跳到主要内容

AI在资产管理中的应用

· 阅读需 8 分钟
Harry Moore
Harry Moore
Principal, Man AHL
Martin Luk
Martin Luk
Quant Researcher, Man AHL
Matthew Hertz
Matthew Hertz
Head of Machine Learning Technology, Man Group

Header Image

欢迎来到我们关于AI在资产管理中变革性角色的最新讨论。在这篇文章中，我们探讨了技术如何不仅仅是自动化任务，而是重塑战略投资决策。📈

关键要点​

  • 电力是人类历史上最强大的发明之一，改变了通讯、交通、工业和娱乐。
  • 人工智能（AI），尤其是生成性AI，正在产生类似的变革性影响，创造出以前无法想象的新功能。
  • 在Man AHL，生成性AI被用于数据增强、特征工程、数据提取和投资组合构建。

生成性AI的崛起​

1879年，托马斯·爱迪生发明的电灯泡经历了数十年的发展才实现大规模应用。同样，AI技术也经历了逐步接受和广泛应用的过程。如今，生成性AI正在迅速改变各个行业，包括资产管理。

AI Classification

生成性AI是机器学习的一个子集，而机器学习又是更广泛的AI的一个子集。生成性AI使用户能够使用自然语言与模型交互，并生成新的输出，极大地推动了近期对AI的热情。

Man AHL中生成性AI的应用​

在Man AHL，我们发现，尽管生成性AI尚未取代研究人员或投资组合经理，但它显著提高了生产力，使量化分析师（“量化”）能够更专注于阿尔法生成。以下是四个具体用例：

1. 使用Copilot进行编码​

像GitHub Copilot这样的工具可以通过预测代码的延续来加速工作原型和初步研究结果的开发。这减少了开发时间，并促进了知识共享。例如，开发人员可以请求AI解释其他人编写的代码的不同部分。

我们正在开发能够理解我们内部代码的聊天机器人。例如，一个聊天机器人可以识别市场代码的元数据存放位置，并检索时间序列价格，指定正确的库和字段，从而节省时间。这种能力提升了我们的效率，并利用了我们的专有知识。

2. 提取交易信息​

Man AHL最初作为商品交易顾问（CTA）交易期货合约。随着业务的增长和多样化，我们现在还交易诸如灾难债券等新颖和特殊的工具。每个灾难债券都有独特的特征，在投资之前需要清楚理解。

我们正在测试一种流程，利用ChatGPT进行数据提取，将相关信息放入系统化模板中以供审查。这使分析师能够将时间集中在新的研究上。

3. 协助处理投资者查询​

我们的客户关系团队处理来自客户的各种问题，涉及Man AHL的系统投资策略。许多问题需要从不同的投资材料中提取信息，例如事实表、演示文稿、尽职调查问卷和投资评论。

ChatGPT可以自动化这个过程中的多个步骤。首先，它可以从相关文档中提取所需信息。其次，它可以草拟一份准备供人类分析师审查的回复。这种效率使团队能够专注于更高价值的任务。

Client Query Example

4. 分析宏观数据​

在量化宏观研究中，ChatGPT可以作为假设生成器，建议某一经济时间序列是否与某一市场有基本可辩护的关系。这些假设可以通过统计回测方法进行测试。

尽管ChatGPT在当前状态下不会取代我们的宏观研究团队，但其理解能力可以与研究生相媲美。主要区别在于人类研究人员需要休息，而ChatGPT可以系统地查询成千上万的关系，并可能建议信号。

学到的经验​

  • 管理幻觉：ChatGPT的回答不能完全信任。为了减少幻觉，我们使用工具突出显示信息在原始文本中的出现位置，以帮助人类检查。
  • 提示工程：如果ChatGPT无法很好地执行任务，通常是由于提示不准确。完善提示需要大量资源、试验和特定技术。
  • 分解任务：ChatGPT无法在一次性操作中逻辑性地分解和执行复杂问题。有效的“AI工程”涉及将项目分解为更小的任务，每个任务由特定实例的ChatGPT处理，并使用定制的提示。
  • 教育以促进更广泛的采用：理解ChatGPT的能力和局限性至关重要。怀疑者应看到其优势，而热衷者需要了解其不足之处。

参考文献​

  1. Ajay Agrawal, A., Gans, J. 和 Goldfarb, A. ‘Power and Prediction: The Disruptive Economics of Artificial Intelligence’ (2022)
  2. Luk, M., ‘Generative AI: Overview, Economic Impact, and Applications in Asset Management’, 2023年9月18日。可在SSRN或DOI获取。
  3. Ledford, A. ‘An Introduction to Machine Learning’, 2019年。可在此处获取。
  4. Korgaonkar, R., ‘Diary of a Quant: AI’, 2024年。可在此处获取。
  5. Pensions and Investments, ‘Man Group CEO sees generative AI boosting efficiency, but not investment decisions’, 2024年4月30日。可在此处获取。
  6. Korgaonkar, R., ‘Diary of a Quant: Journeying into Exotic Markets’, 2024年。可在此处获取。
  7. Radford, A., Wu, J., Child, R., Luan, D., Amodei, D. 和 Sutskever, I., ‘Language models are unsupervised multitask learners’, 2019年。OpenAI博客，1(8)，第9页。
  8. Eloundou, T., Manning, S., Mishkin, P. 和 Rock, D., 2023年。‘Gpts are gpts: An early look at the labor market impact potential of large language models’. arXiv预印本arXiv:2303.10130。
  9. Bloomberg, Odd Lots播客，‘How Humans and Computers learn from each other’, 2024年5月2日。可在此处获取。

要深入探讨，请访问Man Group网站上的原始文章：AI在资产管理中的应用：灵光一现。