人工智能可以帮助基金经理将数据货币化，但保守主义会阻碍整个行业吗？

技术进步正在塑造资产管理公司的运作方式，因为他们正在寻找引入人工智能应用程序以通过数据获利并改善从前台到后台的自动化的方法。

早在2016年，SEI撰写了一份白皮书，题为颠覆的上行空间：为什么资产管理的未来取决于创新，其中强调了塑造创新的五个趋势：屈臣氏化，谷歌化，亚马逊化，Uberisation和Twitterisation。

SEI与ANZU Research合作，见证了资产管理行业内与人工智能，数据管理，平台，社交媒体等相关的指数式变化，并与ANZU Research合作更新了这些主题。创新的指数拉动：资产管理和颠覆性增长。

关于第一种趋势，Watsonisation，在资产管理中使用的人工智能应用程序的功能，复杂程度和规模方面发生了很多变化。

SEI的新Watsonisation 2.0白皮书指出，在接下来的几个月中，该系列的5篇论文中的第一篇指出：“在像我们这样的复杂且受到严格监管的行业中成功利用技术并不容易。随着新技术和商业模式的不断变化，金融服务行业正在被重新组织，重新设计和重新发明。”现在有专门的AI对冲基金经理，例如Aidiyia Holdings，Cerebellum Capital和Numerai，在利用其交易模型中的AI功能时，所有这些人都在不断前进。

根据Cerulli的一份报告，人工智能驱动的对冲基金在2016年至2019年的三年期间累计产生了34％的回报率，而全球对冲基金行业的回报率为12％。此外，Cerulli的研究表明，从今年1月到4月，欧洲AI主导的主动型股票基金的增长速度快于其他主动型股票基金。

随着资产经理利用AI提供的无数可能性，这一趋势可能会继续。正如SEI指出的那样，投资组合管理团队正在与量化专家合作，利用具有在大数据集上训练AI系统所需的技能，来利用预测能力。

诸如Balyasny Asset Management之类的大型管理人员现在正在积极采用量化策略来挖掘替代数据集并发展其投资能力。为此，他们正在聘请“行业分析师”；具有行业专长和精通Python等编程语言的人员。这样做的目的是充当Balyasny的定量和基础分析师之间的沟通渠道。

SEI认为资产管理非常适合AI的广泛采用。

他们写：“数据是其生命线，并且有来自大量不同来源（公共和私人/内部）的大量历史和实时数据。传统的结构化数据源总是有用的，但已经成熟了，可以进行更自动化的分析。”

朱利安·梅西亚斯（Julien Messias）是总部位于巴黎的资产管理公司Quantology Capital Management的联合创始人，该公司专注于行为分析，使用系统的流程和定量工具为该策略生成alpha。目的是应用基于集体智慧的科学方法。

“我们唯一的信念是我们创建的流程，而不是我们认为市场表现的个人信念。尽管不可能实现100％的系统化，但是在我们如何执行投资策略方面，我们的目标是尽可能地系统化。”

梅西亚斯说，人工智能的预测能力在过去十年中一直在发展，“但我们确实注意到在过去三，四年中，人工智能的发展正在加速。不过，它并不像报告所建议的那样简单。分析师花费至少50％的时间来清理数据。如果要避免发生“垃圾进垃圾”情况，则无论AI多么复杂，都必须仔细查看所使用数据的质量。

“对于量化经理来说，这不是最有趣的工作，但绝对是最重要的工作。”

资产管理（尤其是拥有数十年投资血统的大型蓝筹股）在资产管理方面要克服的障碍之一是资本保全所固有的保守性。大型机构可能会被AI技术的变革特性所吸引，但试图说服首席财务官或执行董事会要采取更多措施来拥抱新技术可能会很难。正如SEI正确指出的那样，获得的任何信息优势都会迅速消失，特别是在AI数量不断增长的环境中。

梅西亚斯说：“我们注意到使用替代数据来生成情绪信号的情况有所增加，但是如果您查看一些声称完全是人工智能的对冲基金的表现，或者将人工智能纳入其投资模型的对冲基金，这并不令人信服。我听说一些大型量化基金经理在2020年度过了艰难的一年。

“如今，投资管理中的整个AI概念已变得非常流行，并成为某些经理的营销工具。一些经理人并不完全了解如何使用AI，但是他们只是声称要使用AI来出售他们的基金，并使其听起来对投资者有吸引力。

“在应用人工智能时，我们必须准确了解每种算法的工作原理。”

对于资产管理方面的未来创新，这提出了一个有趣的观点。为了使基金经理尽最大努力，他们将需要开发自己的专有工具和流程来优化AI的使用。因此，要避免跳上潮流并缺乏信誉的风险；投资者注意。如果经理声称正在运行AI工具，请让他们准确解释它们的工作方式和原因。

Messias解释说，在Quantology中，他们创建了自己的数据库，其目的是使投资策略尽可能自治。

“每天我们都会运行自动批处理过程。我们在市场上崭露头角，在此期间所有算法都运行以收集数据，这些数据存储在我们的专有系统中。我们收集的数据集的一个例子是收入笔录，当公司管理团队发布指南等时。

“在过去的四年中，我们一直在收集这些成绩单，并建立了一个深层的丰富文本数据数据库。我们的算法运用各种NLP技术来基于关键词吸引对成绩单数据的理解。” Messias说。

他指出，然而，用于分析文本数据的训练算法并不像分析定量数据那样容易。

“截至目前，专用于该任务的算法对于我们利用数据而言还不够高效。但是，在两到三年的时间里，我们认为将会有很多改进，其价值本身并不会放在算法上，而会放在数据上。”他建议。

投资研究是资产管理者在未来几年内寻求发展的AI应用的关键领域。人类会受到多种行为偏见的困扰，这些偏见会模糊我们的判断，并经常导致确认偏见，特别是在制定投资论文时；这是寻找符合理论的数据的经典案例，而不是在理论错误时进行确认。

人工智能系统不存在任何此类缺陷。正如SEI的白皮书所解释的那样，它们是能够更好地阐明变量，概率预测结果并建议明智的行动方案。

Messias解释说，在Quantology中，他们运行多种交易算法，这些算法试图基于两个主要支柱来利用投资机会。一种是市场上存在的行为偏见。“我们认为我们的算法比人类可以更好地检测到这些偏差，” Messias说。

第二个支柱是集体智慧。就是群众的集体智慧。

迈西亚斯断言：“我们不知道市场将走向何方，这不是我们的工作。我们的工作是交付alpha。市场做出反应的方式始终是正确的方法。市场是集体智慧的最佳典范–这就是我们的算法试图更好地理解并转化为交易信号的方式。”

在接下来的几年里，资金管理真正令人兴奋的方面之一就是看看AI系统如何发展，因为它们的机器学习功能使它们在检测市场微观模式方面变得更加聪明。

Google的AlphaGo在2015年成为第一个无障碍击败专业Go播放器的计算机程序，并继续击败了世界排名第一的播放器。正如SEI观察到的：例如，AlphaGos游戏的分析师指出，它的演奏风格独特，使其与人类玩家区分开来，采取了相对保守的方法，并采用了奇怪的举动。这凸显了AI的真正力量。它不仅更快，更准确。它倾向于做不同的事情。

逻辑表明，这种新颖，创新的举动（即交易）也可能成为系统性基金管理的一个更为突出的特征。确实，这已经在发生。

Messias指的是Quantology的算法为特斯拉树立了一个强有力的信号，去年9月该公司发布收益报告时，该股上涨了。

他说：“该模型向我们发出了一个信号，即人类将不会基于传统的基本思维方式进行创造。”

我们会看到更多的对冲基金由AI担任投资组合经理吗？

“我认为这是投资管理最终发展的方式。较新的公司可能会测试创新和技术，如果AI显示出它们可以比基于人类的交易更具竞争力，那么我认为投资的未来将更多地面向技术。” Messias总结道。

要阅读SEI论文，请单击此处获得美国版本，并单击此处获得英国版本。

钉“ />

詹姆斯·威廉姆斯