1、AI基金经理大模型投资能力研究

实验设计与公平性设置：实验采用AI与公募基金经理平行对比的控制变量框架，选定统一时间节点，双方持有完全相同的初始基金持仓，AI在模拟环境中基于新数据独立研判并下达交易指令，基金经理在现实环境中开展调仓操作，最终以净值对比双方一个季度后的超额收益获取能力。为保障实验公平性与场景真实性，设置多维度规则：模型输入仅为原始行情数据，无额外加工指标，避免数据优势；设置记忆功能强制AI每周回顾上周交易笔记，保证决策内在连贯；严格遵循公募合同风控约束，单次调仓不超过2%，周换手不超过5%，强制预留5%以上现金，单股持仓上限为10%；调仓指令扣除手续费和滑点后于下一个交易日生效，尽可能还原真实交易场景。

实验结果与AI操作特征：本次实验选取成长型公募基金2025年中报的全部持仓为基础，模拟2025年三季度的完整行情开展测试，AI操作呈现两大鲜明特征。其一为淡化沉没成本，左侧加仓果断且聚焦主线：7月初震荡市场环境下，AI识别到半导体、电子方向结构出现恶化，果断减仓，将资金加仓至AI算力核心个股，强纪律性使其在主线切换阶段占得先机，其中加仓工业富联贡献了最大正向超额收益。其二为缺乏主观预期差研判能力，行情剧烈反转时应对不够及时：电力板块持续走强阶段，AI将中际旭创、新易盛、沪电股份、工业富联全部买至10%的持仓上限，虽赚足了整体趋势贝塔收益，但无法感知产业拥挤度，偏高的持仓集中度导致市场震荡时净值波动幅度更大。整体来看，AI投资核心优势在于纪律性，劣势在于缺乏多维度预期差研判能力。

投资启示与风险提示：本次实验对投资者有三点核心启示：a. 大模型是纪律投资的执行器，剥离情绪影响后可在严格风控下保持汰弱留强的态度，反人性的纪律性有望带来长期阿尔法收益，但需注意其遭遇超预期市场反转时，容易出现一定尾部风险；b. 投资终局有可能在于人机协同，推理模型较难代替主动基金经理，但可以管理偏基础、长期不动的底仓，基金经理可将更多精力放在捕捉预期差和应对极端情况上；c. AI可帮助补充策略逻辑和投资复盘笔记，其每一笔投资交易与决策都可追溯，交易笔记可用自然语言直接解读，该优势短期即可直接投入使用。风险提示方面，报告仅讨论AI技术在量化领域的应用潜力，不涉及具体投资推荐；大模型在金融市场应用可能存在幻觉、逻辑失误问题；过往业绩并不代表未来，市场结构突变也可能导致大模型的投资能力突然失效。

2、可转债定价模型比较与应用

研究背景与核心目标：当前转债市场传统相对估值体系有效性正逐渐下降。过去市场多通过评价溢价率、存价溢价率等指标进行横向比较，但当前环境下高价券占比持续提高，此类指标易受情绪交易和资金拥挤干扰，导致估值尺度出现明显漂移，不少债券相对指标看似并不昂贵，但绝对价格已处于较高位置，包含较高情绪溢价。在此背景下，需重新引入绝对定价框架，通过模型测算得到理论价值坐标系，从市场价格与理论价值的偏离中识别潜在错误定价机会。该研究的核心目标并非寻找绝对的正确价格，而是为投资者提供可量化、可比较的价值参考系，拆分市场情绪与真实价格。

两类定价模型逻辑对比：本次研究主要对比两类主流可转债定价模型，分别为BS模型与ZL模型。BS模型本质是经典期权定价框架的延伸，将可转债近似拆解为债券价值加看涨期权价值，由于具备闭式解析解，计算效率极高，实际应用中适合大规模估值和风险暴露测算；同时该模型对正股价格和隐含波动率变化非常敏感，在风险偏好上升、股性驱动的市场环境中具备更强的进攻属性。ZL模型则采用不同思路，通过蒙特卡罗模拟对正股价格路径进行大量随机模拟，动态刻画强赎、回售和转股价下修等条款的触发机制，更贴近可转债真实的现金流结构，由于明确纳入条款约束，估值结果通常更为保守，优势在于能更好刻画极端情况下的风险边界，简单来说BS模型更像进攻型定价矛，ZL模型更像防守型定价盾。

回测结果与投资启示：从回测结果来看，两类模型呈现明显结构性差异。BS模型整体存在系统性高估倾向，因未完全刻画强赎等条款的价格上限约束，股性较强的转债理论价值往往高于市场实际价格，会一定程度外推期权价值，上行市场中进攻弹性更强；ZL模型估值更保守，因对条款约束完全建模且贴现过程引入信用利差，理论价格通常略低于市场价格，在市场估值压缩或风险偏好下降阶段能提供更稳定的价值参考。回测观测区间为2020年初至2024年三季度的市场单边下行与超卖周期，该阶段转债市场风险偏好收缩，遭遇系统性杀估值、信用利差走阔及正股戴维斯双杀，ZL模型纯空头组合年化收益14.78%，下浮比例0.88，显著优于BS模型空投端年化收益8.52%、下浮比例0.66的表现，兑现了ZL模型在市场系统性回撤下的极致防御与空头预警价值。当前在供给收缩与风险偏好波动的背景下，转债市场投资逻辑正从市场贝塔逐步转向个券阿尔法，过去转债市场整体上涨多依赖估值扩张的系统性机会，随着市场规模收缩、高价券占比提升，未来投资收益可能更多来自于个券层面的定价差异。当绝对定价模型理论价格与市场价格出现明显偏离时，往往意味着市场情绪或交易拥挤带来的非理性定价，此类偏离在中长期会通过价值回归逐步修复，形成交易机会。需注意相关风险：经济基本面改善持续性不足，海外流动性宽松节奏弱于预期，历史经验不代表未来，宏观政策或国际局势若出现超预期变化，可能改变资产定价逻辑。

3、海外AI医疗行业分析及投资建议

AI医疗行业发展现状：ChatGPT、大模型、多模态、世界模型等新技术涌现，对医疗行业各细分环节产生深刻影响。应用场景覆盖产业多端：医生在日常诊疗过程中可通过大模型检索文献，快速为治疗方案寻找依据；患者可直接通过大模型开展初步问诊。各细分领域技术成熟度存在明显差异：影像辅助诊断板块技术成熟较早，2015-2018年就有大量企业通过积累影像数据、优化图像识别技术提升AI智能诊断准确率，板块发展相对成熟，但智能问诊、智能辅助诊断等板块的应用落地相对滞后。整体来看，海外人才储备更充足、技术研究及发展进度更快，AI医疗的发展阶段和成熟度均早于国内，涌现出的大量商业模式可供国内参考借鉴。

海内外AI医疗生态对比：AI医疗应用可分为to B端和to C端两类，两类产品的要求存在明显差异：to C端产品由用户直接付费，数据严谨性要求相对较低，数据可来源于文献指南、公共语料；to B端产品面向医生、医院等主体，面临严格的数据要求、监管要求和支付要求，例如AI辅助影像诊断产品的数据需来自医院影像科、病理科的患者诊断资料，产品需经监管部门审查获批后方可上市售卖。以美国为代表的海外市场在数据资产交换、监管、支付政策方面布局更早：一是电子病历（EHR）系统快速普及，医疗数据信息化程度高，AI企业获取数据的途径更简便；二是形成了成熟的健康数据合规使用体系，衍生出Tempus等健康数据自然交换平台企业。对比国内，2023年国内二级、三级医院电子病历四级普及率仍较低，个人健康数据（含院内数据、智能硬件采集的健康数据）的合规有效使用规则仍在摸索阶段，AI产品的上市审批、支付政策等体系也有待完善，海外的成熟经验值得国内借鉴。

细分领域投资方向：结合海外数据交换、监管、支付政策等产业生态的发展经验，国内AI医疗行业可重点关注四大投资方向：
a. 数据资产底座领域：健康数据的信息化、线上化是行业发展基础，后续需通过统一协议实现健康数据交换，健康数据具备较高价值，布局健康数据底座的相关企业将迎来业务爆发机遇；
b. 数据资源平台领域：参考海外Tempus的商业模式，其原为基因检测企业，通过与医院合作获取患者诊疗数据，将诊疗数据与检测数据结合形成以肿瘤为核心的高完整度、大体量患者数据资源库，后续可实现数据资产变现，国内金域、迪安等企业也在探索该类模式，待其数据量级和完整度明显提升后具备较高关注价值；
c. 有明确应用场景和海外映射的C端企业：参考海外doximity、OpenEvidence等面向医生端的C端产品，凭借准确完善的功能快速提升用户使用量和时长，可通过药企付费实现变现，国内目前已有多家企业对标OpenEvidence开发相关产品，部分上市公司已布局相关业务，值得关注；
d. 巨型C端健康应用入口领域：目前相关企业仍在探索阶段，若成功打造巨型C端健康应用入口，将带动药店、检验检测机构、医疗服务机构等配套产业链共同受益，相关标的也可重点关注。

Q&A

Q：报告的核心问题为AI模型能否像真实基金经理那样独立分析并做出有效买卖决策，实验是如何设计的？

A：设计平行对比实验框架，让AI与公募基金经理在相同时间节点继承完全一致的初始持仓，面对未知市场，通过投资交易对比净值高低；具体采用控制变量法，选定时间点，让两者持有完全相同的中报基金持仓，AI在模拟环境中基于新数据独立研判并下达指令，基金经理在现实中调仓，观察一个季度后对比超额收益情况。

Q：AI与公募基金经理平行对比实验设计如何保证公平？AI是否存在数据优势？

A：实验通过多维度设计保证公平性且AI无数据优势：模型仅输入原始行情数据，不附加任何加工指标，由AI自主理解市场行为；为AI加入记忆功能，强制其每周回顾上周交易笔记以保证决策连贯；严格遵守公募合同的风控约束，包括单次调仓不超过2%、周换手不超过5%、强制预留5%以上现金、单股持仓不超过10%，同时调仓指令扣除手续费和滑点后在下一个交易日生效，尽可能模拟真实场景。

Q：AI模拟公募成长性基金2025年三季度行情的实验结果如何，与真人相比的差异主要在哪？

A：实验选取公募成长性基金2025年中报全部持仓，模拟2025年三季度行情，AI操作有两个特征：一是淡化沉没成本，左侧展仓果断、聚焦主线，7月初震荡市场中识别到半导体电子方向结构恶化，果断减仓并加仓AI算力核心个股，其中工业富联带来最大正向超额；二是缺乏主观预期差研判，行情剧烈反转时应对不及时，如电力板块走强时将中际旭创、新易盛、沪电股份、工业富联均买至10%组合上限，虽获取趋势贝塔收益，但因无法感知产业拥挤度，高集中度导致净值波动更大。

Q：AI主要强在纪律性、弱在缺乏主观预期差研判，对投资者有哪些启发？

A：对投资者有三点启示：一是大模型是纪律投资执行器，剥离情绪后在严格风控下保持汰弱留强，纪律性有望带来长期alpha收益，但遭遇超预期反转时易出现尾部风险；二是投资终局可能在于人机协同，AI可管理偏基础的长期底仓，基金经理可聚焦捕捉预期差和应对极端情况；三是AI可帮助补充策略逻辑和投资复盘笔记，交易决策可追溯且笔记可用自然语言解读。风险方面，报告讨论AI在量化领域的应用潜力，不涉及具体推荐；大模型可能存在幻觉及逻辑失误；过往业绩不代表未来，市场结构突变可能导致大模型投资能力失效。

Q：近期发布的可转债定价模型专题报告的核心逻辑是什么？

A：研究开展的背景是当前转债市场传统相对估值体系有效性逐渐下降，过去市场通过评价溢价率、存价溢价率等指标横向比较，但当前高价券占比提高，这些指标受情绪交易和资金拥挤干扰，估值尺度漂移，部分债券相对指标不昂贵但绝对价格高且含较高情绪溢价；因此有必要引入绝对定价框架，通过模型测算理论价值坐标系，从市场价格与理论价值的偏离中识别潜在错误定价机会；研究核心目标不是寻找绝对正确价格，而是为投资者提供可量化、可比较的价值参考系，拆分市场情绪与真实价格。

Q：BS模型与ZL模型在定价逻辑上有哪些区别？

A：BS模型是经典期权定价框架的延伸，将可转债近似拆解为债券价值加看涨期权价值，因具有闭式解析解计算效率高，适合大规模估值和风险暴露测算，且对正股价格和隐含波动率变化非常敏感，在股性驱动的市场环境中进攻属性更强；ZL模型通过蒙特卡罗模拟对正股价格路径进行大量随机模拟，动态刻画强赎、回售和转股价下修等条款的触发机制，贴近可转债真实的现金流结构，条款约束显式纳入使其估值结果更保守，但更擅长刻画极端情况下的风险边界。

Q：从回测结果来看，错误定价策略的效果如何？

A：两类模型回测呈现明显结构性差异。BS模型存在系统性高估倾向，因未完全刻画强赎等条款的价格上限约束，股性较强的转债理论价值高于市场实际价格，上行市场中进攻弹性强；ZL模型估值更保守，因纳入条款约束并引入信用利差，理论价格通常低于市场价格，在市场估值压缩或风险偏好下降阶段提供稳定价值参考。2020年初至2024年三季度市场单边下行与超卖周期中，ZL模型纯空头组合年化收益14.78%，下浮比例0.88，显著优于BS模型空头端，体现ZL模型在市场系统性回撤下的极致防御与空头预警价值。

Q：当前市场环境下，上述框架对投资有哪些启示？

A：当前供给收缩与风险偏好波动背景下，转债市场投资逻辑正从市场贝塔逐步转向各券阿尔法。过去转债市场整体上涨主要依赖估值扩张带来的系统性机会，未来随着市场规模收缩及高价券占比提升，投资收益或更多来自各券层面的定价差异。绝对定价模型的意义在于，当理论价格与市场价格出现明显偏离时，往往反映市场情绪或交易拥挤带来的非理性定价，中长期会通过价值回归修复并形成交易机会。需注意经济基本面改善持续性不足、海外流动性宽松节奏弱于预期；历史经验不代表未来，宏观经济政策或国际局势超预期变化可能导致资产定价逻辑改变。

Q：AI 医疗行业的发展现状如何？

A：ChatGPT、大模型、多模态及世界模型等新技术涌现，对医疗行业各细分环节产生深刻影响，医生可通过大模型检索文献快速获取治疗依据，患者可通过大模型进行问诊。各细分板块成熟度存在差异，影像辅助诊断板块成熟较早，2015-2018年即涌现较多企业，通过积累影像数据及图像识别技术提升AI智能诊断准确率，相对成熟；智能问诊、智能辅助诊断应用相对滞后。海外因人才储备多、技术发展快，AI医疗发展阶段及成熟度早于国内，涌现更多可学习的商业模式。

Q：海外与国内AI医疗发展生态有什么异同？

A：AI医疗应用分为To B和To C端，To C端用户直接付费，数据来源较宽松，可来自文献指南或公共语料；To B端需满足严格数据、监管、支付要求，如AI辅助影像诊断数据需来自医院影像科或病理科，产品需经FDA、CFDA等监管部门审查上市，还面临医院端支付问题，且AI算法会随数据丰富调整，但传统医疗产品上市后为固定形态。海外在数据资产交换、监管、支付政策上进展更早，以美国为例，其EHR普及使数据信息化，AI公司获取数据途径简单，且有成熟健康数据合规使用体系，衍生出Tempo等健康数据交换平台公司。国内2023年二级和三级医院电子病历四级普及率不高，个人健康数据合规使用仍在摸索，AI产品上市使用、支付政策等经验较少。

Q：国内AI医疗产品未来的产业机会及投资建议有哪些？

A：基于海外数据交换、监管及支付政策等产业环境分析，国内AI医疗产品未来主要有四大产业机会及投资方向：一是数据资产底座相关公司，受益于健康数据信息化、线上化及交换需求，将迎来爆发性业务机会；二是数据资源平台类公司，如Tempus通过基因检测与医院诊疗数据结合形成肿瘤核心数据资源库，国内金域、迪安等公司正摸索类似商业模式，数据量及完整度提升后值得关注；三是有明确应用场景及海外映射的C端公司，如doximity、OpenEvdence面向医生C端开发功能完善的产品，通过提升用户使用量及药企付费变现，国内对标公司及涉及类似业务的上市公司值得关注；四是巨型C端应用公司，虽处于摸索阶段，但可能形成巨型C端健康应用入口，其配套产业链值得重点关注。

 温馨提示：内容源于第三方以及公开平台，仅供用户参考，恕本平台对内容合法性、真实性、准确性不承担责任。如有异议/反馈可与平台客服联系处理（微信：_LYSD_）。