對沖基金爭相將ChatGPT從實習生轉變為分析師 - 彭博社

ChatGPT的標誌在一台筆記本電腦上。攝影師：Gabby Jones/Bloomberg克里斯·普爾曼曾花兩天時間為中央銀行會議準備預覽。現在，Balyasny資產管理公司的首席經濟學家只需30分鐘。

多虧了新一代增強型人工智能，聊天機器人現在承擔了他耗時的研究工作。從總結華爾街經濟學家的觀點和生成圖表，到提取貨幣官員的最新聲明等等。在普爾曼的輸入下，AI程序將所有這些市場智慧整合到一個模板中，以展示他的利率預測。

“我們發現它們實際上比你最初想象的要強大得多，”Balyasny的經濟學家説，指的是大型語言模型。“但它們並不是開箱即用的。”

在OpenAI公司推出ChatGPT並引起轟動20個月後，包括Two Sigma Investments和Man Group在內的對沖基金經理們正在爭相利用這一技術的顛覆潛力，將聊天機器人整合到他們的日常研究和投資過程中。銀行也在利用這些工具，摩根大通上個月向資產和財富管理部門的員工 推出了自己的ChatGPT，而高盛集團正在構建自己的 平台。

對於這些早期採用者來説，他們在部署新技術以獲得投資優勢方面經驗豐富，聊天機器人可以像任何渴望取悦的實習生一樣執行 繁瑣的任務，包括篩選監管文件、總結研究和編寫基本代碼。

但是，能夠輸出聰明投資想法、詳細研究和可靠預測的完整分析師聊天機器人？這仍然遙不可及，就像華爾街擔心新技術將難以證明今年的瘋狂股市反彈。

查理·弗拉納根來源：Balyasny資產管理公司儘管如此，快錢支持者仍然堅定地相信，隨着對聊天機器人實際侷限性的更深入理解，他們的投資將獲得切實的收益。

騰出更多時間後，普爾曼認為他可以將生成AI提升到更高級別，利用它獨立提出複雜的代碼和經濟預測。他表示，AI在兩到三年內處理70%到80%的國家經濟學家在金融領域所做的事情是“合理的”。

要實現這一目標，行業必須面對幾個重大問題。其中包括生成AI可能會隨意編造內容，在這裏拋出一篇虛假的研究論文，或在那裏出現一個錯誤的市場事實。它在處理抽象或多層次問題時也面臨困難——沒有人類的密集指導。

在一個實例中，Balyasny 的投資組合經理想看看他們的聊天機器人是否能夠從更高的關税中找出股票的贏家或輸家——這是一個合理的問題，但它一開始無法回答。工程師們首先必須通過將這種情況分解為一系列子問題來訓練模型。在掃描了 20,000 份文件並逐步進行後，花費了 99 分鐘才形成一個令人滿意的答案。

“我們依賴於一名初級實習生的能力：你讓 AI 用內部數據源進行一些簡單的分析，它會做到，但你要麼必須給出很多非常具體的提示，要麼分析本身相當基礎，”Balyasny 的應用 AI 負責人 Charlie Flanagan 説，該公司管理着約 220 億美元。“那麼，我們如何將其從初級實習生提升到高級實習生，再到初級分析師，以便在 2024 年底，人們能夠提出相當有深度的問題？”

閲讀更多：隨着 AI 成本飆升，投資者接受少即是多的數據策略

這一切都不便宜。高盛估計，在未來幾年內，構建整個經濟的 AI 基礎設施將花費超過 1 萬億美元。Balyasny 有一個 12 人的 AI 團隊，而 Man 剛好有六個人專門致力於生成 AI。像 ChatGPT 或 Anthropic 的 Claude 這樣的完全訓練系統對每次增量使用收費，而從像 Meta 的 Llama 這樣的開源模型構建一個系統則需要在人才和計算能力上進行大量投入。

能夠解讀交易文本的機器人在華爾街並不新鮮。多年來，計算機一直在掃描新聞文章和財報記錄，以瞭解其市場影響。但 ChatGPT 的吸引力在於它將所有這些 提升到一個新層次：解析上下文，連貫地回答問題，並利用大量來源得出複雜的結論。

Man Group 聊天機器人的演示，可以在基金文件中查找信息來源：Man Group“我們已經超越了對他們原生能力的印象，”Man Group 數據和機器學習負責人 Tim Mace 説。“它必須和人類潛在的能力一樣好或更好。”

在這家市值 1780 億美元的倫敦管理公司，低垂的果實是利用人工智能提高人類的生產力，通過生成價格圖表或從債券招股説明書中提取信息。目前，該公司認為將大型語言模型直接嵌入系統交易模型還為時尚早，因為這些模型的直接人類監督較少，Mace 補充道。

然而，這種現實主義掩蓋了宏偉的抱負，Man 討論了人工智能有一天能夠搜索其研究數據庫、生成假設並創建測試代碼的可能性。或者，它將能夠從其攝取的大量數據中發現微妙的經濟關係，從而指導交易，例如，買入一種證券並賣出另一種。

Tim Mace來源：Man Group即使目前人工智能在認知能力上落後於人類，它在速度和規模上也具有優勢，Two Sigma 特徵預測副主管 Ben Wellington 説。他指出了跟蹤企業高管離職的例子。雖然像他這樣的量化分析師過去需要通過特定的關鍵詞或表達式編寫公式來識別後者，但現在他可以通過查詢大型語言模型更快地做到這一點。

“如果我有50個想法的清單，也許我之前可以研究10個，”他説。“我現在可以以相對較低的成本從10個想法擴展到25個，因為我不需要為每個想法建立團隊或工具。”

許多成功的使用案例需要的遠不止一個現成的GPT。Balyasny的Flanagan展示了一個例子，其中其GPT閲讀了一篇關於交易策略的學術論文，並計算了它在歷史上的表現。為了做到這一點，該模型實際上是使用了他團隊編寫的計算器，而不僅僅是聊天機器人。

生成AI會“告訴你一個完全虛構的故事，並對此絕對確信”，因此人類判斷將始終是最終的把關者，Two Sigma投資管理的戰略數據科學負責人Claudia Perlich在6月的彭博投資會議上表示。

為了避免捏造事實的風險，許多公司使用一種稱為檢索增強生成的技術，讓AI查看特定的額外來源。良好的提示措辭也會產生很大差異。

“觀察它的工作過程非常有趣，因為你可以看到它説，我得到了這個信息，這是我應該採取的下一步，”前谷歌工程師Flanagan説。“但我們仍然在強迫模型以那種方式運作。”

對於一些資金管理者來説，早期投資的賭注是，如果未來的突破能夠使大型語言模型更接近人類智能，他們將領先於競爭對手，正如OpenAI等公司所 設想的。

這還沒有什麼確定性。在Atalaya Capital Management，這是一家大約100億美元的私人信貸公司，生成AI大大加快了其設備租賃業務中尋找潛在借款人和起草法律合同的過程。然而，數據科學負責人Andy Halleran表示，人類仍然牢牢掌控着投資選擇和條款談判。

所以雖然它可能是華爾街上最勤奮的實習生，但晉升為全面分析師的門檻很高。

“他們仍然沒有達到可以讓你給他們一個非常寬泛的任務的水平，所以你不能説：‘嘿，這個投資好嗎？’”他提到ChatGPT的提示時説。“如果某人已經有了工作流程，而你希望他們做新的事情，那就不僅僅是稍微好一點，稍微方便一點——而是必須好得多。”

麥肯錫公司正在看到尋求與人工智能相關項目的客户數量增加，因為技術的快速採用幫助這家諮詢巨頭及其同行在經歷了一段動盪後提升收入。

這家總部位於紐約的公司的大約40%的客户項目涉及該技術，在過去12個月中，與人工智能相關的客户數量接近500，羅德尼·澤梅爾，該公司的高級合夥人兼數字業務負責人，在一次採訪中表示。他沒有詳細説明這些收入來源的潛在收益。