读懂晨星2026报告：AI 正在重塑主动基金的「生死循环」

AI 能不能独立管基金、跑赢市场？这是所有关于「AI 投资」的讨论里最先被抛出的问题。锋睿的判断是：这个问题本身，掩盖了正在发生的剧变。

当 AI 开始持续影响研究什么、相信什么、何时调整判断、如何配置资本——它就已经走入了投资的核心。至于最后由谁签字，反而是这场变革里最不重要的细节。

本文基于晨星（Morningstar）2026 年 6 月发布的《AI 在主动基金管理中的应用现状》拆解。报告讨论的是主动基金管理这一大类——对冲基金、主动权益、系统化策略都在其中。读完大约 9 分钟。

核心摘要

• 案例：摩根士丹利 Counterpoint Global 用 56 个 AI Agent 并行工作，约 1 小时产出分业务收入预测、利润率预测、目标价与完整深度研究报告；自 2026 年 1 月起运行 AI 管理的「平行组合」，与人类 PM 前瞻对决。
• 速度：一位严谨的基本面分析师通常只能深覆 20—30 家发行人；AI 接管初筛与解析后，覆盖边界与验证节奏同时被改写。
• 短板：Robeco 用类 GPT 流程提取收益信号，原型惊艳但基准测试未产生增量 Alpha；「后视镜偏差」是当下硬伤。
• 分工：人设定风险预算、处理例外、对 LP 承担最终责任；分析师转向「研究 Agent 的指挥官」。
• 护城河：Man AHL 自研工具 18 个月内被前沿模型替代——留存下来的是专有数据、过程记录与验证体系。
• 路径：选定微观场景 → 影子运行 → 渐进式授权。

---

一、一场发生在华尔街的「效率暴政」

56 个 AI Agent 并行工作，约 1 小时内生成分业务收入预测、利润率预测、目标价和完整的深度研究报告——在过去，这需要人工分析师团队花费数周。

这是晨星在报告中记录的摩根士丹利 Counterpoint Global 真实案例。更具试验色彩的是，该团队自 2026 年 1 月起同时运行着一个由 AI 管理的「平行组合」，与人类 PM 的真实组合进行前瞻对决。

能力已经发生显著跃迁，但投资 Alpha 的验证仍在追赶。这恰恰是当下顶级资管机构的真实镜像。

二、什么是「核心」？不要问它能不能代替 PM 签字

谈到 AI 是否会成为投资核心，人们很容易陷入二元对立：它能不能彻底替代人类基金经理，持续跑赢 Alpha？

这个终局假设，遮蔽了正在发生的渐进式革命。

换一个判断标准：一家基金研究哪些公司、优先验证哪些假设、在什么证据出现时调整仓位，都会直接决定最终的资本配置。AI 一旦持续渗透这些环节，即使最后由 PM 签字，投资流程也已被深度重塑。

这条渗透分两层：

• 传统的机器学习：已在贝莱德等系统化股票平台运行多年，用于动态调整个股信号，投资经理仅做边界与原则校准。
• 生成式 AI 的突破：把非结构化数据解析、代码编写、假设提出、工具调用和交叉检查打通，从「分析工具」跃升为「持续参与研究的系统」。

三、研究速度的变革，正在打破机会的边界

传统基本面分析师的精力是有极限的。晨星根据经理研究经验指出：一位严谨的基本面分析师，通常只能深入覆盖 20—30 家发行人。覆盖之外，大量事件、细分市场和边缘标的被白白遗漏。

当 AI 承担起初筛、财报深度解析、电话会拆解与可比公司研究，三件事同时发生：

• 拓宽边际：过去因研究成本太高而放弃的口袋机会，开始具备研究价值；
• 加速检验：过去仅在季度更新的投资逻辑，可以接受日级别的持续检验；
• 资源再分配：分析师从繁重的体力活中解脱，专注于有认知差、有争议、需要深度洞察的关键矛盾。

更深层的变化在于：研究的反馈循环被极其剧烈地压缩了。

典型案例是 Robeco：过去由实习生花数周才能完成的学术论文策略复现，现在通过 Agent 系统在几分钟内即可完成初步测试。

在主动基金管理领域，未来的核心竞争力之一，就是完成「发现机会 — 验证判断 — 部署策略 — 识别失效」这一循环的速度与质量。

四、暂未证明 Alpha？这恰恰是下一阶段的攻坚点

晨星报告并没有避讳失败。

例如，Robeco 曾尝试用类 GPT 流程生成盈利预测并提取收益信号，原型看似惊艳，但在基准测试中并未产生增量 Alpha。此外，大模型的非确定性，以及「后视镜偏差」（训练数据包含未来信息导致的回测虚高），都是当下的硬伤。

但这绝非否定 AI 的价值，而是倒逼机构建立全新的「验证方法论」。

大摩 Counterpoint 的「影子平行组合」就是典型探索：不依赖漂亮的历史回测，而是持续记录 AI 在实时市场中看到了什么、提出了什么判断、与人类有何分歧，以及最终转化为怎样的收益表现。

AI 能走多深，取决于机构能把它的增量贡献验证到什么程度。

五、重新定义分工：人负责边界与例外，AI 负责进化

在未来的组织架构中，投资判断将被拆解为：模式识别、假设生成、背景检索、交叉验证、情景比较与证据权衡。

未来，审核过程本身也将迎来自动化——模型交叉复核模型、发现遗漏假设与矛盾证据。人类不再逐字审阅产出，而是聚焦于重大分歧、异常偏离与超越授权边界的决策。

对应的岗位变化：

• 基金经理：转化为设定风险预算、定义目标、处理例外，以及对 LP 承担最终责任。
• 分析师：转化为「研究 Agent 的指挥官」，同时管理多个并行工作的研究系统。

六、工具 18 个月一换，真正的护城河到底是什么？

Man AHL 的案例给所有金融机构管理者敲响了警钟：团队曾精心自研 Alpha Assistant 和 AlphaTrend 工具，但在 2026 年快速转向 Claude Code 环境，并构建了 90 余个专属 Skills。前沿大模型约 18 个月的跨越式迭代，轻而易举地替代了机构此前的自研软件。

工具更新极快，唯有底层的「机构能力」能跨越模型版本而留存：

• 沉淀并清洗过的专有数据；
• 可追溯的研究过程与历史决策数据库；
• 稳健的评价基准、风控协议与权限边界。

通用大模型的普及会导致公开信息的消化速度趋同，通用工具带来的边际优势会迅速衰减。最终的胜负手，依然取决于谁拥有更好的数据基础设施、更精妙的研究提问，以及更严密的验证体系。

七、机构行动指南：从一个「真实可检验」的流程开始

金融机构转型切忌纸上谈兵。锋睿建议从三步切入：

1. 选定微观场景：选择一个真实、重要、结果可量化检验的投资流程（如跟踪一组持仓公司的假设失效条件），让 AI 持续参与；
2. 影子运行（Shadow Run）：记录 AI 的实时建议与研判，暂时不直接执行，精准评估其错误率、信息遗漏、复核成本与对判断的真实增益；
3. 渐进式授权：依据数据证据与风险承受力，逐步赋予有限授权，同时严格保留监控、一键暂停与回滚机制。

结语

主动管理机构不必等待「完全自主的 AI 基金经理」出现才开始布局。

当 AI 开始持续影响研究什么、相信什么、何时调整判断以及如何配置资本，它就已经走在投资的核心。今天的组织转型与工程积累，将决定机构在下一个十年能否拥有可持续的 Alpha 竞争优势。

想看原文的读者：晨星这份报告已附在文末「阅读原文」，本文引用的案例与数字都能在报告里找到出处，建议对照阅读。

---

资料来源：Morningstar Manager Research，《AI in Active Fund Management: The State of Adoption in 2026》，2026 年 6 月 8 日。文中案例与数据来自报告；关于主动基金未来演进及转型路径的讨论，为锋睿基于报告提出的观点。本文不构成任何投资建议或业绩暗示。

完整报告：见文末「阅读原文」。文中数据如需引用，建议回到原报告核对。