华尔街量化交易员如Robeco、安联伯恩斯坦加入人工智能聊天机器人热潮-彭博社

抓紧套现正在利用长期以来大学研究人员和系统投资者之间的紧密联系，并开放情感分析。

摄影师：SeongJoon Cho/BloombergJesse Livermore扫描趋势线。沃伦·巴菲特寻求安全边际。彼得·林奇押注增长率。在市场的悠久历史中，交易系统和投资公式占据了尊崇的地位。

然而，即使是金融传奇人物也无法预测人工智能支持者如今正在梦想的事情，这要归功于ChatGPT等语言模型的计算能力。

在这个新世界中，有自动化程序，如果公司高管进行不必要的离题或者跳跃，就会发出警告信号 —— 这可能是对未来感到焦虑的迹象。另一个人工智能模型会解析产品蓝图和商业幻灯片中的图表，试图预测股票波动。甚至还有一个交易工具，比较高管实际声明与机器虚构对话，以某种方式确定市场流动性。

学术界不断涌现出一系列听起来很有创意的投资理念。

Mike Chen, Robeco来源：Robeco机构资产管理有限公司当然，量化交易员已经花了数十年的时间试图揭示美国企业中隐藏的股票预兆，取得了一些成就。但自然语言处理——处理文本理解的人工智能分支——由于聊天机器人的奇迹再次成为热门玩具。追逐利润的热潮正在利用大学研究人员和系统性投资者之间长期存在的联系，并在所谓的情绪分析领域开辟了新的疆域。

Robeco量化策略管理的资产规模达820亿美元的Mike Chen表示：“基于词典的基本情绪分析——绝对会被套利掉。你可以做得更多。”

在其核心，语言数据处理旨在通过分析数字背后的文本意义，帮助量化交易员更好地预测未来。可以想象一位分析师阅读新闻或听取盈利电话，但是在一瞬间扩展到追踪每家公司的每一个时刻的无数信息源。

除了文本分析，还有大量研究分析视频中的说话 语气，面部表情，甚至表情符号。在Robeco，量化交易员最近开始分析盈利电话中高管的语气和音调，以判断他们真正的信心。数据提供商Stockpulse今年开始整理有关经济和各家公司的意见领袖在TikTok上的发言。

在AllianceBernstein，数据科学家Andrew Chin和Yuyu Fan正在全力以赴地利用人工智能工具来发现公司言辞中的隐含含义。并非每次尝试都奏效。例如，当他们深入研究中国公司如何总结经纪人的现场访问时，他们发现文本越复杂 —— 如句子长度和不必要的词语 —— 越多的证据表明该公司正在挣扎。

另一方面，单词数量除以经纪人活动的长度，作为言语速度的代理，并没有太多意义。在美国的盈利电话会议中，他们研究了“我们”代词的使用作为合作和团结的标志。这也被证明毫无意义。

“我们真的试图生成一系列广泛的信号 —— 有时数百个 —— 但并不意味着它们都会奏效，”这家管理规模为6690亿美元的公司的高级数据科学家Fan说。

多年来，盈利电话会议的情绪趋向更加积极，这可能是高管操纵信号的迹象。来源：Wolfe Research来源：Wolfe Research而机器阅读过去依赖于计算积极和消极的词语，现在聊天机器人背后的大型语言模型在解析上下文方面要好得多，即使是跨越曲折段落。这些机器人不仅声称能够对非结构化内容进行结构化，还承诺能够自动化研究任务，并以极快的速度生成新的交易理念。而仅ChatGPT的引入 —— 它已经吸收了足够多的文本，对所有主题都有很好的把握 —— 就是一次制度性转变。学术研究人员已经发现，仅仅告诉聊天机器人评价一条新闻标题对股票是好还是坏，产生的结果比以往的方法更好。

同时，人工智能炒作也反映了量化专业人士学术生活中的尴尬事实：构建一个新的研究玩具，论文就会涌现。早在ChatGPT出现之前，市场从业者就对新发现的选股方法的泛滥表示担忧。甚至还有一个讥讽的称呼： “因子动物园”。

新的研究技术加速了交易理念的蓬勃发展，但市场上存在大量噪音。

“其中一些可能有用，但很可能许多并不实用，”Wolfe Research的量化分析师Yin Luo表示。“几乎在每个领域都有太多关于以多种不同方式使用ChatGPT的学术论文。”

寻找新信号已经成为企业高管试图智胜机器人的一场猫鼠游戏。一份2020年的学术论文显示，管理人员现在故意使用积极的措辞，避免相反的词语以获得更高的情绪得分。随着人工智能工具变得更加复杂，公司正在更新他们的演示文稿，以融入积极的语调和乐观的句子，根据今年对上述研究的更新。

这就是为什么像Robeco的Chen这样的量化分析师正在寻找管理信心的微妙迹象，这些迹象更难伪造。在这家荷兰资产管理公司，机器扫描公司演讲以检测具体而非模糊的内容，自发而非脚本的内容，以及高管是否直接回答分析师的问题。

“高管们已经接受了如何说出正确的话的指导，”他说。“有很多不同类型的东西可以用来超越基本情绪。”

挖掘金融文本以寻找线索的更多研究
* “管理者在公开盈利电话会议上的 幽默运用” * “新闻对股市的反应： 紧张和视野 有关吗？” * “从记录到洞察：利用生成式人工智能揭示 企业风险” * “评估 本地语言模型：在财务盈利电话中的应用” * “预期回报和 大型语言模型”

使最新的语言模型在金融领域表现更好的一种方法是让人类根据他们自己的专业解释来标记句子，判断它们是积极的还是消极的，就像AB和Man Group所做的那样。这有助于为人工智能提供额外的训练。

在Man Group，量化分析师一直在尝试哪些提示最适合让ChatGPT解释企业用语。Man AHL系统部门的机器学习负责人Slavi Marinov表示，通过提供一些例子似乎有所帮助。

对他来说，目前情绪研究的一个主要缺点是，即使这些信号具有预测性，很多时候它们只是表现得像经典的量化因子，比如动量，这是一种投资风格，它在股价上涨时跟随赢家，在股价下跌时跟随输家。

“人们可能会发现一些信号在孤立情况下对预测回报有用，但他们没有考虑这些信号是否对我们已经了解的所有事情具有增量作用，” Marinov说道。“因此，他们不断重新发现相同的基本效应。”

换句话说，从情绪分析中得出的见解对于已经在仔细研究从最近的价格变动到分析师预测修订等一切事物以跟随市场趋势的交易专业人士来说可能带来的新价值很小。

“迂回性捕捉了文本是否在无关概念之间曲折前行，而不是采取更直接的路径，”康奈尔大学的尼克·格斯特和严嘉雯说道，他们共同撰写了一项关于这种披露如何被用来隐藏坏消息的研究。（SIVB: 硅谷银行）来源：尼克·格斯特，严嘉雯因此，就像所有与人工智能相关的事物一样，情绪分析的繁荣确实带来了真正的承诺，即使目前存在很多炒作。然而，尽管有了新的计算进步，人类远未过时。如果说有什么变化的话，那就是行业专家对于数字分析者变得更加重要，即使只是教他们在哪里寻找。

“如果你是一名分析师，你无论如何都会寻找这些，那么这可能是有意义的，” 联博投资的投资解决方案与科学主管钱说道。“如果你只是有大量数据，试图找到一些模式和关系，其中一些将是噪音而不是有用的。”