Towards the "Singularity" – AI Reshaping the Asset Management Industry

瑞銀認為人工智能正在引發一場深刻的資產管理革命。這場革命的核心並非是機器取代人類，而是人機協作帶來的 “奇點”——一個結合了人類深度洞察與機器超凡算力的投資新範式。

追風交易台消息，8 月 27 日瑞銀研報認為，未來十年最成功的投資者將不再是純量化或傳統選股者，而是能夠同時駕馭兩種方法並將 AI 作為力量倍增器的複合型人才。

瑞銀指出，分析師在識別重大風險方面具有優勢，而在分析師沒有明確觀點的領域，機器學習模型表現更優。結合人工智能和人類洞察的混合模型能夠在更廣泛的股票池（超過 3,860 只股票）中產生顯著收益。

AI 的三大利器

瑞銀指出 AI 已不再是遙遠的概念，而是由一系列數據驅動技術組成的工具箱，正深度嵌入投資流程。其崛起源於數據爆炸、算力進步和 AI 工具的普及化。

報告強調，當前對資管業影響最大的三項技術是：

• 機器學習： 作為 AI 的核心，機器學習模型通過學習數據中的模式來進行預測。它被廣泛應用於信號生成、風險建模、甚至尋找交易流動性。機器學習擅長識別傳統線性模型無法捕捉的非線性關係，從而提高預測準確性。
• 神經網絡： 尤其是深度學習架構，在處理高維度、非結構化數據方面表現出色，例如識別波動率曲面中的模式或捕捉時間序列數據中的時序依賴關係。其靈活性是巨大優勢，但缺點是可解釋性差、訓練成本高，且存在過擬合風險。
• 大型語言模型： 大型語言模型是該領域最具革命性的突破，它將自然語言處理推向主流。資管公司現在可以大規模地從財報電話會、監管文件和研究報告中提取洞察，將定性文本轉化為結構化數據。
• 例如，Lopez-Lira 等人的研究表明，大型語言模型從財報電話會中提取的主題評分對預測股票回報具有顯著作用。但報告強調，大型語言模型無法取代領域專長，其核心作用是增強和擴展基本面分析。

人機優勢對比分析

瑞銀認為，將 AI 視為取代人類的對手是錯誤的。理解人與機器各自的優勢邊界，是任何投資機構思考未來演進的關鍵。

機器的優勢——速度、廣度和一致性：

• 速度與廣度： 機器的數據處理速度和規模遠超任何人類團隊。一名分析師或許能深入覆蓋 20 只股票，但一個基於大型語言模型的系統可以每日掃描 10,000 份財報電話會議紀要，並標記出異常情況或市場情緒的共同轉變。
• 一致性：只要模型穩健、數據乾淨，機器就能不知疲倦、不帶偏見地重複執行任務，其結果具有高度可重複性（大型語言模型的 “幻覺” 現象除外，但這恰恰凸顯了人類監督的必要性）。

人類的優勢——背景、複雜性和因果推斷：

• 解讀偶發事件：金融市場充滿了模型難以學習的非重複性事件，如監管突變、管理層更迭或黑天鵝事件。人類能夠結合環境、行業知識和複雜模型來理解這些事件的深遠影響。
• 理解複雜性：構建投資邏輯、理解多重驅動因素的相互作用，以及評估企業文化、管理質量等無形資產的影響，這些是當前 AI 模型在達到一定複雜度後便會失效的領域。
• 應對未知：AI 從歷史數據中學習，當市場進入全新範式（regime shift）時，歷史經驗就會失靈。人類雖不完美，但能通過類比推理和定性判斷更快地適應新環境。

此外，在社會責任與治理層面，人類的倫理和價值觀判斷是機器無法替代的。一個有人類參與的監督和決策流程對於管理聲譽、監管和運營風險至關重要。

"奇點"時代的投資融合

量化投資與基本面投資之間的傳統壁壘正在被 AI 打破，兩者正走向一個被稱為 “奇點”（The Singularity）的融合點。

量化投資者正在深入基本面。

藉助大語言模型等工具，量化模型現在不僅能處理傳統的財務和價格數據，還能大規模處理非結構化數據，如財報會議文本、新聞稿和另類數據（如衞星圖像、網絡流量），從而捕捉到以往只有基本面分析師才能識別的信號。

基本面管理者正在擁抱規模化。

AI 工具幫助基本面團隊極大地擴展了研究範圍。機器學習模型可以篩選投資標的，AI 助手可以閲讀報告、標記異常數據，估值模型可以自動生成貼現現金流（DCF）的基準案例。

這讓分析師從繁瑣的數據處理工作中解放出來，專注於渠道調研、管理層訪談等具有最高附加值的活動。

與 AI 共舞的投資新範式

為了驗證 “奇點” 理論，瑞銀量化研究團隊進行了一項創新實驗。

他們首先識別出客户最看重研究員的幾項職能（公司建模、行業專長、主題識別等），並將其數據化。

研究團隊對比了研究員的觀點和瑞銀內部 GBM 策略模型的預測。結果顯示：

• 人類分析師在其最看好的 3 只股票和最不看好的 3 只股票上，表現優於機器。這表明在分析師投入最多精力、信念最強的領域，其洞察力具有真正的 alpha。
• 對於關注度居中的其餘股票，GBM 模型的預測表現更佳。這可能是因為這些股票表現平穩，缺乏催化劑，分析師的關注度較低。

基於此發現，團隊構建了一個 “奇點” 組合：對於分析師覆蓋的股票，採納他們最看好和最不看好的前三名選擇；對於中間的股票，則採用 GBM 模型的預測進行排序和選擇。

回測結果（自 2010 年起）表明，這個結合了人類洞察與機器預測的混合模型，在其覆蓋的全部 3860 多隻股票中，展現了強大的回報生成能力。

綜上報告強調，人機協作將成為未來投資的關鍵競爭優勢。成功的投資管理公司將構建結合人類情境理解與機器能力的團隊。在 AI 時代，公司將通過專有數據、獨家知識庫和定製模型實現差異化競爭。