AI 如何变革投资 🌟

引言

尽管最近人工智能（AI）的变革潜力才逐渐成为焦点，但这些技术在过去近二十年中一直在我们的系统化投资方法演变中发挥着关键作用。与通用聊天机器人相比，我们用于证券分析的大型语言模型（LLM）是在更窄、更精心策划的数据集上训练和微调的，以高精度执行特定的投资任务。

在应对动态市场主题时，我们的Thematic Robot工具将人类洞察力与LLM和大数据的力量相结合，以更高的效率和更广泛的曝光度构建股票篮子。

LLM的兴起和生成式AI工具的公开可用性激发了人们对AI在变革社会、经济和工作流程方面潜力的极大兴趣。随着AI在各个行业的影响力不断扩大，这篇文章探讨了其在投资管理中的影响和应用。在BlackRock Systematic，AI和机器学习在我们的投资过程中发挥了关键作用已有近二十年。我们利用这些能力，不断从定性领域转向定量领域，增加我们能够测量的广度，以追求更精确和差异化的投资结果。

使用AI从文本数据中发掘投资洞察

LLM代表了AI研究的一个重大飞跃，其背后是模型的进步、计算能力的巨大增长以及可用于训练的数据量的增加。最新一代的模型利用了transformer技术，这是一种神经网络架构，能够处理长序列的元素（如句子中的单词），同时考虑上下文关系。现代LLM训练在庞大的文本数据上，其规模相当于超过1000倍的维基百科大小。在训练过程中，这些模型不仅获得了语法知识，还获得了一些事实知识和基本的常识推理能力。

LLM在投资应用中的一个重要技能是能够高效分析和提取现有文本数据中的细粒度洞察。作为系统化投资者，我们综合分析师报告、公司财报电话会议记录、新闻文章和社交媒体等各种文本来源的信息，以帮助预测投资并发现潜在的alpha机会。

我们的早期文本分析方法侧重于计算文档中正面和负面词汇的数量，以创建总体情绪评分。虽然这些信号被证明是有效的，但它们并未设计为考虑影响文本意义的广泛因素。今天，我们利用LLM整体处理文本，考虑句子中单词之间以及整个文档之间的关系。

图1 使用单词“公司”作为示例，模型评估其他单词对其意义的重要性。最相关的单词用最深的橙色突出显示，包括公司的名称（“XYZ”）、“强”和“收益”。颜色的较浅色调表示较不重要的连接。这种更深层次的分析能力在可用文本数据的广度上进行扩展，旨在提取在我们证券分析中更细致、有价值的洞察。

通用聊天机器人背后的LLM在与多个主题相关的大量数据输入上进行了训练，使它们能够执行广泛适用的多种任务。相比之下，我们在投资过程中使用的LLM经过微调，以高精度执行特定的投资任务，例如预测公司财报电话会议后的市场反应。这些模型在更窄、更具体的数据输入集上进行训练，以高精度执行该任务。

图2 比较了我们的财报电话会议模型与OpenAI最近的GPT模型的预测准确性，使用了2024年第一季度发生的500个公司财报电话会议的随机样本。有趣的是，我们的分析表明，OpenAI的GPT模型在新版本GPT-4中预测准确性有所下降。一个可能的解释是，这些模型在每个新版本中都强调提高其作为通用助手生成被人类感知为有帮助的输出的能力。有一些证据表明，这种形式的微调加强了通用能力，但牺牲了其他应用的性能，这可能导致在特定预测任务中的表现下降。这与我们的专有模型形成对比，后者经过训练，在超过40万个财报电话会议记录和二十年的历史市场数据中学习财报文本与后续市场反应之间的关联。

利用AI导航驱动市场的主题

LLM在我们导航市场相关主题的动态宇宙中也发挥了关键作用。主题可以跨越广泛的主题，从长期趋势到新兴的巨大力量，往往在证券之间驱动显著的回报，这些证券可能在其他方面没有关联。

当某个主题引起市场注意时（例如向远程办公环境的快速转变或突破性创新的发布），投资者通常会构建定制的证券篮子，这可能是手动的且耗时，或者利用现有的经纪人篮子，可能缺乏透明度和广度。这些挑战促使我们设计了一个快速灵活的股票篮子构建过程，即Thematic Robot。这个“机器人”允许我们将LLM的力量与我们的专有数据相结合，通过单一流线型工具构建多头/空头或仅多头股票篮子。

以下是一个案例研究，展示了一个投资组合经理如何使用这个工具围绕GLP-1主题构建一个篮子——GLP-1是一类迅速流行的减肥药。这个例子展示了LLM的深厚知识库，通过分析会议记录中的文本，帮助在几分钟内发现广泛的正面和负面暴露。

识别与市场主题相关的股票可能是复杂的...新闻标题“股B药物显示出对肾脏的前景，Fresenius Medical受挫”，“Ozempic威胁导致糖果和啤酒股票抛售”，和“股A和股B将在1000亿美元的减肥药市场中领先”。

这些主题的“赢家”往往容易识别，而“输家”可能更难识别，需要考虑第二和第三阶效应。这些效应会影响多个行业和地理位置。

投资组合经理的专业知识在这一过程中发挥了重要作用，从定义具体主题或场景，到用人类确定的先验数据定制分析，再到透明地迭代输出并完善投资组合中的洞察。工具的目的是为主题篮子构建带来速度和规模，提供全面的视角，涵盖与主题直接或间接相关的公司。

我们在系统化策略中广泛应用这些主题洞察，包括在股票投资组合中利用alpha，衡量现有投资组合对新兴主题的曝光度，以及在推动市场的各种主题之间战术性轮换。

在上面的例子中，机器人帮助识别了一个主题交易的更不明显的部分，几乎不需要人工干预。然而，也有一些场景需要投资组合经理的输入，以纠正LLM的错误或提供更多上下文来改善输出的质量。虽然LLM的进步和框架的持续发展旨在减少技术的限制和相关风险，但人类专家的参与仍然是任何AI在投资管理中应用的关键。

结论

AI的普及和可访问性引发了对其在投资世界中潜在影响的浓厚兴趣。在BlackRock Systematic，我们多年来一直利用AI和机器学习，帮助大规模部署投资直觉，例如利用LLM提高我们基于文本的投资分析的精确性和构建主题篮子的效率。随着市场的动态演变，这些能力旨在将数据转化为有价值的洞察，以追求更好的投资结果。

作者信息

• • Raffaele Savi: 黑岩集团系统化投资负责人兼系统化股票的联合负责人和联合首席投资官

• • Jeff Shen, PhD: 黑岩集团系统化股票的联合负责人和联合首席投资官

• • Yaki Tsaig: 黑岩集团系统化股票的研究科学家

• • Taylor Dufour: 黑岩集团系统化股票的研究员和投资组合经理

欲了解更多信息，请阅读BlackRock上的完整文章。