对冲基金争相将ChatGPT从实习生转变为分析师 - 彭博社

ChatGPT的标志在一台笔记本电脑上。摄影师：Gabby Jones/Bloomberg克里斯·普尔曼曾花两天时间为中央银行会议准备预览。现在，Balyasny资产管理公司的首席经济学家只需30分钟。

多亏了新一代增强型人工智能，聊天机器人现在承担了他耗时的研究工作。从总结华尔街经济学家的观点和生成图表，到提取货币官员的最新声明等等。在普尔曼的输入下，AI程序将所有这些市场智慧整合到一个模板中，以展示他的利率预测。

“我们发现它们实际上比你最初想象的要强大得多，”Balyasny的经济学家说，指的是大型语言模型。“但它们并不是开箱即用的。”

在OpenAI公司推出ChatGPT并引起轰动20个月后，包括Two Sigma Investments和Man Group在内的对冲基金经理们正在争相利用这一技术的颠覆潜力，将聊天机器人整合到他们的日常研究和投资过程中。银行也在利用这些工具，摩根大通上个月向资产和财富管理部门的员工 推出了自己的ChatGPT，而高盛集团正在构建自己的 平台。

对于这些早期采用者来说，他们在部署新技术以获得投资优势方面经验丰富，聊天机器人可以像任何渴望取悦的实习生一样执行 繁琐的任务，包括筛选监管文件、总结研究和编写基本代码。

但是，能够输出聪明投资想法、详细研究和可靠预测的完整分析师聊天机器人？这仍然遥不可及，就像华尔街担心新技术将难以证明今年的疯狂股市反弹。

查理·弗拉纳根来源：Balyasny资产管理公司尽管如此，快钱支持者仍然坚定地相信，随着对聊天机器人实际局限性的更深入理解，他们的投资将获得切实的收益。

腾出更多时间后，普尔曼认为他可以将生成AI提升到更高级别，利用它独立提出复杂的代码和经济预测。他表示，AI在两到三年内处理70%到80%的国家经济学家在金融领域所做的事情是“合理的”。

要实现这一目标，行业必须面对几个重大问题。其中包括生成AI可能会随意编造内容，在这里抛出一篇虚假的研究论文，或在那里出现一个错误的市场事实。它在处理抽象或多层次问题时也面临困难——没有人类的密集指导。

在一个实例中，Balyasny 的投资组合经理想看看他们的聊天机器人是否能够从更高的关税中找出股票的赢家或输家——这是一个合理的问题，但它一开始无法回答。工程师们首先必须通过将这种情况分解为一系列子问题来训练模型。在扫描了 20,000 份文件并逐步进行后，花费了 99 分钟才形成一个令人满意的答案。

“我们依赖于一名初级实习生的能力：你让 AI 用内部数据源进行一些简单的分析，它会做到，但你要么必须给出很多非常具体的提示，要么分析本身相当基础，”Balyasny 的应用 AI 负责人 Charlie Flanagan 说，该公司管理着约 220 亿美元。“那么，我们如何将其从初级实习生提升到高级实习生，再到初级分析师，以便在 2024 年底，人们能够提出相当有深度的问题？”

阅读更多：随着 AI 成本飙升，投资者接受少即是多的数据策略

这一切都不便宜。高盛估计，在未来几年内，构建整个经济的 AI 基础设施将花费超过 1 万亿美元。Balyasny 有一个 12 人的 AI 团队，而 Man 刚好有六个人专门致力于生成 AI。像 ChatGPT 或 Anthropic 的 Claude 这样的完全训练系统对每次增量使用收费，而从像 Meta 的 Llama 这样的开源模型构建一个系统则需要在人才和计算能力上进行大量投入。

能够解读交易文本的机器人在华尔街并不新鲜。多年来，计算机一直在扫描新闻文章和财报记录，以了解其市场影响。但 ChatGPT 的吸引力在于它将所有这些 提升到一个新层次：解析上下文，连贯地回答问题，并利用大量来源得出复杂的结论。

Man Group 聊天机器人的演示，可以在基金文件中查找信息来源：Man Group“我们已经超越了对他们原生能力的印象，”Man Group 数据和机器学习负责人 Tim Mace 说。“它必须和人类潜在的能力一样好或更好。”

在这家市值 1780 亿美元的伦敦管理公司，低垂的果实是利用人工智能提高人类的生产力，通过生成价格图表或从债券招股说明书中提取信息。目前，该公司认为将大型语言模型直接嵌入系统交易模型还为时尚早，因为这些模型的直接人类监督较少，Mace 补充道。

然而，这种现实主义掩盖了宏伟的抱负，Man 讨论了人工智能有一天能够搜索其研究数据库、生成假设并创建测试代码的可能性。或者，它将能够从其摄取的大量数据中发现微妙的经济关系，从而指导交易，例如，买入一种证券并卖出另一种。

Tim Mace来源：Man Group即使目前人工智能在认知能力上落后于人类，它在速度和规模上也具有优势，Two Sigma 特征预测副主管 Ben Wellington 说。他指出了跟踪企业高管离职的例子。虽然像他这样的量化分析师过去需要通过特定的关键词或表达式编写公式来识别后者，但现在他可以通过查询大型语言模型更快地做到这一点。

“如果我有50个想法的清单，也许我之前可以研究10个，”他说。“我现在可以以相对较低的成本从10个想法扩展到25个，因为我不需要为每个想法建立团队或工具。”

许多成功的使用案例需要的远不止一个现成的GPT。Balyasny的Flanagan展示了一个例子，其中其GPT阅读了一篇关于交易策略的学术论文，并计算了它在历史上的表现。为了做到这一点，该模型实际上是使用了他团队编写的计算器，而不仅仅是聊天机器人。

生成AI会“告诉你一个完全虚构的故事，并对此绝对确信”，因此人类判断将始终是最终的把关者，Two Sigma投资管理的战略数据科学负责人Claudia Perlich在6月的彭博投资会议上表示。

为了避免捏造事实的风险，许多公司使用一种称为检索增强生成的技术，让AI查看特定的额外来源。良好的提示措辞也会产生很大差异。

“观察它的工作过程非常有趣，因为你可以看到它说，我得到了这个信息，这是我应该采取的下一步，”前谷歌工程师Flanagan说。“但我们仍然在强迫模型以那种方式运作。”

对于一些资金管理者来说，早期投资的赌注是，如果未来的突破能够使大型语言模型更接近人类智能，他们将领先于竞争对手，正如OpenAI等公司所 设想的。

这还没有什么确定性。在Atalaya Capital Management，这是一家大约100亿美元的私人信贷公司，生成AI大大加快了其设备租赁业务中寻找潜在借款人和起草法律合同的过程。然而，数据科学负责人Andy Halleran表示，人类仍然牢牢掌控着投资选择和条款谈判。

所以虽然它可能是华尔街上最勤奋的实习生，但晋升为全面分析师的门槛很高。

“他们仍然没有达到可以让你给他们一个非常宽泛的任务的水平，所以你不能说：‘嘿，这个投资好吗？’”他提到ChatGPT的提示时说。“如果某人已经有了工作流程，而你希望他们做新的事情，那就不仅仅是稍微好一点，稍微方便一点——而是必须好得多。”

麦肯锡公司正在看到寻求与人工智能相关项目的客户数量增加，因为技术的快速采用帮助这家咨询巨头及其同行在经历了一段动荡后提升收入。

这家总部位于纽约的公司的大约40%的客户项目涉及该技术，在过去12个月中，与人工智能相关的客户数量接近500，罗德尼·泽梅尔，该公司的高级合伙人兼数字业务负责人，在一次采访中表示。他没有详细说明这些收入来源的潜在收益。