眼下，從建築業到娛樂業，幾乎每個行業都希望抓住生成式人工智慧 (AI) 的風口，從這項新興技術中獲利。但諷刺的是，有一個最賺錢的地方，卻找不到 AI 革命，它就是華爾街。
很長時間以來，華爾街一直在使用自動化演算法來完成交易和風險管理等任務。但是，投資者一直無法依靠 AI 來解決他們最大的挑戰：跑贏大盤。雖然有些人將 ChatGPT 視為促進銷售和研究工作的一種途徑，但長久以來，使用 AI 的投資結果都不是特別盡人意。
「華爾街在將 AI 應用於投資方面的進展有限，儘管語言建模方面的創新可能會在未來幾年改變這一現狀。」 哥倫比亞投資管理公司董事總經理喬納森・拉金 (Jonathan Larkin) 表示。該公司管理著哥倫比亞大學獲得的 130 億美元的捐贈基金，並投資各種基金。
40 年的嘗試
其實，華爾街在 AI 領域的嘗試起步更早。40 年前，包括美國對沖基金文藝復興科技創始人吉姆・西蒙斯 (Jim Simons) 在內的數學家出身的量化分析師，開發出了將投資決策交給電腦的演算法。
他和其他量化分析師多年來一直在使用機器學習 (AI 的一種)，並且已經建立了交易模型，能夠從過去的資料進行推斷，在有限的人為干預下開發有利可圖的交易。
然而，量化分析師們稱，很少有公司能成功地將所有業務都交給機器。他們在自我學習或強化學習方面也沒有取得重大進展，因為這需要訓練電腦自己學習和制定策略。來自這些公司的人士說，事實上，文藝復興科技和其他公司依賴的是先進的統計資料，而不是尖端的 AI 方法。
「大多數量化分析師仍然採取『理論優先』的方法，他們首先建立一個假設，解釋為什麼某個異常可能存在，然後圍繞這個假設建立一個模型。」拉金稱。
資料的缺失
這就產生一個比較大的問題：與那些用於開發 ChatGPT 和類似基於語言的 AI 項目的資料集相比，投資者依賴的資料集更有限。例如，ChatGPT 是一個擁有 1750 億個參數的模型，它使用了幾十年 (有時是幾個世紀) 的文字和其他來自書籍、期刊、Internet等地方的資料。相比之下，對沖基金和其他投資者通常使用定價和其他市場資料來訓練自己的交易系統，受到了先天性限制。
對沖基金 D.E. Shaw 前高層喬恩・麥考利夫 (Jon McAuliffe) 指出，「在投資方面，情況有所不同，我們沒有無限量的資料來幫助我們訓練無限規模的模型。」他現在是 Voleon 資本管理有限公司的聯合創始人，這是一家依賴機器學習的對沖基金。
另外一個關鍵問題是，市場資料比語言和其他資料「更嘈雜」，因此更難用它來解釋或預測市場走勢。換句話說，收益、股票勢頭、投資者情緒和其他財務資料只能部分解釋股票走勢，其餘都是無法解釋的噪音。因此，機器學習模型可以識別各種市場資料的相關性，但無法預測未來的股票走勢。
股市的特性
與語言不同的是，股市瞬息萬變。企業會改變戰略，新領導人會做出激進的決定，經濟和政治環境會突然轉變。而模型依賴的是歷史長期資料趨勢，這讓交易變得更加困難。
儘管事實證明 ChatGPT 確實很厲害，但它經常會犯一些明顯的錯誤，這些錯誤會讓投資者賠錢，並危及他們的聲譽。
金融科技公司 Proven CEO 理查德・杜威 (Richard Dewey) 也指出，投資是「對抗性的」。也就是說，它需要與急於利用任何錯誤的對手競爭。這使得利用 AI 進行投資要比將這些方法用於自然語言、圖像分類或自動駕駛汽車更困難。
“像文藝復興、D.E. Shaw 這樣的公司仍然僱傭著那麼多博士，這是有原因的。”杜威表示。他說，在嘈雜的、受人類行為反饋回路影響的股市中，人類仍然是必不可少的，“在投資方面，仍然很難把一切都交給機器”。
儘管如此，仍有跡象表明，投資者對 AI 的依賴正變得越來越放心。Voleon 是過去幾年圍繞著機器學習和其他 AI 方法成立的一批對沖基金之一。
舊金山量化對沖基金 Numerai 表示，該公司去年利用機器學習技術獲得了 20% 的收益。同樣在去年，Google母公司 Alphabet 旗下人工智慧子公司 DeepMind Technologies 的三名高級員工離職，在布拉格創立了一家名為平衡技術(EquiLibre Technologies) 的機器學習基金，引起了轟動。
一些 AI 專家認為，AI 有朝一日可能有助於交易的民主化，讓個人和其他人的程式像大型對沖基金使用的程式一樣強大。不過，Man FRM 的首席投資官延斯・弗倫巴赫 (Jens Foehrenbach) 表示，目前專注於機器學習和其他 AI 方法的公司太少，無法確定是否有可能獲得巨大回報，而且早期回報並不一致。Man FRM 在對沖基金上的投資超過 200 億美元。
「他們的結果差異很大。」弗倫巴赫表示，這種策略可能會產生非常意想不到的效果，這讓投資者很難決定是減少還是增加投資。
AI 支持者相信，他們的方法最終會取得良好的效果。機器學習模型最終可以將有意義的內容從無意義的內容中分類出來。建立機器學習策略更加困難，Voleon 的麥考利夫表示，「但是一旦你讓它們工作起來，這些策略就會做出更準確的預測。」
平衡技術公司聯合創始人兼 CEO 馬丁・施密德 (Martin Schmid) 表示，強化學習將適用於股票和債券，就像西洋棋、撲克牌和其他遊戲一樣。強化學習是一種機器學習形式。在這其中，電腦會根據各種交易投資決策受到懲罰和獎勵。施密德稱，該公司仍在完善其交易模型，尚未開始投資。
一些人說，近期的 AI 進展可能會撼動研究和銷售等領域。「現在，你可以為客戶建立自動化定製資訊，這是投資銀行銷售人員的主要工作。」高盛和橋水基金前員工延斯・諾德維克 (Jens Nordvig) 說。他現在營運著 MarketReader，該公司使用人工智慧提取金融新聞。
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！