幻方量化基金大跌：这则科技新闻不止关乎糟糕的一周
梁文锋旗下的幻方量化有多只量化基金在7月的一周内下跌超过15%，与其2025年的出色表现形成鲜明反差。这则科技新闻的意义不止于一家管理人的收益表现。它检验的是：当市场变化快于信号更新时，日益趋同的算法能否依然保持分散化。
亏损发生在2026年7月13日至7月17日当周，当时中国科技股和小盘股大幅下挫。公开业绩数据显示，受冲击的是整个国内量化行业，并非幻方量化一家失利。
这一差别是理解事件的关键。据报道，幻方量化、九坤投资、明汯投资和衍复投资均有产品当周下跌超过10%。部分较小管理人的产品亏损超过20%。
因此，实际情况比流传甚广的标题更复杂。公开数据证实幻方量化出现了显著回撤，但并不能证明其产品单月亏损超过20%。这一数字适用于行业内的部分产品，以及市场其他地方披露的超额收益表现。
幻方量化基金究竟发生了什么
经核实的事件是：幻方量化多只产品遭遇严重的单周回撤，同时量化行业整体业绩大幅下滑。
7月13日至17日，中国A股市场经历了一轮快速调整。上证综指跌破3,800点，科创综指下跌17.46%。算力基础设施、半导体以及其他此前受追捧的科技股领跌。
这些走势重创了集中配置于成长型公司和小盘股的策略。指数增强基金旨在于维持与基准相近敞口的同时跑赢基准，因此无法简单撤离其所跟踪的市场。
根据公开基金数据，多只跟踪或增强沪深300、中证500和中证1000的幻方量化产品当周亏损超过15%。幻方量化欣怀中证500指数专享19号7期下跌15.82%。
报道发布时，该产品7月超额收益为负10.85%。超额收益衡量的是相对基准的表现，而不是投资者的总亏损。混淆这两个数字，会对事件造成实质性误读。
整个行业遭受的跌幅更大。据报道，稳博投资管理的两只产品当周分别下跌29.23%和23.05%。其他管理人的产品也出现超过20%的单周亏损，以及低于负20%的7月超额收益。
幻方量化的若干产品确实出现了较大的绝对跌幅。不过，现有公开报道并未证实其基金在整个月内亏损超过20%这一确切说法。
从全年表现看，不同产品之间也存在差异。公开报道称，在此次抛售之后，行业内许多指数增强产品的2026年超额收益为负。但报道并未提供一份完整、经独立审计的清单，以证明幻方量化全部产品线的绝对收益均为负。
这一核实缺口很重要，因为私募基金数据本就不完整。管理人以不同频率披露不同产品，外部数据库也可能只覆盖那些由管理人或代销机构提供更新净值的基金。
因此，投资者应区分三项指标：
单周净值变化，反映投资者在该周的绝对盈亏。
单月超额收益，反映产品在当月跑赢还是跑输其基准。
年初至今收益，反映自1月以来的累计绝对回报。
一只基金可能出现负超额收益，但绝对年度收益仍为正。它也可能经历糟糕的一周，而这并不意味着其更长期的业绩记录失效。
亏损依然十分严重。单周跌幅超过15%，远超许多投资者对专业量化产品的预期，尤其是那些以严谨模型和分散化信号为卖点的产品。
预期中的控制力与实际损失之间的落差，构成了真正的科技新闻。算法按设计运行，但其共同假设使它们同时暴露于同一轮市场反转之下。
为什么有关量化基金的科技新闻此刻如此重要
幻方量化的回撤表明，自动化决策系统可能恰恰会在投资者期待分散化提供保护时变得高度相关。
量化基金将市场数据转化为可重复执行的交易决策。它们的模型衡量被称为因子的特征，例如动量、估值、波动率、流动性或近期价格反转。
管理人通常会组合多个因子，以降低对任何单一预测的依赖。当这些信号表现各异时，这种架构会有效；而当多个原本被认为相互独立的因子同时亏损时，它就会变得脆弱。
在7月的抛售中，科技成长股和高动量仓位迅速反转。那些从这些趋势中获利的策略，在模型来得及充分调整前就已蒙受损失。
母基金管理人李春瑜指出，中国市场面临四项相互关联的压力：动量股回调、通常能彼此对冲的因子同步下跌、相似模型同时降仓，以及较高的组合投资比例限制了防御性调整的灵活性。
第三项压力最为重要。若许多基金使用相似的数据、标签、特征和风险阈值，一个负面信号就可能在几乎同一时间触发相似的交易。
一家管理人卖出，并不一定会撼动整个市场。但许多大型管理人同时削减相关仓位，则可能形成反馈循环。
价格首先下跌。模型识别到风险恶化并卖出。这些卖盘进一步压低价格，导致更多模型降低敞口。随后，恰恰在所有参与者都想退出时，流动性消失了。
这种行为并不意味着这些基金使用完全相同的源代码。即使具体实现不同，共同的输入和目标也可能产生相关性。
许多管理人都基于相同的交易所历史数据、财务披露、价格数据流和另类数据集训练模型。他们还在争夺有限的、可重复利用的定价错误机会。
行业扩张让这种竞争更加困难。据报道，中国量化资产规模已超过3万亿元人民币，而大型机构日益在同一可投资范围内寻找可比信号。
在这样的规模下，一个有吸引力的因子可能变得拥挤。其历史回报会鼓励采用，而采用会增加依赖同一关系的资本规模。
这一模式并不限于中国。据Reuters援引的Goldman数据显示，7月初，全球市场的系统化管理人回吐了年初至今收益的四分之一。
这些管理人的回报从6月22日的14.4%降至7月初的10.8%。芯片股波动以及拥挤的人工智能交易加剧了这一逆转。
这一比较并不能证明中国与全球基金运行相同策略。但它表明，科技敞口和拥挤持仓在不同市场中带来了同步压力。
算法擅长严格执行规则，却无法保证市场会持续奖励用于构建这些规则的统计关系。
随着公司将机器学习加入研究流程，这一局限尤其值得关注。更复杂的模型可以发现更细微的模式，但当所有人都需要退出时，复杂性并不会创造新的流动性。
它还可能让失败更难解释。简单的价值策略能够为亏损提供容易辨认的解释；而使用数百个相互作用特征的大型模型，可能要到事件发生很久之后才会揭示是哪一种关系失效。
这正是该事件应属于科技新闻、而不仅是金融报道的原因。它是对在机构规模下运行的自动化决策的一次真实压力测试。
幻方量化的成功公式遭遇了不同的市场
核心的逆转并不是幻方量化突然忘了如何构建模型。其2025年的成功推动了对那些在7月剧烈变化的市场条件的暴露。
进入2026年时，幻方量化在中国大型量化管理人中拥有最强劲的业绩记录之一。根据深圳排排网汇编的数据，其产品在2025年的平均收益率为56.55%。
这一表现位列管理规模超过100亿元人民币的中国量化管理人第二名。宁波灵均领跑该组别，而更广泛的大型管理人量化类别平均收益为37.61%。
截至2026年初，幻方量化管理的资产规模已超过700亿元人民币。其规模及与DeepSeek的关联，使其业绩受到远超中国私募基金行业范围的关注。
1月的庆祝与7月的亏损之间，反差异常强烈。一份2025年业绩回顾称，其样本中的45家大型量化管理人当年全部实现正收益。
当时的环境有利于小盘股的快速轮动和积极交易。量化系统可以扫描数千只证券，识别短暂存在的模式，并比许多主观投资团队更快地再平衡。
7月的市场并未奖励同样的结构。在科技股反转之前，涨幅集中于少数领涨股，许多其他股票表现不佳。
于是，持有大量公司带来的分散效果变得不那么有用。一个组合可以持有数百只证券，却仍集中暴露于动量、公司规模、流动性或某一种经济叙事。
这正是个股分散与因子分散的区别。前者统计单项持仓数量，后者考察驱动这些持仓回报的共同力量。
一个持有500只股票的组合看似已充分分散。如果大多数仓位都依赖于上涨的科技情绪和充裕的小盘股流动性，它的表现仍可能像一笔拥挤交易。
在最近一次回撤之前，幻方量化还作出了一项战略调整。该公司在2024年减少了更具防御性的对冲产品，转而集中于追求超额收益的更激进策略。
一篇国际报道称，在放弃更具防御性的做法后，这类产品成为该公司的主力产品线。
这一决定帮助投资者参与了强劲的2025年市场行情。但当市场条件反转时，它也提高了股票敞口和模型生成alpha的重要性。
Alpha指的是归因于管理人决策、而非市场整体波动的回报。Beta则代表对更广泛市场的敞口。
在7月下跌期间，两者都对量化产品产生了不利影响。基准下跌拖累了beta，而拥挤因子和模型调整滞后则损害了alpha。
这一组合解释了为什么仅仅指出市场下跌并不足够。指数增强产品预期会在其指数下跌时下跌，但其增强过程本应改善相对结果。
负超额收益表明，主动模型部分未能提供这种保护。在某些产品中，它还加剧了跌幅。
幻方并非唯一受到冲击的一方。九坤、明汯、衍复、黑翼、诚奇及其他管理人也报告了大幅回撤。
这种共同受损支持了市场结构层面的解释。它削弱了这样一种说法：仅凭这些亏损，就能证明梁氏公司内部存在某种独特缺陷。
然而，全行业亏损并非借口。客户聘请管理人，是为了预判反复出现的市场风险，包括拥挤因子、流动性冲击和相关性变化。
一项策略真正的考验，出现在其各项假设不再同时成立之时。市场环境有利时的强劲回报，无法替代对突发逆转期间表现的证据。
模型纪律的承诺与市场现实相撞
自动化纪律能够消除情绪化犹豫，但也可能让交易同步化，并在陌生冲击发生时减少判断空间。
量化管理人经常将系统化决策与主观选股进行对比。模型遵循既定规则，处理更多信息，并避免受新闻标题驱动的恐慌。
这些特征依然是真实优势，但它们也会带来另一种失效模式。
主观型管理人可以判断，某个事件超出了构建投资组合时所依据的历史模式。管理人可以持有现金、接受偏离基准，或等待流动性恢复。
许多量化产品面临更严格的投资约束。指数增强组合必须维持有意义的基准敞口，而高仓位的纯多头基金无法完全躲避大盘下跌。
它们的模型同样从历史中学习。即使持续更新的系统，也需要足够的新信息才能识别出关系已经发生变化。
因此，快速的市场环境切换可能造成时点问题。旧信号在连续数个交易日内仍具统计可信度，尽管当前价格走势已对其不利。
随后，风险控制会在亏损扩大后介入。如果多家管理人采用相似的波动率目标或止损阈值，这些控制措施可能会加剧同步卖出。
这种机制类似于一座拥挤剧院里的自动门。每扇门都正常运作，但太多人选择了同一个出口。
AI 并不能自动解决这一协调问题。机器学习可以发现非线性因子、处理另类数据并调整预测，但它无法了解竞争对手的全部投资组合，也无法保证有序退出。
如果更多信号存在隐藏依赖关系，增加信号甚至可能制造虚假的信心。动量、短期反转、流动性和残差波动率，在正常时期可能看起来在统计上彼此独立。
当市场压力来临时，这四者都可能成为同一种底层压力的表现。投资者想要降低风险，买方撤退，近期赢家则成为套现来源。
这正是反转的核心。基于历史相关性的分散化，在相关性发生变化时失效了。
这一事件也令有关 AI 投资的说法更加复杂。幻方长期强调数学、计算和机器学习，其研究基础也帮助孵化了 DeepSeek。
这种关系备受关注，因为成功的金融业务能够支持成本高昂的人工智能研究。幻方 2025 年的回报强化了这一叙事。
E Tiger Private Fund Partners 的李明泓估计，幻方的业绩可能为梁带来超过 7 亿美元收入。这一估计并非公司披露，不应被视为经审计的资金数据。
7 月的下跌并不能证明 DeepSeek 缺乏资金。幻方仍是一家规模可观的管理人，而糟糕的一周也无法揭示其所有者的流动性状况或 DeepSeek 的预算。
但它确实挑战了一个更简单的叙事：更好的 AI 能持续产生受控的投资回报。金融市场会对其他模型、不断变化的监管、有限流动性和人类行为作出反应。
预测准确性也不同于投资组合表现。模型可能正确地为许多股票排序，却仍然亏钱，因为交易成本上升、仓位规模不当，或拥挤退出压倒了其预期优势。
这一差别对在金融以外评估 AI 系统的知识工作者而言很重要。当执行约束和反馈效应主导结果时，高质量预测并不保证带来好决策。
金融市场会迅速让这一缺口显现。在其他领域，同样的弱点可能隐藏在延误的项目、自动审批、库存决策或推荐系统之中。
这并不意味着人类判断总会胜出。主观型管理人在 7 月拥挤的科技股平仓中同样遭受损失。
Reuters 报道称，在可比的全球期间，基本面管理人的损失为 2.2%。他们年内仍上涨 15.5%，但也曾激进地退出 AI 相关仓位。
人类和算法都可能拥挤进入同一种叙事。区别在于，当这种叙事崩塌时，各群体作出反应的速度、一致性和可见度。
这些数字仍无法证明什么
公开证据支持存在一轮广泛的量化抛售，但不足以支持围绕幻方月度或年度表现流传的所有说法。
私募基金不会提供公众交易证券所预期的标准化日度透明度。可用的业绩平台可能存在报告延迟、选择性参与和不完整的产品历史。
这种局限同时影响正面和负面的叙事。幻方 2025 年 56.55% 的平均回报来自商业数据库中可见的产品。它未必是覆盖每个投资者账户的资产加权回报。
7 月的数据同样需要谨慎对待。一只具名产品单周下跌 15.82% 是具体且重要的信息，但它并不能描述幻方的每一项策略。
同样，月度超额回报低于负 20%，并不等同于月度基金跌幅超过 20%。将这些指标混为一谈的标题，夸大了已获确认的内容。
此外还存在幸存者偏差和选择风险。数据库可能强调近期有更新的产品，而报告较慢的基金可能在更晚时候才进入样本。
监管变化进一步降低了公开业绩的可见度。行业排名只能评估那些提供可用信息的管理人和产品。
这些限制并不意味着数据毫无价值。它们界定了负责任解读的边界。
证据最充分的结论是，若干幻方产品在严重的行业回撤期间出现了超过 15% 的单周损失。现有证据还显示，2026 年中国范围内的量化超额回报显著走弱。
上半年，PaiPaiWang 跟踪的 1,236 只指数增强产品实现了 3.11% 的平均超额回报。一年前的可比数字为 14.17%。
这种下滑始于 7 月最糟糕的一周之前。它表明可获取的 alpha 持续减少，而非仅发生了一次意外崩盘。
管理人正在争夺更少的、容易捕捉的定价错误。市场回报高度集中，而为广泛轮动设计的策略面临更弱的机会。
认为幻方模型已永久失效的说法，远远超出了数据所能支持的范围。一周时间无法揭示某个因子已经失效，还是仅仅遭遇了罕见亏损。
相反，认为该事件只是普通波动的说法也过于轻松。如此规模的损失值得进行详细归因，尤其是在相关产品一直与模型纪律和受控敞口联系在一起时。
重要的未解问题包括：下跌中有多少来自市场 beta、主动因子押注、衍生品、杠杆和被迫去风险。公开报道并未提供完整的拆解。
现有报道中也没有幻方自身的详细回应。缺少这一信息，外部分析师无法确定哪些信号失效，或该公司调整得有多快。
投资者不应把之后的上涨视为自动证明一切正常。反弹可以恢复净资产价值，却可能让原有的集中风险依然存在。
他们也不应假定持续下跌证明了欺诈或技术无能。单凭市场损失，无法证明二者中的任何一种。
更有用的问题更为具体：投资组合的表现是否处于其披露的风险预期之内，以及管理人在风险演变为损失之前是否理解这些敞口？
回答这一问题需要产品文件、一致的净资产价值、敞口报告以及管理人的沟通。病毒式传播的讨论很少提供这些材料。
科技新闻读者接下来应关注什么
三项信号将显示，7 月究竟是暂时的因子冲击，还是大规模量化投资更深层弱点的证据。
第一项信号是多个基准的超额回报恢复情况。投资者应分别关注 CSI 300、CSI 500 和 CSI 1000 指数增强产品。
广泛复苏将表明，在被迫卖出结束后，因子关系恢复正常。持续的负超额回报则意味着模型仍与市场不够匹配。
仅看绝对回报无法回答这个问题。即使主动策略仍持续落后基准，上涨市场也可能带动基金上涨。
第二项信号是管理人之间的差距。7 月期间，头部机构出现异常同步的损失，但它们的复苏路径应能揭示风险架构的差异。
如果幻方、九坤、明汯和衍复开始呈现明显不同的结果，这次拥挤事件很可能迫使它们对投资组合作出实质性调整。如果它们的回报仍高度相关，则共同因子依然占主导地位。
公司层面的披露将改善这种比较。投资者需要了解杠杆、行业敞口、换手率、流动性和因子贡献，而不只是标题中的净资产价值。
第三项信号是管理人如何改变产品设计。一些机构以认购自家基金的方式回应此次抛售，其中包括灵均和其他管理人的承诺。
自购可以展示信心，但无法修复模型。更有参考价值的行动包括收紧敞口限制、降低容量目标，或在资产类别和投资期限之间扩大分散化。
中国量化管理人还将面临一项关于 AI 的战略选择。他们可以使用更大的模型寻找日益复杂的模式，或更多投资于假设历史关系会失效的风险系统。
第二条路径的营销可能没那么吸引人。但在下一次拥挤退出时，它可能更重要。
幻方与 DeepSeek 的联系让其选择尤为醒目。同一组织曾证明，专注的研究和高效的计算能够与规模大得多的 AI 项目竞争。
金融市场施加了更严苛的条件。成功会改变环境，因为竞争对手会复制信号，资本会追逐业绩，有用的模式会变得拥挤。
这种反身性压力将市场预测与许多传统机器学习任务区分开来。预测目标会对模型作出反应。
对开发者而言，更广泛的教训在于相关性自动化。当独立系统从相似数据中学习并优化可比目标时，它们可能创造集体风险。
对企业采购方而言，教训在于评估。正常环境下的平均表现，很难说明当输入发生变化且多个自动化参与者共同作出反应时，系统会如何表现。
对个人投资者而言，眼前的任务更简单：将每只基金与其声明的基准进行比较，检查完整的回撤历史，并区分超额回报与绝对回报。
不要因为与知名 AI 的关联，就推断某项投资产品更安全。也不要因为一次严重下跌，就推断此前的所有结果都被抹杀。
未来一到三个月应能提供更清晰的检验。若超额收益趋于稳定、不同管理人之间的相关性下降，且风险调整更具透明度，都将支持“短期冲击”的解释。
若表现持续不佳，且持仓趋同，则会加深更深层的担忧：或许有过多资本正在使用同一种自动化策略的不同变体。
这才是幻方亏损背后真正的科技新闻。市场并非只是惩罚了一家成功的管理人，而是揭示了计算能力上的成熟如何能迅速转化为共同的脆弱性。
读者现在应关注证据，而非声誉。幻方能否在不承担更大隐性风险的前提下恢复相对基准的表现？其竞争对手是否会开始采取不同的行为？
这些答案的重要性将远超中国股市中的一周波动。它们将表明，现代量化系统能否在自身反应令拥挤交易进一步恶化之前，识别出这种拥挤现象。
