投资假设库：AI-native主动管理如何构建系统化Alpha？

2026年3月，Atreides Management的创始人Gavin Baker 做客Capital Allocators播客，期间主持人Ted Seides问到，整个投资体系的核心是什么。

Baker管理70亿美元，覆盖公开市场和私募的科技与消费投资，是当下那种能从芯片架构出发推导竞争格局的基金经理，擅长把握AI的产业链逻辑。他的判断力有一种特质：可以从财报数字的后面读出管理层的真实信心，这就需要对超级趋势有更深的洞察，同时更多时候不仅只依靠阶段性的业绩指引。

对于核心体系是什么这个问题，他的回答没有提持仓，没有提框架，说的是三个词：hypothesis-driven research，以假设为驱动的研究，加上一种鼓励建设性分歧的文化。

投资，是一种寻找真相的过程，显然在Baker这里，收集信息形成观点跟这个过程被很明确地区分了。这个区别，值得停下来想一想。

AI 正在进入买方真正的深水区。

当只有少数机构拥有更强的数据处理能力、更快的模型迭代速度、更密集的信号扫描系统时，AI 可以成为优势。可一旦所有人都开始接入agentic workflow和另类数据管道之后，单纯在投研中使用AI就不再构成壁垒。

我们在翻论文的时候发现了一篇关于 AI-driven investing 的研究中有这样的观点：早期使用 AI 的对冲基金，曾经相对于非 AI 基金在初始阶段有明显超额收益；但随着 AI 在资产管理行业扩散，这种优势随即衰减。

工具普及以后，竞争不会消失，只会后移。

后移到哪里呢？

过去一年，很多人谈 AI 在投资里的应用，最容易落到效率叙事里。更快读研报、整理会议纪要、总结财报电话会，最后生成行业观点。这些当然有价值，只不过其价值并不直接作用于仓位表达和体现在最后的净值结果中。

但真正的买方系统从来都是要在市场里靠拿结果说话，这就不能仅停留在观点，需要把信息压缩成可以被跟踪、验证、下注和复盘的判断资产。

所以我越来越觉得，未来 AI-native 主动管理的核心资产，不在于研报库，而是尽早地构建投资假设库。

如果说量化基金的核心资产是因子库，那么 AI-native 主动管理的核心资产理应是建立一个主观跟踪假设库。

不需要把主观投资改造成量化投资，但是完全可以学习量化的系统化思维，更准确地描述并记录主动管理里那部分过去一直藏在基金经理大脑里的真实思维链路。

量化基金会长期维护一套因子资产：从最初的信号发现，到样本检验、组合构建、真实交易、表现跟踪，再到降权、淘汰和迭代。一个因子不是因为被发现过一次就永远有效，它必须在真实市场里不断接受检验。量化的工业化能力，正是建立在这种持续管理信号资产的机制之上。

主动管理其实也有类似的东西，只是名字不叫因子。

它叫投资假设。

一家公司的盈利斜率会不会上修，
一个产业链环节是否正在成为瓶颈，
一个主题能不能从交易性叙事走向业绩兑现，
市场是否低估了某类资产的估值跃迁。
这些都算。

一条主线是不是进入扩散期、加速期、拥挤期，也是不同状态下的假设。

基金经理真正下注的，从来不是一篇研报，也不是一个新闻标题，而是这些假设在特定时间、特定赔率、特定组合约束下的表达。

过去，这套假设系统大多存在于基金经理的大脑里、研究员的笔记里、零散的会议纪要里和一轮轮临场讨论里。它非常有生命力，只不过相对脆弱且容易被遗忘或随意作废。

因为它依赖记忆，依赖注意力，依赖状态；AI时代下人脑受到碳基物理的约束，面对信息过载仍然保持清晰变得吃力。

一个成熟 PM 当然可以靠经验和直觉处理大量复杂信息，但碳基大脑始终受制于物理约束。每天能读的材料和能追踪的变量有限，同时维护的产业链和稳定回看的历史判断亦是有限。更麻烦的是，市场一旦进入高波动环境，信息密度上升，情绪和仓位会反过来干扰判断。

这时候，问题不是基金经理有没有判断力。

问题是，判断力有没有被系统化地保存管理、妥善运营。

AI-native 主动管理要解决的，正是这个问题。

前半段由信息和各类因子中梳理出的判断记录下形成的逻辑链和驱动，后半段把基金经理的判断方式沉淀成一套可以持续运行的假设生命周期管理系统。

在这套系统里，每一个假设都不再是一句灵感或者一段分析，而是一条有状态的生命线。它从一个早期观察开始，被放入假设池；随后系统持续追踪公告、财报、产业链事件、调研反馈、价格行为、市场叙事和同行定价。当证据不断增强，它会被提升优先级；当变量发生变化，它会被重新标注；当市场提前定价，它的赔率会被压缩；当核心证据消失，它会被降级、冻结或归档。

这就是主观投资里的系统化的Alpha 生产方式。

这样思考过程会自然由每天凭空找一个新观点，变成持续维护一批正在生长、等待验证、接近下注、正在兑现或已经衰退的假设资产。

这是真正属于买方视角的占位。

读完一篇研报后，AI自动生成核心假设、跟踪变量、风险点、后续催化，这个功能不难，就算没有研报库的信息加持，头部大模型的真实能力现在本来也可以全网海量搜索专业严谨的公开信息完成这一步，信息优势的壁垒已不像以前那么牢不可破。但这只是通用假设生成器，远未触及到买方的经验优势所在。

真正值钱的，是让每条假设都长出自己的记忆、证据链和状态变化。它能把碎片化信息接回原来的判断框架，也能反过来回补：某个假设正在获得新证据，某个变量已经偏离初始设定，某个逻辑已经很久没有更新，某个看似漂亮的观点其实没有形成可下注结构。

这比更快读研报和处理收集信息重要得多。

因为买方最后面对的并不是在资本市场中完成知识竞赛，而是用真金白银做仓位表达。

一个观点只有进入仓位语境，才开始接近 Alpha。它必须回答：值得多少仓位？和现有组合暴露是否重叠？如果先跌，逻辑是否被破坏？如果快速上涨，是该加仓确认，还是警惕拥挤？如果产业节奏延迟，是时间错配，还是判断错误？

这些问题，不是通用 AI 助手靠一段摘要就能解决的。

它需要基金经理的产业审美、赔率感、风险边界和交易纪律，也需要系统持续记录每一次判断的前因后果。碳基直觉负责方向感和取舍，硅基外骨骼负责覆盖、记忆、验证和追踪。 量化模块提供纪律和反馈，基本面研究提供真实世界的因果链，Agent 把这些环节接成一套不断生长的买方神经系统。

这也是为什么 AI-native 主动管理不会只是普适的agent工作流这么简单。

只有当目标是持续生产、跟踪和淘汰可下注假设，它才开始接近真正的AI买方系统。