百億算力投入與單月兩成回撤的會計切面：拆解幻方量化的資本支出擠壓與策略邊際

私募排排網截至2026年7月31日的統計數據顯示，樑文鋒旗下的幻方量化對外展示的9檔主流量化產品中，有8檔年內收益由正轉負。其中多檔產品單月淨值跌幅突破20%，唯一維持正報酬的「九章幻方中證500量化多策略2號」，其年內收益僅餘0.04%。這組淨值走勢圖上的急下彎，直接打破了市場對於頂尖人工智慧算力等同於無風險套利能力的預期。

把高頻交易的硬體投資與傳統制造業的生產線擺在一起，兩者的財報邏輯高度相似。量化基金的本質是用資本支出購買極致的算力與速度，換取微觀結構裡的微小價差。當算力基礎設施的建置成本急遽攀升，市場微觀結構因為同質化策略而趨向飽和，原本的無風險套利空間會被快速壓縮。這與我們先前分析的大模型算力擠壓與軟硬體資產折舊邊際邏輯一致，硬體升級的邊際效益正迎來嚴苛的會計重置。

算力軍備競賽與固定成本的剛性擠壓

量化機構的資產負債表上，最沉重的項目是算力基礎設施。過去幾年，頭部量化機構為了在執行速度與模型訓練上取得領先，投入數十億乃至上百億人民幣採購高端繪圖處理器（GPU）與叢集設備。這類硬體投資在會計報表上形成龐大的固定資產與隨之而來的折舊費用。

算力設備的折舊曲線極其陡峭。一檔用於高頻打板的伺服器叢集，在服役的第一年可能具備極高的指令處理效率，但隨著硬體世代交替與競爭對手同步升級，其相對競爭力在隨後的兩到三年內會迅速衰減，直接產生巨額的減損壓力。固定成本佔比過高，意味著基金規模必須維持在一定的水位之上，才能透過管理費與超額利潤分成將單位交易成本攤薄。

當市場波動率下降或套利機會減少，交易量無法覆蓋高昂的算力折舊與營運費用時，淨值便會出現非市場因素的下挫。幻方量化在此前面的公開訪談與財報披露中多次強調其AI算力中心的建設規模。將龐大資本鎖定在硬體折舊與電力消耗上，意味著資金的機會成本極高。這與傳統製造業產能過剩時，工廠面臨的固定成本擠壓與邊際收益遞減現象如出一轍。

同質化策略與微觀市場結構的崩塌

量化策略的核心在於尋找市場失效的瞬間。然而，當頭部機構皆採用深度學習模型，且訓練資料來源高度重疊於公開的歷史量價資料時，模型產出的交易訊號便會趨向一致。

假設市場出現特定的波動觸發點，多家頭部基金的AI模型會在同一毫秒內下達相同方向的買入或賣出指令。這種同質化的交易行為在流動性充裕時能夠順利平倉，一旦市場出現突發事件導致流動性瞬間乾涸，這些巨量同向委託將引發嚴重的滑價。

單月淨值跌超20%的情境，通常不是因為單一標的的基本面崩跌，而是市場微觀結構踩踏。當所有人都試圖在同一個微秒內透過程式停損出場，原本提供流動性的造市商演算法會因為偵測到極端風險而瞬間撤單，導致委買與委賣價差急劇擴大。在這種極端擁擠的交易環境下，資本支出越高的機構，其下單的規模與槓桿通常越大，一旦遭遇流動性陷阱，資產減損的速度也最為驚人。

因子失效與資產組合的系統性重估

量化多頭產品通常標榜透過選股因子獲取超越基準指數的超額報酬。但近年來，隨著宏觀經濟環境的變遷，許多過去具備顯著解釋力的定價因子面臨嚴峻考驗。

以中證500指數增強策略為例，模型若過度配置於特定市值或動量因子，當大盤風格發生切換時（例如微盤股流動性危機或大盤價值股的極端強勢），模型將無法及時適應結構性變化。這種現象在機器學習模型中尤其明顯。深度神經網路的權重配置高度依賴歷史訓練資料的分佈。當真實市場的數據生成過程發生根本性改變，模型不僅無法提供保護，反而會根據錯誤的擬合軌跡持續加碼劣勢部位。

幻方量化旗下多檔產品同步轉負，說明這是底層因子矩陣發生了系統性失效，而非單一交易團隊的決策失誤。當alpha收益轉為負值，配合高昂的算力營運成本與固定支出，資產淨值將呈現滾雪球式的下滑。這與遊戲科學捨棄《水滸》的資本支出邏輯與專案組合風險控制的投資避險原則背道而馳，凸顯了高度集中的策略資產組合在極端行情下的脆弱性。過去能夠分散風險的非相關性資產，在宏觀衝擊下相關係數迅速逼近1，導致風險對沖模型失效。

量化定價模式的邊際擠壓與產業重組

量化私募的收費結構通常採用「2%管理費加上20%超額利潤分成」。這套商業模式的基礎在於基金能夠持續創造穩定的超額報酬。

管理費的存在，本是為了覆蓋高昂的軟硬體研發與算力維運成本。當基金收益由正轉負，20%的績效提成歸零，僅靠逐年縮水的管理費收入將難以支撐龐大的研發團隊與算力中心開銷。為了維持運轉，機構可能面臨兩種選擇：降低算力採購資本支出，這將直接削弱未來的競爭力；或者調降管理費以留住機構投資人的資金，進一步壓縮利潤空間。

當前量化產業正面臨供給側的邊際擠壓。一方面，硬體升級的資本支出呈現指數級增長，頂級GPU的取得成本與能耗管理要求越來越高；另一方面，隨著越來越多資金與機構採用相似的機器學習框架，超額報酬的獲取空間被嚴重稀釋。

這種發展軌跡類似於製造業的產能出清週期。具備資本規模優勢的頭部機構能夠忍受短期的淨值波動與虧損，繼續維持研發與硬體的資本投入，等待市場結構的重組；而資本支出規模較小、策略缺乏獨特性的中小型量化機構，將在這波算力與策略的雙重擠壓下被加速淘汰。

展望未來，量化產業的超額報酬曲線將持續向平均水線回歸。投資人對於AI算力的迷思將被重新校準，算力並非利潤的保證，而是進入高階量化博弈的基礎門檻。未來的競爭焦點將從單純的硬體資本支出競賽，轉向對市場微觀結構的獨特理解、非傳統替代資料的取得，以及更具彈性的動態風險控制機制。缺乏差異化定價能力的產品，終將在這場算力與數學的邊際成本戰役中被市場所重估。