機器人將撰寫宏觀預測——彭博社
Matt Levine
LLM預測者
利用人工智能預測股價有兩種基本方法：
- 構建深度學習模型預測股價：搭建深度神經網絡，輸入大量股票歷史數據，訓練模型識別這些數據如何預測股票收益。然後在當前數據上運行模型，預測未來收益，購買模型認為會上漲的股票。
- 採用他人構建的深度學習模型——大型語言模型，擅長預測文本。該模型基於海量人類語言語料庫訓練，能出色回答諸如"以葉芝風格寫一首關於青蛙的詩"等問題。而你會詢問它類似"以巴菲特風格撰寫是否應購買英偉達股票的報告"的問題。模型通過學習巴菲特的寫作風格（反映其思維方式），其給出的答案——你希望——能真實反映巴菲特的可能觀點，或是一個有充足思考時間的計算機模擬版巴菲特的觀點。由於巴菲特擅長選股，這個合成版本對你很有用。閲讀報告後，如果機器人巴菲特説"買入"，你就買入。
第一種方法直觀合理，大致描述了各量化投資公司的實際做法：金融數據中可能存在預測未來收益的模式，而深度學習正是發現這些模式的統計技術。
第二種方法看起來……有點瘋狂、浪費且拐彎抹角？但又有趣而迷人？它通過先解決一個更困難也更普遍的問題來應對原問題：不是“海量分析數據以尋找預測股票上漲的信號”，而是“先造一個能逼真模仿人類意識的機器人，再訓練它模仿某位擅長選股的人類思維，然後給機器人一些股票基礎數據，最後讓它預測那個人類是否會判斷該股上漲”。
彭博社觀點專欄麻疹致死案例再現，科學再次敗北電動車殺手鈷礦適得其反，效仿歪心狼式翻車深度求索與《哪吒2》正重拾被習近平忽視的元素嘿Alexa，你終於找到真正的商業模式了嗎？我的印象是，有人用第一種方法取得了顯著成功——比如文藝復興科技公司——而第二種方法主要是我在開玩笑。但也不*完全是。*第二種方法有幾個關鍵優勢：
- 別人——OpenAI、xAI、深度求索或其他公司——已經斥巨資為你搭建了大語言模型。如果你處於機器學習前沿且能承擔海量數據、研究員和算力成本，儘管去建股票預測模型；但如果你只是，比方説，一名學者，用別人的模型可能更簡單。大語言模型公司廣泛開放模型，股票模型公司則不然。你不可能每月花20美元就用上文藝復興的股價模型。
- 由於大語言模型輸出的是自然語言，其推理過程具有股票模型不具備的可解釋性。股票模型只會説“我分析了10萬組時間序列數據的全部組合，用其中37314組構建了非線性信號，信號顯示英偉達會漲”，追問原因時它回答“就是這37314組數據”。你只能選擇相信。而機器人沃倫·巴菲特會給你寫份漂亮報告，列出該買英偉達的理由。這些理由可能純屬虛構，但你可以驗證。我曾寫道：“對金融領域人工智能的一個常見質疑是：計算機如同黑箱，選股理由人類無法理解——其推理過程不透明，你難以判斷依據是有效邏輯還是虛假關聯。讓計算機給你寫投資備忘錄就解決了這個問題！”
- 我確實認為，在對話框裏與機器人沃倫聊天的美學和社會吸引力，不同於黑箱給出的股票清單。這對嚴謹的量化對沖基金或許不重要，但對某些人必然重要。我們去年討論過一家為散户提供‘選股建議聊天機器人’的初創公司，其目標似乎不是‘機器人總能推薦上漲股票’，而是‘提供與人類經紀人對話的逼真模擬’——而人類經紀人也無法永遠推薦上漲股票。以前你打電話給經紀人，現在可以發消息給聊天機器人了。
因此，我們去年也討論過一家交易所交易基金公司，該公司將使用大型語言模型來模擬人類專家——那些具備特定人類特徵（如巴菲特）的專家——進行股票選擇。為什麼要使用LLM而不是構建一個直接預測股票價格的模型呢？因為LLM已經存在，數據也已經存在，而且這種手法比“這是我們的黑匣子”更人性化一些。
無論如何，這裏有一篇關於“模擬專業預測者調查”的論文，作者是Anne Lundgaard Hansen、John Horton、Sophia Kazinnik、Daniela Puzzello和Ali Zarifhonarvar：
我們使用大型語言模型（LLM）模擬專業預測者的經濟預測。我們利用從專業預測者調查中手工收集的參與者特徵數據集構建了合成預測者角色。然後，這些角色被提供即時宏觀經濟數據，以生成對SPF調查的模擬響應。我們的結果表明，LLM生成的預測與人類預測相似，但通常具有更高的準確性，尤其是在中期和長期範圍內。我們認為，這種優勢源於LLM能夠從過去人類預測中提取潛在信息，同時避免系統性偏差和噪聲。我們的框架提供了一種成本效益高、高頻率的替代方案，通過結合人類專業知識和人工智能的精確性，補充了傳統的調查方法。
試想，你可以通過將大量當前宏觀經濟數據輸入深度學習模型，並嘗試讓它做出預測，來預測未來的宏觀經濟數據。這種方法直接回答問題的優勢明顯，但也存在重要缺點，比如“需要大量數據”和“必須構建模型”。
或者，你可以通過向商用大型語言模型輸入一些當前數據，並要求它模擬人類預測者的行為，來預測未來的宏觀經濟數據。這種方法的優勢在於模型已經存在，你只需輸入一個合適的提示，可能比大型宏觀模型所需的數據量少得多。此外，還存在“過去人類預測中編碼的潛在信息”。論文中提到：
考慮預測未來H期的經濟變量向量yt+H的問題。我們假設真實的預測過程由函數f決定，該函數依賴於時間t時可用的兩類信息：可觀測數據xt和不可觀測因素zt，加上一個不可預測的零均值誤差ε。……
不可觀測因素zt代表任何有助於預測yt+H但未被xt捕獲的額外信息。這可能包括私人見解、隱性領域知識、內化的啓發式方法和直覺。
人類可以訪問可觀測和不可觀測的信息。然而，他們對這些信息的處理並不完美，這會引入一個誤差項。……
相比之下，算法只能訪問xt，但它們能高效處理xt。……這代表了使用機器學習技術的傳統算法預測。然而，我們使用的是大型語言模型（LLMs），它們以非確定性的方式形成預期。
也就是説：人類能為宏觀經濟預測帶來一些獨門秘訣，某種額外的洞察來源——比如“隱性領域知識”等——這些是機器學習算法用於預測的數據所未能捕捉的。但如果你在人類身上訓練一個機器學習算法*，*它就能掌握這種人類特有的秘訣，從而做出更準確的預測。
貝萊德DEI貸款
七百年前（即2021年），貝萊德公司與富國銀行牽頭的一組銀行達成協議，借入一筆資金1。作為協議的一部分，貝萊德與銀行們為貝萊德業務設定了三組“可持續發展目標”：增加黑人和拉丁裔員工比例、提升女性領導層佔比、擴大遵循可持續投資指令的資產管理規模2。若達標情況良好，其信貸安排的承諾費（即使未實際動用資金也需每年支付給銀行的費用）將在約定基準費率基礎上降低0.01%，實際提款時的利率則降低0.05%。若多項指標嚴重未達標，承諾費與利率將分別上浮0.01%和0.05%。這意味着若貝萊德多元化表現極佳，其每年（在承諾費方面）可比表現極差時少支付0.02%。（據我所知該公司尚未動用該信貸額度，故重點分析承諾費。）
你可以嘗試用常規信貸分析的方式來解讀這一條款。許多信貸協議都會包含針對貸款風險變化的利率調整機制。比如，協議中可能將利率與信用評級、淨收入或槓桿比率掛鈎：如果公司信用風險上升，就需要向銀行支付更高利息；若風險降低，則可減少利息支出。這裏也可以套用類似邏輯：“這些可持續發展目標實際上提升了企業的長期可持續性——顧名思義——因此貝萊德領導層越多元化，公司就越穩定，債務安全性就越高。所以在貝萊德多元化程度更高的情境下，銀行應該願意接受比多元化不足時低0.02%的利率，因為更高多元化的狀態對信貸更有利，銀行希望通過利率激勵貝萊德做出有利於信貸質量的決策。”
但我認為這種分析並不恰當？3更準確地説，我不認為這是銀行或貝萊德的真實考量。我持此觀點有多重原因，其中一個簡單事實是：0.02%的幅度實在微不足道。銀行評估信貸風險時，通常考慮的是"若該公司收入大幅下滑，信用風險將顯著上升，我們應大幅提高利率"這類情況，調整幅度至少是中等規模；信貸決策很少會精確到0.02%這樣的微調。雖然理論上更多元化的貝萊德確實可能比不夠多元化時風險低0.02%，這個價差或許成立，但若真如此，那更像是種幸運的巧合。
一個更現實的分析可能是：
- 2021年，銀行樂於宣稱自己正在發放大量可持續、與可持續發展掛鈎、ESG（環境、社會和治理投資）等類型的貸款。添加一個——微小的——多元化激勵措施，就將這筆貸款轉變為“與可持續發展掛鈎”貸款，銀行可以在報告中聲稱他們正在開展大量可持續貸款業務。
- 2021年，貝萊德也非常熱衷此類舉措，獲得與可持續發展掛鈎的貸款為其帶來了良好的輿論反響。
無論如何，那都是700年前的事了。以下是《華爾街日報》今日報道：
貝萊德在最新年度報告中刪除了關於其多元化、公平與包容戰略的表述，加入了華爾街金融機構和企業僱主與DEI（多元化、公平與包容）保持距離的行列。
這對貝萊德而言是一個特別顯著的轉變，其首席執行官拉里·芬克曾一度積極推行DEI和環境、社會及治理投資。
“正如我們對其他公司的要求一樣，我們制定了旨在改善貝萊德多元化、公平與包容的長期戰略，“芬克在2021年致股東信中寫道，“要真正推動變革，我們必須將DEI融入所有業務環節。”
在週二提交的年度報告中，這家全球最大資產管理公司刪除了過去報告中關於多元化及包容性員工隊伍是"商業必需且不可或缺"的聲明。
貝萊德移除了對其"DEI三大支柱戰略"的表述，同時消失的還包括"貝萊德認為透明度和可衡量性是其戰略關鍵"的聲明，以及按性別和自我申報族裔分類的美國員工數據。
而且——或許更實質性地：
年度申報文件中的一個微妙腳註顯示，貝萊德以另一種方式退出了DEI（多元化、公平與包容）。2021年，該公司與多家銀行達成了一項融資協議，將44億美元信貸安排的借款成本與其實現某些目標的能力掛鈎，例如達到高級管理層中女性比例以及員工中黑人和拉丁裔比例的目標。
貝萊德表示，這種與ESG（環境、社會與治理）掛鈎的信貸安排是當時的一種新穎安排，將增強其問責制。
這些指標將不再強制執行。貝萊德週二披露，已修改信貸安排，“更新與可持續發展掛鈎的定價機制，刪除現有指標”。
這裏是年度報告；顯然，與可持續發展掛鈎的指標已於2024年5月被刪除，未來可能會設定“新指標（如果有的話）”。4 我真想看看那些談判的場景。你覺得他們吵起來了嗎？
貝萊德： 我們需要停止這種做法：如果我們不夠多元化，就多付你們0.01%；如果我們非常多元化，就少付你們0.01%。
銀行： 什麼？這些指標對我們的信貸分析至關重要，我們不同意直接刪除。你們承諾過會努力實現多元化目標，如果做不到，我們將不得不重新評估整個貸款關係。
貝萊德： …
銀行： …
貝萊德： 哈哈。
銀行： 啊哈哈哈，剛才我們逗你玩呢。沒事，刪就刪吧，誰在乎啊，我們也不再報告與多元化掛鈎的貸款了。
這有點讓人惱火。貸款協議主要是由想要某樣東西的貸款人和想要另一樣東西的借款人之間協商達成的。一般來説，如果貸款協議規定借款人在某些情況下必須支付更多，那是因為貸款人擔心這些情況，並堅持要求一些保護和激勵措施。如果借款人來找貸款人説“我們能忘了那件事嗎”，貸款人會回答“不行”或“什麼”或“你遇到麻煩了嗎？”
因此，在2021年，當貝萊德簽署這份協議時，它本應傳達某種代價高昂的承諾：如果我們未能實現多元化目標，我們將付出代價，因為對方有出於經濟動機的銀行會要求我們實現這些目標。但事實並非如此！這幾乎全是假的。沒有真正的承諾，當這對貝萊德變得不方便時，對銀行也同樣不方便，他們就可以直接忘了這件事。
關聯方
傳統上，如果你是一家上市公司的首席執行官，同時又是另一家公司的大股東，而你的上市公司與你擁有的另一家公司達成交易，那就是利益衝突。你上市公司的董事會應該成立一個由獨立董事組成的特別委員會來審查交易並確保其公平性，你應該回避談判，當交易發生時，你的上市公司將不得不廣泛披露，以便股東瞭解你在做什麼。
埃隆·馬斯克是特斯拉公司的首席執行官，同時他也曾是太陽能公司SolarCity Corp的大股東。2016年，SolarCity陷入困境，馬斯克決定——抱歉抱歉，是特斯拉和SolarCity的董事會決定——特斯拉應該收購SolarCity。交易完成後，特斯拉股東提起訴訟，圍繞馬斯克旗下公司救助另一家公司時存在的明顯利益衝突，展開了一場曠日持久的法律戰。最終馬斯克勝訴，法官裁定這筆交易及其批准過程雖不完美，但已足夠合理。
此後馬斯克轉向了更宏大的事業，而《華爾街日報》的Jonathan Weil今日提出疑問：埃隆·馬斯克是否擁有美國政府？如果是，這對特斯拉的信息披露義務意味着什麼？
核心問題在於：根據通用會計準則，特斯拉與政府是否構成"關聯方”？答案似乎是肯定的，儘管這聽起來很不可思議……
關聯方認定意味着特斯拉在向投資者披露時，可能需開始報告與政府之間的重大交易。這也將凸顯馬斯克已獲得何等巨大的權力。美國會計準則指出，要求此類披露的原因是"涉及關聯方的交易不能假定是在公平交易基礎上進行的，因為可能不存在競爭性自由市場交易條件”。
其他上市公司如美國國際集團、通用汽車、房利美和房地美曾在其披露中將美國政府列為關聯方，但這是因為政府在2008年金融危機期間救助了它們並持有大量股權。如果特斯拉開始在投資者報告中把政府列為關聯方，那將是因為馬斯克對政府施加的控制力，而非相反情況。
根據美國會計準則，如果一方"能對另一方的管理或經營政策施加重大影響，以至於交易方可能無法完全追求自身獨立利益"，則特斯拉與政府將被視為關聯方。
我不清楚特斯拉與政府有多少商業往來；這對SpaceX可能更相關，但SpaceX是私營企業，因此對其財務的關注較少。不過：當然。我們還沒到特斯拉需要將政府合併進其財務報表的地步，那會是個更有趣的結果。把34萬億美元的政府債務塞進特斯拉的資產負債表，就為了戲弄分析師。
另外，彭博社的卡拉·卡爾森報道：
上個月埃隆·馬斯克在特朗普總統的就職活動上做出類似納粹敬禮的手勢後，[特斯拉車主泰·赫爾頓]再也不想與這個品牌有任何瓜葛。
“我開着它時的自豪感和美好感覺已經消失了，“赫爾頓談到他那輛只開了約2500英里的Model 3時説道。這位政治立場温和的49歲車主計劃提前還清車貸，並在年底前置換掉這輛轎車。
赫爾頓的情況在特斯拉客户和消費者中並非個例。這家電動車製造商1月份在歐洲的銷量下降了45%，這是其全球交付量十多年來首次出現年度下滑。在其首席執行官以違背特斯拉宣稱的使命和價值觀的方式介入政治的地區，該公司尤其顯現出壓力跡象…
“特斯拉2025年最大的挑戰不是技術——而是公眾認知，“丹麥盛寶銀行（客户資產超1050億歐元）全球投資策略主管雅各布·法肯克龍表示，“埃隆·馬斯克的政治包袱現在正拖累銷量、品牌忠誠度和投資者信心。”
讀者時不時會發郵件問我類似這樣的問題：“如果埃隆·馬斯克持續發表疏遠特斯拉客户、打壓銷量和市值的政治言論，這是否違反了他對股東的信義義務？”我的回答大概是：不知道，你何不在德州新成立的商業法庭起訴他試試看？
總體而言，這類訴訟——涉及的並非利益衝突交易，而是CEO做出爭議性決策——通常很難勝訴。但我也認為萬物皆可證券欺詐，我們去年討論過針對塔吉特公司的訴訟，該訴訟指控其通過舉辦“驕傲月”營銷活動激怒顧客，並聲稱這構成證券欺詐。在我看來這個案子勝算不大，但佛羅里達州一位聯邦法官允許其繼續審理，所以誰知道呢。我不太看好你在德州起訴埃隆·馬斯克的極右挑釁行為違反股東信義義務能贏，但若能驗證這個結果倒也有點意思。
初級銀行家簡歷
在要求AI模仿人類意識的其他領域：
致使用AI輔助撰寫簡歷的初級銀行家們：招聘公司已經識破你們了。
華爾街獵頭公司表示，“縝密”“一絲不苟”等詞彙暴露了銀行業求職者用AI潤色簡歷的痕跡。其他破綻還包括過度使用的短語如“不斷演進”，或當候選人聲稱自己“在塑造某事物中發揮關鍵影響”時。
與眾多求職者一樣，年輕銀行家正越來越多使用ChatGPT等AI工具撰寫簡歷。但當他們未認真校對申請材料導致錯誤頻出時，就成為了招聘方的顧慮。這對注重細節、追求精確且反感走捷徑的投行僱主而言，無疑是危險信號。
“如果此人都不願花時間認真製作簡歷，我為何要費心審閲並面試他們？”塞爾比·詹寧斯投行招聘主管布賴恩·斯特林表示，“這些銀行家首份工作的主要內容就是為客户整合金融模型和演示文稿。如果僱主看到一份錯誤頻出或千篇一律的簡歷，很可能直接亮紅燈。”
什麼？我簡直不敢相信。首先，AI之所以會提出陳詞濫調的建議，是因為它是在充斥着套話的簡歷數據上訓練的。AI建議人們在簡歷中自稱"一絲不苟”，正是因為人類自己寫的簡歷就愛用"一絲不苟"這種詞。
其次：投資銀行看到初級求職者的簡歷"看起來千篇一律"就認為是危險信號？你聽聽這像話嗎？來，我這就給你寫一份完美的初級銀行職位簡歷：
教育背景：
- 哈佛大學應用數學學士- GPA：4.0- 長曲棍球隊隊長- 投資俱樂部主席
工作經歷：
- 2024年暑期在摩根士丹利金融贊助集團實習：在動態變化的金融贊助覆蓋工作中發揮重要作用。精心構建了穩健的槓桿收購模型。- 2023年暑期在某市值千億美元的工業集團管理崗實習（注：我母親是該公司CEO兼控股股東）。
瞧，搞定了，根本不需要AI。“千篇一律”？千篇一律才好呢。
財經速遞
華爾街賭徒遭重創，槓桿ETF虧損達40%。英偉達AI熱潮讓戴爾等合作伙伴賺得盆滿缽滿，但代價不小。貓頭鷹餐廳破產危機連累本應防破產的債券。通用汽車加碼股東回報，宣佈新回購計劃並提高股息。中國將向多家大型銀行注資至少550億美元。FTX9.5億美元破產費用創雷曼危機後最高紀錄。私募股權公司Roark接近以10億美元收購Dave’s Hot Chicken。研究發現工業化社會人羣睡眠質量更好。女子承認企圖詐騙貓王家族雅園莊園。蘋果承諾修復文字轉換漏洞——該漏洞會把"種族主義者"誤轉為"特朗普”。
如果您想以方便的電子郵件形式在收件箱中獲取《Money Stuff》，請點擊此鏈接訂閲。或者您可以在此處訂閲《Money Stuff》及其他優秀的彭博新聞簡報這裏。謝謝！