给市场中性股票基金用的“纸面到实盘”信号操作系统——把 AI 交易想法编译成券商可安全执行的实盘试跑策略。

1. 一旦研究智能体开始走向实盘执行，基金在真金白银开始冒风险的那个瞬间，就需要生产级控制。
2. 持续反馈闭环意味着策略版本变化的速度，会比人工委员会和量化开发交接能跟上的速度快得多。
3. 一套被 ACL 接收的七层架构，会让智能体交易栈看起来足够可复制，更多基金会想自己动手搭。
4. 一笔 $20M 的 Series A 说明头部玩家卖的已不只是研究演示，而是在抢生产部署，这就给缺失的发布层腾出了预算。

催化因素。 GIM 的 Series A 和被 ACL 接收的 CogAlpha 架构说明，智能体投资栈现在既拿到了资本背书，也拿到了技术背书，正在从研究跨向实盘执行；基金得在内部试点碰真金白银之前，先把上线控制层补上。

产品夹在研究智能体和 OMS/EMS 栈之间。它把每一版假设、回测窗口、影子账本结果、因子暴露、换手率，以及提示词或数据的每次改动都记下来，再按投资授权规则、流动性上限、券商特定委托约束和 PM 批准的资金上限去评估信号。某个小组准备上盘时，系统会自动生成审批包，把选定限额编成可部署的 OMS 或券商指令，再带着自动节流和关停条件启动试跑。上线后，它继续对比影子表现、真实成交和滑点，让团队看清问题出在想法、市场环境，还是执行路径。时间一长，它就会变成全基金跨小组管理“假设从哪来、影子怎么转实盘”的底账。

差异化。 OMS 和券商风控工具，只有在策略已经被硬编码之后才开始校验委托；AI 投研工作台则大多停在想法生成或备忘录起草。这家公司占住的是“不断演化的智能体假设”和“实盘资金”之间的上线边界：把模型变更链路、投资授权规则和券商控制，编成一个可部署产物。它的护城河，一是跨 PM 小组、券商和市场环境的影子转实盘结果数据集，二是对 OMS、EMS 和主经纪商栈的深度集成——基金不会愿意把这套东西重做两遍。

待完成任务

flowchart LR
  Buyer[Quant fund COO] --> Pain[Manual paper-to-live handoff]
  Pain --> Product[Signal promotion OS]
  Product --> Outcome[Faster safe live pilots]

高管要点

• 这条切口是真的，但非常吃时点：对冲基金已经大面积放开生成式 AI 使用，GIM 在 2026 年融资时也明确把赛道定义成走向实盘执行；但 SimCorp 仍发现，大多数智能体试点还没变成业务结果，因为工作流依旧是碎的 ([3], [4], [7])。
• 下游现有栈已经把很多原始管线占住了——研究管理、OEMS、合规、审计留痕、券商连接都有——但它们并没有原生占住“AI 信号从影子到实盘”的上线边界 ([11], [12], [13], [14], [15], [16], [20], [26])。
• 预算是有的，但买家池很小、采购又很重：Boosted.ai 已经在对冲基金和 ETF 提供方里卖开了，主经纪商关系依旧是战略级约束，而交易台也还在为 Bloomberg OEMS 这类执行控制升级买单 ([9], [17], [18], [19], [29])。
• 这门生意能不能做大，取决于能否走出首个滩头。美国仍是最深的对冲基金市场；新加坡不断扩大的资管枢纽，则给了它第二个立足点，以及后续扩到更广多策略和跨境工作流的路径 ([1], [2], [28], [30], [35])。

市场定义

一套工作流基础设施，把买方 AI 信号从影子研究推到小资金实盘试跑：把模型变更链路、验证证据、券商/OMS 指令和关停条件打包在一起。它比完整 OEMS 更窄，但又比投研副驾更贴近执行 ([4], [11], [13], [14], [15], [16])。

用户与买方

日常用户多半是量化平台或交易/风控运营，给市场中性或多策略对冲基金里的 PM 小组服务；经济买家通常是 COO、系统化平台负责人、交易负责人或 CTO，因为这条工作流要跨主经纪商、合规和 OMS 集成 ([3], [17], [18], [19], [20])。

购买触发点

• 智能体或 LLM 辅助研究开始产出比现有上线工作流能安全放行更多的候选信号。 [3][4][5][7]
• 某个小组想把影子结果推到实盘试跑，但现有 OEMS 和主经纪商流程仍要靠人工收证据、跑审批、配控制。 [11][14][15][17][18][19][20]
• 风控和合规团队开始要求更强的留痕、测试、外包控制，以及围绕 AI 影响投资流程的可解释性。 [21][22][23][24][25][31][33]

支付意愿

公开定价并不透明，但机构工作流现代化里显然有预算。Boosted.ai 披露有 40+ 活跃客户，覆盖对冲基金和 ETF 提供方；Bloomberg、FlexTrade、TS Imagine 和 SS&C 都在卖企业级执行或工作流栈；Pacer 上 Bloomberg OEMS 的案例也说明，只要工作流和执行质量能变好，交易台依然愿意为控制层升级掏钱。 [9][11][14][15][16][29]

品类动态

增长信号 2024 年新加坡资管 AUM 同比增长 12%

验证信号

• GIM 的 $20M Series A 明确把智能体投资定义成走向实盘执行，说明行业叙事已经不只是在讲研究辅助。
• AIMA 的调查显示，生成式 AI 使用权在受访对冲基金管理人中已经很普遍，这让“上线控制”成为一个可信的后续痛点。
• Boosted.ai 披露自己有 40+ 活跃客户，覆盖对冲基金和 ETF 提供方，说明机构今天就会为 AI 工作流产品买单。
• Pacer Advisors 上 Bloomberg OEMS 的案例说明，只要能降低复杂度或提升结果，买家依然愿意为执行控制工作流改进掏钱。
• Rogo 的 $160M Series D 说明相邻的金融工作流 AI 仍在高强度融资，这会抬高研究侧工具继续往执行侧逼近的概率。

监管与技术约束

• 投资顾问必须保留真实、准确、最新的顾问业务记录，所以任何上线工作流都得有可审计状态和可回溯能力。
• AI 用在投资和运营流程里，仍然是一个持续被监管盯着的话题，尤其当流程里还夹着厂商或外包工具时。
• 机构如果想走出试验阶段，需要的不只是模型输出，而是围绕自动化决策系统的可解释治理。
• 欧洲对算法交易的监管会把测试、韧性和外包控制始终摆在任何未来跨境 铺开部署 的正中央。
• 发布工具最终还得映射到执行基础设施早已要求的具体节流阀、审计留痕和自动交易风控。

竞争很激烈，但被分散在三条线里：AI 投研副驾（GIM、Boosted.ai、Rogo）、OEMS/OMS 套件（Bloomberg、FlexTrade、TS Imagine、SS&C），以及内部工作流或主经纪商中介的流程。真正空着的是一层中立的上线层：在委托打进现有系统之前，先把“信号为什么变、批了哪些限额”记清楚 ([6], [8], [10], [11], [14], [15], [16], [17], [19], [34])。

为什么现有厂商不会默认胜出

• AI 投研副驾. Boosted.ai 和 Rogo 证明基金愿意为 AI 工作流软件买单，但它们对外讲的重点仍是研究整合、备忘录生成或金融工作产出，而不是把信号安全推到实盘资金里。
• OEMS / OMS 套件. Bloomberg、FlexTrade、TS Imagine 和 SS&C 已经占住了关键执行管线，但它们的价值从工作流进入现有栈之后才开始生效；这就给一层聚焦影子证据、审批和发布标准的“下单前控制层”留了空间。
• 主经纪商与外包交易台. 主经纪商和外包交易提供方解决的是融资、连接和交易运营，但它们不会成为内部记录模型链路、PM 审批，或 AI 试跑为什么被推上线/被关停的系统底账。
• 内部平台团队. 成熟基金当然可以自己搭，但 AIMA 的生成式 AI 调查和 SimCorp 所说的“试点到业务结果”断层都说明，很多机构仍卡在碎片化的研究、风控和执行系统之间，没能把 AI 真正跑顺。

“从纸面到实盘”信号操作系统，是给那些已经在内部跑 AI 投研、但把实盘试跑仍交给表格、量化开发重写和手工 OMS 设置的市场中性股票基金补的一层控制软件。研究支撑时点判断：对冲基金已经大面积放开生成式 AI 使用，智能体试点并不稀奇，而 GIM 在 2026 年融资时也明确把赛道定义成“从研究走向实盘执行”。首个客户应是一家美国市场中性基金，AUM 在 $1B-$3B、有 3–6 个 PM 小组、用 Bloomberg EMSX 或 FlexTrade、接多家主经纪商，而且经常跑低资金实盘试跑。产品不该去碰 alpha 生成，也不该替代 OEMS；它该做的是，把某个小组的影子账本证据、审批逻辑、券商限额和关停条件，编成一份可部署的实盘试跑包。这条切口把首个用户、预算触发点、定价单位和分发路径都拧在了一起：COO 或系统化平台负责人买的是一条更快、更安全的通路，把信号从影子阈值推到第一笔实盘委托。创业故事站得住，是因为中立的上线数据、人工覆盖历史和规则模板能跨小组、跨基金累起来；但如果目标基金里真正把 AI 改写过的信号推向实盘的还太少，或者买家认定这功能只能长在现有 OEMS 套件里，这个故事就会断。估算 SAM 为 $43.2M，第 3 年 SOM 为 $7.2M，所以美国滩头跑通后，扩到新加坡和相邻买方工作流很关键。现在的研究还没确认每月真实上线量、买家偏好的部署模式，也没确认中立控制层能否稳定赢过内部自建，所以前 12 个月更该盯付费试点转化和第二个小组扩张，而不是先大举招人。

问题

• AI 辅助研究现在能生成的候选信号，已经多过风控、交易和量化平台团队能安全放进实盘资金里的速度，所以真正卡住的是“从纸面到实盘”的上线环节。
• 现在这套流程还要靠手工看影子账本、做委员会材料、量化开发重写 OMS 规则和逐家券商配置控制，结果一拖就是几周，而且信号为什么变、谁批的、批了什么，都留痕不清。
• 一旦实盘和影子表现分叉，基金往往拿不出一份共享底账，把模型改动、批准限额和关停逻辑串起来，操作风险、授权风险和账簿记录风险都会上来。

解决方案

• 把信号版本、回测窗口、因子和流动性暴露、提示词或数据改动、以及影子账本结果，全收进一张链路图，服务每个候选实盘策略。
• 给信号打实盘准备度分，生成审批包，并把券商和 OEMS 指令连同资金上限、节流阀和熔断开关，一起编到 1 条试跑策略里。
• 上线后持续对比影子表现、真实成交和滑点，让基金能基于证据决定是缩仓、关停，还是继续放大策略，而不是事后猜。

为什么我们会赢

• 创业公司占住了一条中立工作流边界：相邻的 AI 投研副驾和现有 OEMS 套件都没真正占住——那就是“不断演化的 AI 假设”到“实盘资金”之间的上线步骤。
• 它一边提升可审计性和上线速度，一边又不用基金推倒现有研究栈、OEMS 或主经纪商关系重来，所以比全平台替换更容易被买。
• 影子转实盘转化数据、人工覆盖历史和可复用的规则模板，能跨小组、券商和市场环境越滚越厚，最后长成护城河。

里程碑

flowchart LR
  Wedge[One-pod signal promotion pilot] --> MVP[Lineage plus approval packet plus control compiler]
  MVP --> Proof[Faster launches, audit trail, second-pod expansion]
  Proof --> Expansion[More funds, Singapore, adjacent buy-side workflows]

创始团队

实验路线图

风险评估

必须成立的条件

• 至少三分之一的合格美国目标基金，已经每月至少一次把 AI 生成或 AI 改写信号推到实盘资金里。
• 买家愿意为一层独立的上线控制软件拨预算，而不是认定这功能只能长在现有 OEMS 或内部自建里。
• 前 3 个试点能在压缩纸面转实盘周期 50%+ 的同时，减少量化开发和交易设置的人肉工作。
• VPC 或受限写入部署能过安全审查，而不至于把每一单都逼成定制本地部署项目。
• 至少一半早期生产基金，会在 12 个月内从第 1 个小组扩到第 2 个小组或第 2 条策略通道。

待尽调问题

• 有多少目标基金已经每月至少做 1 次从 AI 到实盘的推进，而不是只停留在研究侧试点？
• 第一笔预算到底归谁管？谁又能基于安全或平台理由一票否决采购？
• 基金会接受长在 Bloomberg、FlexTrade 或 TS Imagine 之外的一层中立控制软件吗？
• 前 5 个客户里，必须满足的部署模型到底是什么：VPC、受限写入 SaaS，还是本地部署？
• 哪些主经纪商和 OEMS 伙伴暴露出的控制面，足够把部署做成可重复的模板？

模型合理性

• 收入引擎. 基准情形的收入来自 Q4Y3 的 8 家付费基金；每个成熟账户会从 1 条付费试点通道逐步扩到大约 5 个受治理实盘小组，对应 $900K 的年末 ARPU。
• 必须跑对的事. 试点转生产和第二个小组扩张必须大致贴着 BP 漏斗目标走，因为 Y2 之后模型只再加了 3 家净新增基金。
• 模型会在哪儿断. 只要部署或安全审批再慢 1 个季度，downside 情形的现金就会在公司碰到 Q4Y3 盈利拐点前先掉到 0 以下。
• 下一轮证明点. 只要公司在第 24 个月前做到 5 家生产基金、12-15 个实盘小组、第 2 套 OEMS 可复用，并能看到清晰的扩张回本，种子轮就算值。

情景

敏感性

flowchart LR
  TargetFunds --> PaidPilots
  PaidPilots --> ProductionFunds
  ProductionFunds --> PodExpansion
  PodExpansion --> Revenue
  Revenue --> GrossProfit
  GrossProfit --> Cash

警示项: 基准情形高度依赖少数早期标杆基金内部的第二个小组扩张，不只是靠拿新客户。 · 融资方案按 BP 种子轮区间下沿来配，所以只要被迫走本地部署或安全审批显著放慢，就得更早再融资。 · 模型把 Y3 团队压在 9 FTE，效率很高，但几乎不给重服务部署模式留冗余。 · 基准情形里现金最低点只有约 $0.3M，且要到 Q4Y3 才盈利，所以管理层在业务自我造血前，还是得提前启动下一轮融资。

• 内部自建偏好. 成熟基金可能会把上线工具视为核心 IP，更愿意自己接，而不是买软件。 缓解措施: 先做一层窄控制编译器和链路层，接进现有研究栈；先证明它能更快把试点发出去，再去争更宽的工作流所有权。
• 赛道时点. 很多基金还在试点期，愿意为智能体执行工具单独做预算的客户，在前 12–18 个月里可能仍然不多。 缓解措施: 先卖给已经在跑低资金实盘试跑的多小组基金，等采用面拉开，再扩到长仓管理人、外包交易台和主经纪商伙伴。
• 亏损后的采用冻结. 一旦出现高关注度的智能体交易亏损或监管处罚，整个赛道的预算都可能被按暂停键。 缓解措施: 把产品定位成“人类在环”的安全与证据层，默认先上影子模式、不可篡改审计日志和硬性资金上限。