基金经理罗浩访谈：AI投资逻辑、创新药主线与规则化投资实践

基金经理罗浩访谈：AI投资逻辑、创新药主线与规则化投资实践

核心结论： 当前AI行情波动属于情绪宣泄和估值理性回调而非叙事结构改变，长期AI仍是全球经济增长主线；创新药是中国除AI外另一条高确定性主线；量化本质是价格发现工具而非“割韭菜”，投资者应通过“认识自己—制定策略—严格执行”三位一体的框架，借助指数化工具提升“把认知变成钱”的能力。

一、市场聚焦：AI板块波动的本质与基本面判断

1.1 AI近期调整的直接原因

• 新增投资者大量涌入：最直接的原因是2025年6月底至7月初，大量新投资者加入AI相关投资。早期参与AI投资的人经历过的短期大幅波动不止一次，但新投资者“前面没有吃到肉，这一次挨到了打”，社会反响更大。
• 价值重估阶段转换：AI投资正从“讲故事”阶段迈向“业绩兑现与验证”阶段。在长期高资本开支背景下，市场开始关注盈利转化能否落地，部分资金因此调整。
• 当前判断：波动属于“情绪的宣泄”和“短期的估值理性回调”。若以过去那样的速率持续上涨反而夸张。AI叙事结构并未变化。

1.2 股价表现与业绩增长为何背离

• 股价交易的是“边际定价”：股价更多反映新信息与预期之间的差距，而非预期绝对水平的高低。
• 预期差机制：若预期业绩增长40%、股价已涨50%，而实际业绩仅30%，即便30%本身是不错的增长率，股价短期仍会承压。
• 案例表现：半导体领域业绩特别超预期的公司表现坚挺；增量虽多但涨幅积累大、未达到“超预期”状态的公司短期会沉压。

1.3 全球资金对AI硬件预期是否变化

• 全球预期无重大变化，依然“欣欣向荣”。
• 程序员每日token消耗的真实数据：
• 美国硅谷大厂普通程序员：约500美元/天
• 小创业公司程序员：约1000美元/天
• “卷王”型个人开发者：约2000美元/天
• 类比互联网/PC时代：互联网普及前，写字楼工作与电脑无关；现在几乎每个白领都配电脑。AI未来将像基建一样普及到每个工作场景。
• 资本开支空间计算：IT资本开支目前已占企业支出的20%-30%，而每天每人消耗500-1000美元token对应的年化成本不足5%，中间还有20%-25%的成长空间。
• 结论：全球企业若都布局AI并持续投入资本开支，AI产业链需求预期非常高；短期A股波动源于交易活跃、估值拔升较快，叠加海外共振，但中长期AI主线地位不变。

1.4 关于AI泡沫的讨论

• 历史参照：1840-1850年代铁路时代有泡沫，随后项目并购、企业破产重组，但“时代的车轮还是滚滚向前”，大量铁路基建保留并促进发展；2000年互联网泡沫破裂后，互联网发展并未停滞。
• 本轮AI与历史的不同：AI发展速度惊人。马斯克观点——2026年AI单个智能体可能超过单个人类智力；2030年AI可能超过人类集体智力水平。
• 罗浩的判断逻辑：过去的变革是“人类辅助工具的改变”，而本轮是整个“群体智慧上的超越”，潜在空间更大。真正泡沫破裂的标志是基本面无法支撑股价增速；当前大量企业增速仍然较高，且海外龙头即将公布财报，A股企业预期增速也很高，“谈泡沫破裂为时尚早”，需要持续跟踪基本面数据能否维持高增长。

二、创新药：AI之外另一条值得关注的主线

2.1 中国创新药的历史性变化

• 从“跟随式创新”到“引领世界”：当前中国创新药发展阶段与过去完全不同。
• 关键数据：
• 2026年上半年中国创新药出海项目总金额约1100亿美元，已达去年全年的80%。
• 2026年上半年中国创新药申报约38款产品，其中全新创新药方向约11个，全部为中国药企所有；去年同样是11个方向但仅4款为中国药企。

2.2 三大核心驱动因素

1. 工程师红利：

• 中国是全球工程师最多的国家之一；创新药研发早期枯燥，需要不断找分子结构、找靶点、试错，需要吃苦耐劳的工程师。
• 生物医药领域同样岗位成本仅为海外的1/2到1/3；全产业链布局使人才“人尽其用”。

1. 十年沉淀带来全球竞争力：

• 海外同管线、同靶点项目，中国成本是对方的1/3，早期临床试验数据是对方的3倍，性价比极高。
• 跨国药企首选合作对象就是中国创新药企业；中国创新药与美国“二分天下”。

1. 居民健康需求与支付端改善：

• 老龄化：每四个人中可能就有一个60岁以上老人。
• 长寿话题关注度和投入持续增加；AI时代物质丰沛后，生命健康投入意愿更强。
• 支付端变革：医保“腾笼换鸟”释放传统药品成本空间；医保丙类目录推出后，商保对创新药的支付、赔付比例和意愿显著增强，进入医院和广泛使用的场景更容易发生。

2.3 行情为何“迟迟没动”

• 去年已在港股创新药有明显行情，港股通创新药成分涨幅较高。
• 短期承压原因：
• AI的“虹吸效应”使大量资金涌入科技板块，创新药流动性衰减，估值下移。
• 市场存在关于国内创新药政策变革的传闻，但“捕风捉影”，难以把握实际信息。在AI更具确定性的背景下资金倾向于热点。
• 但经过回调后，创新药估值已回到过去两三年较低位置，值得重点关注。

三、量化投资：工具属性、常见争议与AI的真实关系

3.1 量化的本质：价格发现与流动性提供

• 定义：量化是“一个工具”，旨在发现市场规律、快速找到定价错误并修正。
• 功能：价格发现＋提高市场流动性；量化成交速度快、覆盖度广、持仓分散。
• 市场份额数据：2024年报告显示，量化持有A股全部公司市值的5%左右，日成交量约占29%；排除机构程序化下单后，真正的全量化日交易量约占1/3，“不是一个特别大的数字”。

3.2 “量化割韭菜”争议的回应

• 极端行情的流动性挤压是共性现象：若大家使用类似因子或风控手段，极端下跌时在相同点位平仓会加剧下跌。但主动投资同样存在止损踩踏问题，“不能说是量化的错”。
• 割韭菜缺乏证据：若单一量化机构操纵股价（恶意拉高或压低），属于“错误的定价行为”，会被其他量化机构捕捉并反过来利用获利——类似“三体黑暗森林”，长期来看可复制的赚钱行为必然被竞争者消灭。
• 监管严格：对虚假报单、操纵股价有持续更新的严格监管政策。
• 一个务实建议：如果投资者认为量化太厉害，“配不过咱就加入”，市场上有很多优秀的量化公募基金。

3.3 AI与量化的关系

• 大语言模型AI与量化的关系并不直接：
• 大语言模型依赖海量训练数据（过去二三十年的互联网语料远超人类历史书籍和知识密度）。
• 但金融市场的分笔成交数据量远不及网络语料，属于“低信噪比”环境。
• 结论：当前AI直接辅助量化投资的作用有限，无需过分担忧；未来可能有非大语言模型形式的AI模式帮助投资，“尤未可知”。

3.4 “AI量化情绪”的真正含义

• Token与生命力：人与人交流（输出观点、提供情绪价值）也在消耗“token”，背后不是算力而是个人生命力与能量消耗，输出不可逆因此珍贵。
• AI的陪伴与活人感：AI提供情绪价值只消耗电力和算力；真实的人用时间、在意和陪伴输出的价值不可替代——“AI没有活人感，但你追求活人感”。
• AI能否利用“恐惧与贪婪”？
• AI本身没有恐惧和贪婪，无法真正理解自己没有的东西。
• 比喻：可以测算台风何时到、风力多大、破坏程度，但无法“站在台风里”感受寸步难行的体验。
• AI可通过统计判断投资者什么时候可能恐惧、贪婪及影响，但“能测算沙滩上的脚印，无法感受走在沙滩上的感觉”，对恐惧贪婪的量化仍比较表层。

四、投资方法论：规则化投资的完整框架

4.1 投资中最重要的事：策略＞执行＞预测

1. 长期赚钱的正确策略（最重要） ：策略不必复杂，关键是理论上相对正确、经过过去时间验证、能长期更新迭代。最简单的常识是判断未来5-10年需求持续增长的行业方向。
2. 执行能力（第二重要） ：执行力是“乘数”，对很多人来说是负数。许多投资者认知能力强、研究深入但赚不到钱，因追涨杀跌、仓位不均、情绪波动导致判断越好越亏。
3. 市场预测（最不重要） ：没有人能长期预测第二天甚至一周后的涨跌。

4.2 如何克服人性弱点：提前预案与冷血执行

• 核心原则：“第二天投资之前先做好假设，不要盘中进行临时决策。”
• 短期操作示例（以科技股ETF为例）：
• 长期维度：基本面无大问题则底仓不动。
• 中期维度：高频数据无大问题则中期仓位不变。
• 短期维度：跌破10日均线先卖出部分仓位；触碰到布林带下轨再买入，按纪律执行。

• 低成本示例策略：每月选上个月涨幅最大的行业，画10日均线——均线上持有、均线下卖出，每月滚动。

4.3 认识自己：投资开始的基础

• 风险偏好的自我高估：投资初期觉得跌15%-30%能扛住，但当真金白银在账户里下跌时很多人扛不住。
• 实际操作建议：
• 用一小部分“不在乎”的资金认真参与市场，真正亏过或赚过才能与资本市场建立深度连接。
• 记录每次操作的心情和感受，时间长了（半年到一年）连同交割单交给AI分析，生成个人风险画像（类似海外的risk profile刻画）。
• 根据画像匹配合适的投资模式：擅长判断大方向→买行业相关ETF；不想花时间→选主动管理产品；只求比固收略高→固收类或红利类产品。

五、AI时代的信息筛选与投研应用

5.1 如何判断AI信息的价值

• 判断标准：

1. 是否对投资决策有长期影响（重要政策、强产品的出现）。
2. 是否影响企业长期现金流与资本开支变化。

• 交叉验证方法：让多个AI分工——一个收集信息、一个核实准确性、一个校验两者信息传输，共同讨论信息价值排序并生成简报。多AI同时出错或制造假新闻的概率较低。

5.2 AI对投研工作的实际改变

• 效率提升：研究员需2-3周完成的研究，AI可在1-2天内覆盖90%，因数据接触面和深度挖掘能力超越人类。
• 认知边界拓宽：产业深度数据也能给出“八九不离十”的答案，学习能力提升明显。
• 决策仍靠人：AI无法替代人承担代价、无法为投资者负责，长期不可能替代人做决策。
• 用AI反驳自己：将投资逻辑、想法、研究成果交给AI，要求“只找盲点、风险点，尽量反驳我、批判我”，结合数据验证和统计判断进行交流，能挖掘自己未注意的盲点。投资需要自信，但自信会带来忽视——而“AI不会惯着你”。
• AI幻觉的警示：9.1减9.2算成0.2（因用文本概率而非数学计算），说明AI在简单问题上会出错。复杂研究中隐藏的小错误很难发现，且“他会一本正经胡说八道”。因此真正管钱的前沿人士对AI的应用仍停留在研究辅助阶段，投资决策仍以人为主。

5.3 投研是否会被AI取代

• 达里奥的观点：当Claude上线Claude Work时，美股软件相关企业一天蒸发几千亿美元市值。如果企业靠“快速写复杂软件”发家，“基本上完蛋了”；但有护城河的企业长期反而分到更多收益。
• 投资领域的同理：
• 被取代者：只靠信息收集或简单估值模型做长期投资决策的人。
• 难被取代者：从更高维度多方面思考投资问题、深入了解客户的风险偏好与习惯、最终拍板承担责任的人。
• 飞机的比喻：飞机不需要飞行员也能飞，但你不可能不要飞行员——投资最终要有人承担决策代价。

六、中美二级市场差异与个人职业经历

6.1 A股与美股的底层逻辑差异

• 趋势融合的迹象：美股散户占比已超50%，A股机构投资者增多（险资入市、国九条推动长期资金入市），两者有“A股美股化、美股散户化”的相互融合趋势，但国家经济模式差异使基本逻辑长期延续。

6.2 职业路径与关键选择

• 教育背景：上海交大电子与计算机本科→美国工程管理硕士（偏工科的管理方向）。
• 转向投资的契机：大学时兼职做房产中介、婚礼摄影师，在美国开过滴滴/Uber，喜欢与不同人打交道、了解不同产业的体验。读研时遇创业潮与学长回国创业，接触投资人后受“做投资好赚钱”的驱动进入二级市场。
• 家庭背景：父母均为医生（父亲为博士），曾期望他做医生。他原本因看日剧《白色巨塔》想当医生，但观摩父亲的手术场面后确定做不了。
• 职业经历：海外对冲基金→国内私募→公募基金经理，2022-2023年量化火热时坚定转向被动投资。

6.3 为何从量化转向被动投资

• 个人层面：随着年龄增长，长期做量化超额收益的压力太大。
• 方向判断：被动投资是“划时代意义的技术”——规则清晰、完全透明（所见即所得）、便宜（15bp/50bp的管理费），磨损很小。
• 研究的“前置性”：对指数的误解是“太简单”，实际上编制指数需要前瞻能力——什么时点发布什么指数、发布什么产品，是在把握市场底层规律，且规律要同时符合经济学价值、满足人性需求、刻画想要的收益。
• 未来形态：量化、主动、被动一定走向结合，单一模式不会“一家独大”。如汇添富强调“被动投资的主动选择者”——被动是底层工具，叠加量化思维做配置优化，用主动产业分析研究买卖时点和细分方向。

七、行业痛点与投资者教育

• 残酷的数据事实：某公募产品十年涨了五六倍，但拉出数据看70%投资者不赚钱离场。
• 原因分析：

1. 许多投资者未将基金作为长期配置工具；海外家庭50%以上资产或90%养老金在资本市场，长期资金久期长、风险承受能力较好。
2. 投资者未找到适合自己风险偏好的产品。

• 解决路径：

1. 引导资金长期化（短期不动的钱）。
2. 匹配合适风险偏好的产品，“不要太贪，不能既要回撤小又要收益高”。
3. 从交易角度研发工具：行业轮动推荐、定投测算、与券商合作提供网格交易模型参数等。

八、个人成长、书单与AI重塑

8.1 家庭教育影响

• 父母“能提供的资源都会尽量提供，但很少鼓励，不断提更高的要求”，养成“追求卓越、永不满足”、持续学习和寻找新机会的习惯。
• 同时养成一定的“叛逆”和批判性思维——表面答应、有自己的想法，习惯辩证看待问题：“你说这么多，我总是会想是不是有风险。”
• 给年轻人的建议：工作后不懈怠，每季度比上个季度成长一点点，5-10年后能超过部分同龄人，“最怕的是走回头路”。

8.2 压力与爱好

• 主要未解压力：“怎么帮投资者赚到他应该赚到的钱”，看到好产品但多数投资者不赚钱“很心痛”。
• 兴趣爱好：打篮球、看书、唱歌、打游戏。
• 推荐书目：基辛格《大外交》、李光耀《李光耀观天下》、“书看完可能会忘记一些观点，但改变的部分已经留在心里”。

8.3 反脆弱：活下来才能变强

• 人是“很坚强的生物”，在波动中只要活下来一定变强，关键是“活下来”。
• 投资中的活下来：巴菲特买“超长久期”的资产不一定是成长性最强但一定是能活下来的资产；A股和美股长期年化收益差别不大，只要一直活下来做正确的事就能赚钱。
• 实操方法：为波动做预案（任何波动下都能活下来），记录当时的操作、心情和想法，反复感受并从中学习。

8.4 如何理解“被AI重塑”

• 重塑是确定性的：AI是历史级别、甚至可能超过工业革命和信息技术革命的颠覆性革命，“还没有看到上限”。
• 工作场景实况：硅谷程序员几乎不自己写代码，而是把AI当“小弟/下属”做综合指导；Claude每次版本更新约30%代码由Claude自己写，模型已参与自身迭代，这是指数性变革。
• 保持壁垒的三条原则：

1. 学会问正确的问题：AI一定能找到角度回答，但不一定是你想要的，提示词工程（prompt engineering）越来越重要。
2. 与AI形成相互成长模式：AI不断成长你如果不成长就是衰退（行业成长10倍你只成长1.5倍即相对衰退）。AI能做好的交给它做，它不能做的（附加值、客户深度理解、人性把握、真实体验）要持续打磨——这是你的壁垒。
3. 用好多个AI工具、建立竞争机制：让不同AI互相竞争、互相认证，而非依赖某一个；可降低幻觉率、减少无效信息，同时维持“你是驾驭者”的角色。

九、总结

罗浩从“AI短期波动是情绪宣泄而非叙事改变”出发，系统论证了AI需求的长期空间依然巨大，创新药凭借工程师红利、海外认可与支付端改善成为另一条高确定性主线；对量化的“割韭菜”标签进行反驳，认为量化本质是价格发现工具。在投资执行层面，他提出“正确策略＋严格执行＋认识自己”的核心框架，强调提前预案和规则化操作。面对AI时代，他认为AI大幅提升效率、拓宽认知边界，但投资决策必须由人承担代价，投资者应学会问正确的问题、建立多AI交叉验证机制，通过与AI共同成长“成为更好的自己”。