投资组合管理：人工智能正在改变现代资产战略

人工智能的兴起显然影响了各个行业，而金融行业是受影响最大的行业之一。例如，去年 GPT-3.5 等模型的公开发布增加了人们对利用人工智能帮助提高基金经理分析、风险管理和决策能力的兴趣。

因此，实施人工智能工具是为了使市场评估更加准确，并更有效地管理风险。当投资组合经理在交易中应用机器学习算法、自然语言处理和人工智能工具时，他们有望更清晰地评估市场走势，缩小合适的投资选择范围，并管理风险。

机器学习算法以及自然语言处理工具融入到主要参与者的交易策略中，有助于他们提高这些流程的效率，并通过更快、更准确的投资决策和预测分析获得竞争优势。

在过去的几十年里，人工智能已应用于金融业的不同领域。在后台，机器学习算法用于查找执行日志中的异常、检测可疑交易以及管理风险，从而提高效率和安全性。在前台，人工智能有助于细分客户、自动化客户支持流程并优化衍生品定价。

然而，最吸引人的部分是人工智能为金融买方提供的功能——通过尽快分析大量数据，在市场噪音中识别预测信号。例如，此类应用可能包括时间序列预测、细分市场，当然还有管理资产组合。人工智能处理和分析大量数据集的机会有助于发现传统方法可能会错过的微妙模式。

几十年来，投资组合优化一直是一种常见的做法，在数据科学的发展和先进计算技术的实施下，投资组合优化发生了重大变化。经典方法，如 Markowitz 的现代投资组合理论 (1952) 和资本资产定价模型 (1964) 是在 50 多年前引入的，但仍然具有现实意义。然而，它们在处理非线性风险和对历史数据的依赖方面的局限性日益明显。

风险建模、情景分析和量化交易等实践已被 Renaissance Technologies、DE Shaw 和 Two Sigma Investments 等主要参与者广泛实施，从而推动了更复杂、更先进的算法的实施。此外，近年来，该行业受到了人工智能的极大影响，因为机器学习和人工智能使预测分析更加准确，并对个性化投资策略和自动化复杂决策流程也产生了同样的影响。

这种人工智能驱动的转型使投资组合经理能够实时处理大量数据并解决三大挑战：

• 可扩展性：现在更容易管理和分析来自多种资产和全球市场的大规模数据。

• 复杂决策：人工智能可以在决策过程中“记住”更多因素，包括心理和行为分析。

• 适应性： AI系统可以不断学习，适应新的市场条件，帮助管理者快速调整策略。

根据全球市场洞察，资产管理市场中的人工智能价值为 25 亿美元，预计未来 10 年复合年增长率为 24%。有趣的是，投资组合优化在全球市场细分中处于领先地位，其次是数据分析，占25% 的市场份额。

增加对人工智能资产管理解决方案的采用和投资，并强调人工智能在投资组合优化中的实际应用。

投资组合管理中的人工智能应用：

资产管理行业采用人工智能并不是一个新趋势；近年来，它一直在增长，但仍然仅限于少数市场参与者，即对冲基金、量化管理办公室、大型研究部门和使用 IT 服务的金融机构。

人工智能目前已有许多应用领域：

投资组合优化

人工智能显著改善了投资组合构建优化的过程。例如，马科维茨的现代投资组合理论的经典方法依赖于凸优化概念，是当代人工智能驱动方法的前身。这一基础理论之所以如此关键，是因为它构成了人工智能算法进一步改变和完善投资策略的基础。

如今，人工智能通过探索数据的新维度和集成先进的分析技术扩展了这一理论。扩展的数据能力使决策更加细致入微，这一做法已在业界得到广泛应用。

基本面分析

某些人工智能技术与量化管理完美兼容，利用大量有关公司基本面、宏观经济环境或市场状况的数据。机器学习算法可以发现不同变量之间复杂的非线性关系，当然，还可以检测出分析师无法发现的趋势。

文本分析

文本分析是人工智能在基本面分析中的另一种应用。人工智能使用自然语言处理 (NLP) 来处理和分析文本来源，例如公司收益报告、央行新闻稿和财经新闻。通过 NLP，人工智能可以从这些非结构化数据中提取具有经济和财务重要性的信息。通过这样做，它提供了一种定量和系统的衡量标准，可以改善和帮助人类的解释。

交易活动

人工智能的能力在交易中非常有用，因为交易的复杂性和对速度的需求处于平衡状态。人工智能通过自动化流程的许多阶段来支持算法交易，从而提高金融市场交易管理的效率。

投资咨询服务

人工智能为以更低的成本提供更广泛的个性化投资咨询服务提供了机会。这些系统使用复杂的算法来处理实时市场数据，根据客户的回报目标和风险状况制定出最适合个人需求的策略。

风险管理

在风险管理中，人工智能通过模拟各种“可能但不理想”的情景来提供帮助，这反过来又增强了只关注最可能结果的传统做法。

投资组合管理中的人工智能（AI）技术和工具

机器学习算法：

经典机器学习方法在投资组合管理中仍然非常流行，它们是：线性模型，包括普通最小二乘法、岭回归和套索回归。这些方法经常与均值-方差优化程序和矩阵分解技术（如奇异值分解 (SVD) 和主成分分析 (PCA)）相结合，这些技术是理解资产关系和优化投资组合配置的基础。

支持向量机 (SVM) 位于这些经典方法和更现代的方法之间。尽管 SVM 在实践中得到使用，但它们并不常用，但却发挥着重要作用，特别是在旨在预测股票表现的分类任务中。

这些任务通常包括预测股票是盈利还是亏损，使用包括股票价格波动和交易量在内的历史财务数据将资产分类并预测其表现。

谈到更现代的方法，神经网络在投资组合管理的机器学习方面取得了重大进展，并提供了改进的建模复杂非线性模式的能力，而这些模式很难用传统模型捕捉到。除了神经网络之外，其他经典方法（如监督学习和无监督学习）也进一步改善和完善了数据分析，使发现和利用微妙的市场信号成为可能。

强化学习和深度 Q 学习等新方法将这些品质带入快节奏的决策环境，在该环境中，可以根据系统从市场反馈中学习到的信息实时调整投资组合以优化财务结果。

自然语言处理（NLP）：

情绪分析等自然语言处理技术可以帮助从报纸文章、社交媒体帖子和分析师报告等内容中挑选出常见观点。此外，投资组合经理还可以分析金融媒体中使用的语言，包括公司的收益报告，以了解投资者情绪并预测市场走势，所有这些都是决策过程中的关键信息。

量化交易策略：

专门从事高频交易 (HFT) 的公司，例如那些采用人工智能量化交易算法的公司，利用市场中一瞬间的低效率赚钱。这些公司使用机器学习技术以极高的速度分析相关市场信息，并在短至一毫秒的时间内精确下单。

如此快速的执行使他们能够从套利机会中获益，并通过比竞争对手更快地对价格差异采取行动来实现利润最大化。虽然文艺复兴科技以其量化交易方法而闻名，但重要的是要记住其更广泛的战略，包括传统高频交易实践的各种持有期，而高频交易主要侧重于速度。

可解释人工智能（XAI）：

LIME（本地可解释模型无关解释）是一种著名的 XAI 方法，用于使复杂的机器学习模型的输出更易于理解。在投资组合管理中，这种方法对于解释黑盒模型如何进行预测非常有用。通过使用输入数据并分析对模型输出的影响，LIME 可帮助投资组合经理和数据科学家确定哪些特征比其他特征对投资决策的影响更大。

这一过程有助于提高人工智能决策的透明度，并支持验证和改进这些模型的易理解性。然而，虽然 LIME 提高了我们对模型行为的理解，但评估模型的整体可靠性需要额外的验证技术。

合规与监控领域的人工智能：

人工智能技术在确保遵守监管框架和监控金融行业内的投资限制方面发挥着重要作用。通过自动化这些流程，人工智能系统可以帮助金融公司更高效、更准确地遵守法律标准，避免陷入困境。这项技术在监控大量交易和多样化投资组合活动的合规性方面非常有价值，它可以快速（实际上是即时）识别偏离监管要求或内部准则的情况。

此外，人工智能的使用可以最大限度地降低人为错误的风险，这在高风险的监管环境中至关重要，因为错误可能会导致法律和财务后果。

投资组合重新平衡：

自动再平衡中的人工智能应用对于长期维持理想的资产配置至关重要。它们可以根据市场变化或投资者风险状况的变化调整投资组合，从而确保与战略投资目标保持一致。

从更广阔的视角来看

除了专门为投资而设计的应用程序外，人工智能在资产管理业务中的发展潜力似乎非常巨大。然而，尽管我们本能地看到了在运营链的各个阶段实现特定工作自动化的可能性，但仍然很难完全预测人工智能的颠覆性力量。这是因为随着更多进步的发展，人工智能有望催生新的应用领域。

尽管人工智能使技术进步和生产力提高成为可能，但我们必须注意人工智能的局限性以及它对投资组合管理某些方面造成的危害。首先，人工智能和机器学习方法依赖于用于输入学习算法的数据。

这些数据必须在更新性、准确性、完整性和代表性方面具有高质量。

除了需要大量数据（但并非总是可用）外，这些数据还必须具有良好的质量。否则，使用预测模型获得的结果将不可靠或不具弹性。

此外，算法还可能通过从分析的数据集中挑选出不相关的趋势来做出错误的假设，这可能导致错误的结论。这可能导致大规模抓取、过于急剧的跳跃以及最小的崩溃。由于许多管理相同人工智能算法的市场运营商可能同时做出错误决策或对实时情况做出类似反应，市场竞争力可能会丧失。这种风险可能是致命的。

尽管人工智能在投资组合管理方面具有潜在的优势，但与任何领域一样，我们必须牢记并最终解决许多挑战。主要困难之一是人工智能模型可能缺乏透明度和解释问题，这可能使管理者难以解释他们与人工智能合作的结果。这种使用复杂性可能是欧洲基金采用人工智能的比例相对较低的原因之一。截至 2022 年 9 月， 22,000 只基金中只有 65 只总部位于欧盟的公司声称在其投资过程中使用了人工智能。

欧洲金融市场管理局（ESMA） 已确定导致采用率低的因素包括缺乏明确的监管框架和基金经理缺乏 AI 技能。然而，由于模型复杂性而导致的解释 AI 结果的挑战也可能是导致采用率低的因素之一。我想我们会随着时间的推移找到答案。

目前看来，人工智能距离完全取代资产管理行业的真人还有很长的路要走。话虽如此，透明度、信任关系以及客户与管理专家之间的联系仍然是至关重要的特征，现在比以往任何时候都更加重要。

然而，我们不能否认人工智能带来了可用于价值链的新的和令人兴奋的工具，这些工具的潜力确实可以改变当今行业的面貌。