024 年7 月）持有该股，实现了+185.8%的回报；在Micro Strategy(MSTR)上（2023 年10 月至2024 年5 月）实现了+94.9%的回报。
此外，Investing 官网还会持续公布策略近期捕捉到的关键股，并给出其买进及卖出的时间、获利详细信息，给投资者作参考。
3.4 归因分析
基于对超过两年实盘表现及更长周期历史回测数据的系统梳理，我们判断，Tech Titans 策略的超额收益并非来自简单的价格动量追逐或高杠杆暴露，而是源于一套嵌入基本面约束的量化择时框架。该框架围绕人工智能产业链展开，较好地把握了不同时点的价值传导路径：2024 年初阶段重点布局算力基础设施环节（如Super Micro Computer，区间涨幅约+185%）；2024 年中期阶段逐步轮动至电力与能源供给环节（如Vistra Energy，涨幅约+82%）；到了2024 年末及2025 年，则更多配置于处于价值修复与应用落地阶段的标的（如ViaSat，涨幅约+164%），形成了自上而下贯穿“算力—能源—应用”的配置链条。
与采用市值加权的QQQ 相比，Tech Titans 采取等权重构建组合，在组合层面有效弱化了对超大市值龙头的被动拥挤交易，同时充分利用了中盘成长股更高的弹性与贝塔暴露。从收益归因来看，在选股与轮动方向本身贡献收益之外，更为关键的是策略在卖出端的纪律化约束——即在价格动量尚未见顶之前，基于估值与基本面性价比提前减持或剔除标的（例如在SMCI 大幅下跌前已基本完成退出）该部分“理性止盈”机制贡献了约40% 的相对超额收益。这说明，在止盈与风险控制环节，依托AI 的规则化决策正在形成区别于传统人类基金经理主观判断的核心竞争优势。
3.4 订阅型AI 策略费用与复现难点
ProPicks 的商业模式决定了其参与门槛与传统ETF 完全不同。首先，在费用结构上，用户需订阅Investing服务才能获取策略信号，年付优惠后通常约为每月9–14 美元。以成本效益来看，对于资金量较小的投资者而言，例如本金约2,000 美元，每年约120 美元的订阅费相当于6%的资金成本，远高于AIEQ 等主动型ETF 约0.75%管理费水平。但若投资规模提升至5 万美元以上，同样的订阅费用仅占0.24%，显著低于多数主动管理产品，使得该模式对中高净值群体更具性价比。
但订阅式服务真正的挑战在于执行风险。由于ProPicks 每月在固定时点发布组合更新，用户在看到信号并实际下单之间存在时间差，期间个股价格可能已出现跳空或波动，尤其是SMCI 这类高Beta 标的，数小时延迟就可能造成5%–10%的滑点。同时，策略由AI 自动生成，但最终执行由投资者自行判断。当模型推荐买入处于剧烈调整或估值高位的个股时，投资者往往因情绪干扰而犹豫，导致“行为偏差”使实际收益率低于策略的理论表现。这种执行层面的不确定性，是订阅型AI 策略相对于传统ETF 产品最核心的隐形成本。
此外，投资者还需要注意的是其业绩披露缺乏统一标准，缺少公募基金意义上的合规披露与审计信息不对称远高于公募ETF。
四、案例3： AI 增强型美国大盘股ETF——QRFT4.1 AI 增强型ETF 的基本介绍
QRAFT AI-Enhanced U.S. Large Cap ETF（QRFT）与着重情绪分析进行短期博弈的AI 基金AIEQ 不同， 它的核心是通过AI 优化传统的因子投资框架。利用AI 模型每月重新评估质量、规模、价值、动量和低波动这五个核心因子在当前宏观环境下的有效性，并据此调整投资组合。QRFT 于2019 年5 月成立，由Exchange Traded Concepts 担任基金顾问，核心算法和模型由韩国量化机构Qraft Technologies 提供，该公司本身以深度学习量化见长，曾获得软银资本投资。从产品分类看，QRFT 被归为美国大盘混合ETF，主要投资在NYSE、NASDAQ 上市、满足一定市值门槛的美国大盘股，同时适度纳入流动性良好的ADR/GDR，至少80%以上资产需配置在这一大盘股票池中。
截至2025 年11 月，该基金持有约301 至304 只股票，但集中度极高，是一只典型的“头部重仓”基金。
从板块分布来看，QRFT 对信息技术板块的配置远超市场平均水平，这表明AI 认为科技仍是当前最确定的增长引擎。QRFT 的持仓与纳斯达克100 指数(QQQ) 高度相似，但又不完全相同。它剔除了纳斯达克中某些基本面较差的成分股，并加入了礼来(LLY) 和沃尔玛(WMT) 这种非科技类的龙头。
4.2 投资框架：基于深度学习与贝叶斯神经网络的月度AI 多因子引擎Qraft 自研的AI 量化投资系统并未颠覆传统多因子框架，而是将其升级为深度学习版本。模型沿用质量、规模、估值、动量及风险等经典因子作为输入特征，由AI 负责因子间的非线性组合与动态时序加权。
模型目标并非直接预测股价，而是估计每只股票在未来四周内相对于全市场的相对收益优势。其预测核心采用贝叶斯神经网络，在输出预期超额收益的同时，量化预测不确定性。系统据此筛选出约300–350 只收益前景明确、不确定性可控的个股，构建候选组合。
随后进入权重优化阶段。基金以风险调整后收益最大化为目标，在组合层面设置硬约束：个股权重上限10%，权重超5%的个股合计不超过资产40%，以控制集中度与尾部风险。整个决策周期为四周，模型每月更新信号并触发系统性调仓，由此产生约267%的年化换手率，属于典型的月度高频再平衡AI 产品。
需强调的是，人工在决策链中仍具关键角色。系统生成组合建议后，投资顾问保留最终决策权。当出现数据异常、模型偏离目标或特殊公司事件时，管理人均可干预模型信号，形成“AI 驱动、人工风控”的制衡机制。
4.3 实盘绩效：长期“略优指数”，短期表现有起伏从绩效结果上看，QRFT 既不是“翻车型”的AI 产品，也谈不上对标普500 挂钩产品等传统投资品的系统性碾压，更接近一只稳健型的大盘增强策略。
具体而言，1）截止11 月26 日，QRFT 2025 年至今的收益率略优于标普500。2）截至2024 年底，QRFT近一年的收益率约为+21%左右，而同期标普500 的回报约在+25%，在单一年度维度略微跑输基准。3）将时间拉长至五年区间，QRFT 年化收益大约在+14.9%，与标普500 约+14.5%的同期表现未有较大差异；4）自2019 年成立以来的年化回报与标普500 相似。整体处于“长期略优、但优势不夸张”的状态。
从风格上来看，其风格具有高灵活性。2019-2020 年，模型对动量与成长因子表现出明显偏好AI 模型成功捕捉到了居家办公概念股的动量。2020 年QRFT 总回报约+40.1%，显著跑赢标普约+18.4%；2021 年，随着疫苗普及和经济重启，市场风格开始从成长向价值剧烈切换，通胀预期初现端倪。2021 年回报率为21.8% ，虽然绝对收益可观，但落后于S&P 500 指数（约28.7%）；2022 年遭受了-22.54% 的回撤，表现逊于S&P 500（下跌约18%-19%）。进入2023 年，随着ChatGPT 的发布引发生成式AI 狂潮，QRFT 的重仓科技策略终于迎来了风口。在基金成立的前五年（2019-2024），QRFT 曾一度领先SPY 超过11 个百分点，累计回报达到114.6%。但进入2024-2025 周期，市场环境变为“高利率下的科技牛市”，QRFT 正面临Alpha 衰减的挑战。虽然其绝对回报依然可观（跟随了牛市），但相对于费率极低的指数基金，其超额收益变得微薄甚至为负。
4.4 AI 赋能相关产品的测评
与AIEQ 相似，QRFT 有着其极高的换手率。以2024 年的换手率为例，267% 的换手率意味着平均持有时间约为4.5 个月。相比之下，被动指数基金（如SPY）的换手率通常低于5%，主动管理基金通常在50%-100% 之间。QRFT 的操作频率更接近于中频量化交易而非传统的主动投资。从成本角度看，QRFT0.75% 的费率设定了一个很高的业绩门槛。这意味着基金每年必须跑赢标普500 至少72 个基点（0.72%），投资者才能获得与购买低成本指数基金相同的净回报。对于一个主要投资于大盘流动性股票的基金来说，这笔费用主要支付给AI 算法的“选股能力”和“择时能力”。考虑到长期以来大多数主动基金无法跑赢指数，QRFT 面临着极高的业绩基准压力。
截至2025 年11 月的数据显示，QRFT 的净资产规模仅为1000 万至1500 万美元左右。对于一只已经运行超过5 年的ETF 而言，这一规模面临清盘危险。此外，QRFT 的日均成交量较小，平均约为3000-4000 股，在市场剧烈波动时期，流动性可能会迅速枯竭，导致投资者以大幅偏离净值的价格成交。
风险提示：本报告基于公开市场数据、基金披露文件及第三方研究资料撰写。历史业绩不代表未来表现，文中涉及的投资产品在特定投资场景下均存在本金损失的潜在风险。本报告出现的产品、公司、指数、个股等不构成任何投资建议。 机构：国信证券股份有限公司 研究员：王开/陈凯畅 日期：2025-11-27
①本报告围绕三类代表性AI 资管产品开展复盘对照：AIEQ、ProPicks、QRFT，回答AI 能否为投资者带来超额收益。②从结果看，当前海外AI 资管产品总体提质增效但不宜过度“神化”：以情绪流为代表的主动型ETF AIEQ 长期跑输SPY，关键在于受到市场情绪波动较大，且费率与极高换手带来成本侵蚀；订阅性产品ProPicks 在科技顺风期收益突出，但对执行纪律与滑点高度敏感，实际复现难度较高；AI 增强行ETF QRFT 长期与标普接近，阶段性强弱分化明显，更偏窄幅增强而非稳定高Alpha。③结论上，AI 更可靠的价值在提升信息处理效率与投研流程标准化，而非保证持续战胜指数；判断产品靠不靠谱应优先看三点，长期相对基准是否有净超额，费率与换手后的收益是否仍成立，信号与业绩披露是否可复盘、可验证。
一、AI 驱动型资产管理：进展与案例
全球金融市场的演进史，在某种程度上是一部计算能力与数据处理能力不断博弈的历史。从早期的格雷厄姆式基本面分析，到20 世纪80 年代兴起的以西蒙斯大奖章基金为代表的量化投资，再到如今2025 年全面爆发的AI 驱动型资产管理，投资决策的产生机制发生了根本性的范式转移。这种转移并非简单的技术迭代，而是认知维度的升维。
传统的量化投资，尽管使用了复杂的数学模型，但其核心逻辑依然主要依赖于线性回归、统计套利以及人类研究员预先设定的因子库。在这种“人类假设驱动”的模式下，计算机的角色更接近于一个极其高效的计算器，它验证并执行人类的逻辑。然而，随着非结构化数据的爆炸式增长——包括社交媒体情绪、卫星图像、高管电话会议的语调、甚至是供应链的物联网数据——传统量化模型面临着维度灾难。
伴随着生成式AI 和大语言模型的成熟，金融市场迎来了“AI 驱动”的资产管理时代。与传统量化不同，新一代AI 选股策略——如本报告将深入探讨的AIEQ、InvestingPicks 以及QRFT——采用了深度学习、强化学习以及自然语言处理技术。这些系统不再仅仅是执行规则，而是具备了从海量噪音中“涌现”出新规则的能力，它们能够识别出人类分析师无法察觉的非线性市场模式和微观相关性。本文通过深入探讨AIEQ、InvestingPicks 以及QRFT 等AI 驱动的资产管理案例，探讨AI 驱动资产管理的进展及表现。
二、案例1：AIEQ ETF 介绍
2.1 AIEQ ETF——AI 赋能投资策略的基本介绍Amplify AI Powered Equity ETF (AIEQ) 是AI 在ETF 领域应用的先驱。该基金于2017 年10 月17 日成立，是全球首只完全由人工智能系统进行主动管理的ETF。其底层框架由EquBotLLC 开发，并以IBM Watson的认知计算平台作为算力与NLP 支撑。AIEQ 的投资方法体现了AI 选股体系中的“信息驱动”路径——通过对全市场信息环境进行高频、全覆盖的扫描与情绪解读构建投资组合。与传统基金经理依赖人工阅读有限数量的研究报告不同，AIEQ 的模型每天会处理数百万份非结构化文本，包括监管文件、财报新闻稿、全球新闻源，以及占比愈发重要的社交媒体与论坛讨论。其核心优势来自自然语言处理（NLP）能力。模型尝试识别文本中的情绪方向与语境差异，从噪声中提取具有预测意义的信号，并将情绪因子与宏观变量、企业基本面指标进行融合。基于上述多源数据，系统动态优化并生成约30–200 只股票的组合，目标是在市场情绪产生边际变化之前捕捉被低估、具备潜在情绪催化的标的，从而实现超额收益。
2.2 实盘绩效深度剖析
尽管AIEQ 的技术概念极具前瞻性，但其长期的实盘业绩却揭示了AI 战胜市场的难度。截至2025 年11月的数据，我们对其绩效进行了多维度的对比分析。
（1）短期与中期回报分析
截至2025 年11 月22 日，AIEQ 的2025 年初至今（YTD）回报率约为9.38%。在绝对收益上，这是一个正向的结果，表明基金为投资者赚取了利润。然而，投资的评价核心在于相对收益。同期，基准的标普500指数（通过SPY ETF 衡量）的YTD 回报率约为12.45%。这意味着，在2025 年这个对于美股而言相对不错的年份里，AIEQ 实际上跑输了市场基准约3 个百分点。此外，2025 年中，除了二月、五月AIEQ 的表现略高于SPY，其余月份都未超过SPY 的收益率。对于一只主动管理型基金而言，这种幅度的落后是显著的，特别是考虑到其持仓风格本身偏向科技和成长，理应在牛市中表现出更强的攻击性。
（2）长期累积回报与阿尔法衰减
将时间轴拉长，AIEQ 的劣势更为明显。1）1 年期表现：AIEQ 回报约为+6.15%，而标普500 同期回报为+11.00%。2）5 年期表现：AIEQ 累计上涨约+33.85%，而标普500 同期涨幅高达+85.61%。3）成立以来表现：自2017 年成立以来，虽然AIEQ 实现了正收益，但其总回报率显著落后于被动指数。
2.3 换手率与成本摩擦：高频调仓的双刃剑
AIEQ 业绩承压的一个关键内因在于其极高的换手率。数据显示，AIEQ 的年换手率达到惊人的1159%。
这种超高频的交易模式，折射出其底层AI 模型对当下社交媒体驱动的短暂市场情绪极度敏感，为了捕捉微小的套利空间而不停地进行买卖操作。然而，这种策略在ETF 结构中存在天然劣势：一方面，虽然美股基础交易佣金很低，但在如此极端的换手频率下，买卖价差和市场冲击成本“积少成多”，会严重侵蚀基金净值；另一方面，极高频的短线操作不仅可能削弱ETF 通常具备的税务优势，更关键的是，频繁调仓阻断了“以时间换空间”的长期复利效应积累。
截至2025 年，AIEQ 的资产管理规模（AUM）维持在1.14 亿美元至1.17 亿美元之间。对于一只已经运行了近8 年的ETF 来说，这个规模增长是停滞甚至令人失望的。相比之下，顶级科技ETF 的规模动辄数 百亿美元。规模的停滞反映了机构投资者和个人投资者对其长期跑输大盘的失望情绪。
在持仓方面，尽管由AI 决策，AIEQ 的前十大持仓依然经常出现熟悉的科技巨头面孔，如NVIDIA、Microsoft、Apple 等。这表明，即便是AI 也无法忽视这些巨头在当前经济结构中的核心地位。但除此之外，AI 也会配置一些非共识性的股票，如GE Vernova Inc.(2.43%)或GoDaddy(1.90%)，试图通过这些独特的选股来创造超额收益。然而，从结果来看，这些独特配置并未能弥补高费率和高换手带来的损失。
三、案例2：Investing ProPicks——人机协同的信号订阅服务3.1 从“托管”到“赋能”：ProPicks 的模式创新与AIEQ 将AI 封装在黑箱ETF 中不同，Investing 推出的ProPicks 代表了另一种AI 参与投资的路径——信号订阅。这实际上是SaaS 模式在投资领域的延伸。Investing 利用其庞大的历史数据库，结合AI 算法，为订阅用户提供每月的选股名单，用户拥有最终的执行权。平台宣称使用了覆盖超过25 年的全球上市公司历史金融数据，并在模型中引入50 余项财务指标，对股票进行系统性评估。AI 模型会根据这些指标将股票划分为跑输、中性、跑赢等不同等级，并剔除价格极低、流动性较差的标的，然后按主题或标准生成策略组合。其本质上是一个AI 驱动的“超级选股生成器”，通过分析庞大的财务数据和市场信息，找出有潜力的投资机会的模式和趋势。
用户在界面上看到的是一系列策略组合卡片，例如以科技龙头、价值因子等、名人持仓（例如巴菲特）为特征的组合，每条策略都提供了较为完整的历史回测结果以及自2023 年10 月成立以来至今的AI 策略的实盘收益率。历史回测设定，假设以等权重买入并持有全部成分股，并考虑股息再投资的结果。历史回测结果包括不同持有期限（如1 年、3 年、5 年）的累计收益和与标普500 的对比表现。通常还会说明策略的大致构建原则和调仓频率，例如按月或按季度定期再平衡。用户可以查看策略表现和部分构成信息，但要获取完整成分股列表及更详细的数据则需要专项订阅，该系统会提示用户买入和卖出的名单。
3.2 惊人的实盘回报与“科技牛市”的共振——以Tech Titans 为例Investing 的“Tech Titans”（科技巨头）策略是其核心功能ProPicks 旗下的一项旗舰投资策略，旨在利用先进的人工智能技术帮助投资者把握科技行业的机遇。该策略通常包含约15 支左右经过严格筛选的科技板块股票（数量可能会随市场情况在10 到20 支之间小幅波动）。Investing 会根据最新的财报和市场数据每月进行一次再平衡，剔除不再符合标准的公司，并调入新的具有更高潜力的科技股。Tech Titans 自2023年10 月正式上线以来，其公布的业绩表现令人咋舌，展现了AI 在顺势行情中的爆发力。截止北京时2025年11 月24 日，TechTitans 策略累计回报率为98.7%，超过了同期S&P500 的收益率43.7%，获得约55%的惊人超额收益率。
这种超额收益主要得益于AI 成功捕捉到了几只现象级的牛股。例如，该策略在Super Micro Computer(SMCI)的主升浪期间（2024 年1 月至2024 年7 月）持有该股，实现了+185.8%的回报；在Micro Strategy(MSTR)上（2023 年10 月至2024 年5 月）实现了+94.9%的回报。
此外，Investing 官网还会持续公布策略近期捕捉到的关键股，并给出其买进及卖出的时间、获利详细信息，给投资者作参考。
3.4 归因分析
基于对超过两年实盘表现及更长周期历史回测数据的系统梳理，我们判断，Tech Titans 策略的超额收益并非来自简单的价格动量追逐或高杠杆暴露，而是源于一套嵌入基本面约束的量化择时框架。该框架围绕人工智能产业链展开，较好地把握了不同时点的价值传导路径：2024 年初阶段重点布局算力基础设施环节（如Super Micro Computer，区间涨幅约+185%）；2024 年中期阶段逐步轮动至电力与能源供给环节（如Vistra Energy，涨幅约+82%）；到了2024 年末及2025 年，则更多配置于处于价值修复与应用落地阶段的标的（如ViaSat，涨幅约+164%），形成了自上而下贯穿“算力—能源—应用”的配置链条。
与采用市值加权的QQQ 相比，Tech Titans 采取等权重构建组合，在组合层面有效弱化了对超大市值龙头的被动拥挤交易，同时充分利用了中盘成长股更高的弹性与贝塔暴露。从收益归因来看，在选股与轮动方向本身贡献收益之外，更为关键的是策略在卖出端的纪律化约束——即在价格动量尚未见顶之前，基于估值与基本面性价比提前减持或剔除标的（例如在SMCI 大幅下跌前已基本完成退出）该部分“理性止盈”机制贡献了约40% 的相对超额收益。这说明，在止盈与风险控制环节，依托AI 的规则化决策正在形成区别于传统人类基金经理主观判断的核心竞争优势。
3.4 订阅型AI 策略费用与复现难点
ProPicks 的商业模式决定了其参与门槛与传统ETF 完全不同。首先，在费用结构上，用户需订阅Investing服务才能获取策略信号，年付优惠后通常约为每月9–14 美元。以成本效益来看，对于资金量较小的投资者而言，例如本金约2,000 美元，每年约120 美元的订阅费相当于6%的资金成本，远高于AIEQ 等主动型ETF 约0.75%管理费水平。但若投资规模提升至5 万美元以上，同样的订阅费用仅占0.24%，显著低于多数主动管理产品，使得该模式对中高净值群体更具性价比。
但订阅式服务真正的挑战在于执行风险。由于ProPicks 每月在固定时点发布组合更新，用户在看到信号并实际下单之间存在时间差，期间个股价格可能已出现跳空或波动，尤其是SMCI 这类高Beta 标的，数小时延迟就可能造成5%–10%的滑点。同时，策略由AI 自动生成，但最终执行由投资者自行判断。当模型推荐买入处于剧烈调整或估值高位的个股时，投资者往往因情绪干扰而犹豫，导致“行为偏差”使实际收益率低于策略的理论表现。这种执行层面的不确定性，是订阅型AI 策略相对于传统ETF 产品最核心的隐形成本。
此外，投资者还需要注意的是其业绩披露缺乏统一标准，缺少公募基金意义上的合规披露与审计信息不对称远高于公募ETF。
四、案例3： AI 增强型美国大盘股ETF——QRFT4.1 AI 增强型ETF 的基本介绍
QRAFT AI-Enhanced U.S. Large Cap ETF（QRFT）与着重情绪分析进行短期博弈的AI 基金AIEQ 不同， 它的核心是通过AI 优化传统的因子投资框架。利用AI 模型每月重新评估质量、规模、价值、动量和低波动这五个核心因子在当前宏观环境下的有效性，并据此调整投资组合。QRFT 于2019 年5 月成立，由Exchange Traded Concepts 担任基金顾问，核心算法和模型由韩国量化机构Qraft Technologies 提供，该公司本身以深度学习量化见长，曾获得软银资本投资。从产品分类看，QRFT 被归为美国大盘混合ETF，主要投资在NYSE、NASDAQ 上市、满足一定市值门槛的美国大盘股，同时适度纳入流动性良好的ADR/GDR，至少80%以上资产需配置在这一大盘股票池中。
截至2025 年11 月，该基金持有约301 至304 只股票，但集中度极高，是一只典型的“头部重仓”基金。
从板块分布来看，QRFT 对信息技术板块的配置远超市场平均水平，这表明AI 认为科技仍是当前最确定的增长引擎。QRFT 的持仓与纳斯达克100 指数(QQQ) 高度相似，但又不完全相同。它剔除了纳斯达克中某些基本面较差的成分股，并加入了礼来(LLY) 和沃尔玛(WMT) 这种非科技类的龙头。
4.2 投资框架：基于深度学习与贝叶斯神经网络的月度AI 多因子引擎Qraft 自研的AI 量化投资系统并未颠覆传统多因子框架，而是将其升级为深度学习版本。模型沿用质量、规模、估值、动量及风险等经典因子作为输入特征，由AI 负责因子间的非线性组合与动态时序加权。
模型目标并非直接预测股价，而是估计每只股票在未来四周内相对于全市场的相对收益优势。其预测核心采用贝叶斯神经网络，在输出预期超额收益的同时，量化预测不确定性。系统据此筛选出约300–350 只收益前景明确、不确定性可控的个股，构建候选组合。
随后进入权重优化阶段。基金以风险调整后收益最大化为目标，在组合层面设置硬约束：个股权重上限10%，权重超5%的个股合计不超过资产40%，以控制集中度与尾部风险。整个决策周期为四周，模型每月更新信号并触发系统性调仓，由此产生约267%的年化换手率，属于典型的月度高频再平衡AI 产品。
需强调的是，人工在决策链中仍具关键角色。系统生成组合建议后，投资顾问保留最终决策权。当出现数据异常、模型偏离目标或特殊公司事件时，管理人均可干预模型信号，形成“AI 驱动、人工风控”的制衡机制。
4.3 实盘绩效：长期“略优指数”，短期表现有起伏从绩效结果上看，QRFT 既不是“翻车型”的AI 产品，也谈不上对标普500 挂钩产品等传统投资品的系统性碾压，更接近一只稳健型的大盘增强策略。
具体而言，1）截止11 月26 日，QRFT 2025 年至今的收益率略优于标普500。2）截至2024 年底，QRFT近一年的收益率约为+21%左右，而同期标普500 的回报约在+25%，在单一年度维度略微跑输基准。3）将时间拉长至五年区间，QRFT 年化收益大约在+14.9%，与标普500 约+14.5%的同期表现未有较大差异；4）自2019 年成立以来的年化回报与标普500 相似。整体处于“长期略优、但优势不夸张”的状态。
从风格上来看，其风格具有高灵活性。2019-2020 年，模型对动量与成长因子表现出明显偏好AI 模型成功捕捉到了居家办公概念股的动量。2020 年QRFT 总回报约+40.1%，显著跑赢标普约+18.4%；2021 年，随着疫苗普及和经济重启，市场风格开始从成长向价值剧烈切换，通胀预期初现端倪。2021 年回报率为21.8% ，虽然绝对收益可观，但落后于S&P 500 指数（约28.7%）；2022 年遭受了-22.54% 的回撤，表现逊于S&P 500（下跌约18%-19%）。进入2023 年，随着ChatGPT 的发布引发生成式AI 狂潮，QRFT 的重仓科技策略终于迎来了风口。在基金成立的前五年（2019-2024），QRFT 曾一度领先SPY 超过11 个百分点，累计回报达到114.6%。但进入2024-2025 周期，市场环境变为“高利率下的科技牛市”，QRFT 正面临Alpha 衰减的挑战。虽然其绝对回报依然可观（跟随了牛市），但相对于费率极低的指数基金，其超额收益变得微薄甚至为负。
4.4 AI 赋能相关产品的测评
与AIEQ 相似，QRFT 有着其极高的换手率。以2024 年的换手率为例，267% 的换手率意味着平均持有时间约为4.5 个月。相比之下，被动指数基金（如SPY）的换手率通常低于5%，主动管理基金通常在50%-100% 之间。QRFT 的操作频率更接近于中频量化交易而非传统的主动投资。从成本角度看，QRFT0.75% 的费率设定了一个很高的业绩门槛。这意味着基金每年必须跑赢标普500 至少72 个基点（0.72%），投资者才能获得与购买低成本指数基金相同的净回报。对于一个主要投资于大盘流动性股票的基金来说，这笔费用主要支付给AI 算法的“选股能力”和“择时能力”。考虑到长期以来大多数主动基金无法跑赢指数，QRFT 面临着极高的业绩基准压力。
截至2025 年11 月的数据显示，QRFT 的净资产规模仅为1000 万至1500 万美元左右。对于一只已经运行超过5 年的ETF 而言，这一规模面临清盘危险。此外，QRFT 的日均成交量较小，平均约为3000-4000 股，在市场剧烈波动时期，流动性可能会迅速枯竭，导致投资者以大幅偏离净值的价格成交。
风险提示：本报告基于公开市场数据、基金披露文件及第三方研究资料撰写。历史业绩不代表未来表现，文中涉及的投资产品在特定投资场景下均存在本金损失的潜在风险。本报告出现的产品、公司、指数、个股等不构成任何投资建议。 机构：国信证券股份有限公司 研究员：王开/陈凯畅 日期：2025-11-27
*免责声明：文章内容仅供参考，不构成投资建议
*风险提示：股市有风险，入市需谨慎
声明
本站内容源自互联网，如有内容侵犯了您的权益，请联系删除相关内容。 本站不提供任何金融服务，站内链接均来自开放网络，本站力求但不保证数据的完全准确，由此引起的一切法律责任均与本站无关，请自行识别判断，谨慎投资。
