人工智能可以比较投资研究,但风险闸门仍要由人把守
一项新的机构工作流用人工智能比较不同研究观点并呈现风险,分析师的工作也因此从搜集意见转向审计比较结果。
人工智能正在把投资研究中的一个任务,从“搜集资料”推向“比较观点”。Franklin Templeton 表示,它正在开发帮助投资组合经理比较不同研究意见、检查投资想法背后风险的工作流,起点是股票研究。真正的变化不是再生成一份报告,而是把相互竞争的判断、证据和风险问题放到同一个复核界面。
我的判断是:只有当比较过程可审计时,这种工作流才有价值。流畅的综合文字可能掩盖分歧、抹平来源质量差异,把缺少的警告变成虚假的共识。人工闸门也不是形式上的签字,而是检验人工智能究竟发现了真实差异,还是只写出了更漂亮摘要的测量点。
投资研究工作流发生了什么变化
传统流程往往是串行的:分析师搜集券商观点、披露文件、内部研究和另类数据评论,然后形成判断。第二位分析师可能会阅读结果,但不同观点之间的比较常常停留在批注、会议或投资组合经理的记忆里。
正在出现的新流程则更结构化。人工智能在限定的文件集合中检索,提取每个观点的论点和假设,把主张连接到来源,再把分歧放在风险检查表旁边。经理仍然决定哪些差异重要。这样的流程可以降低追问“这个来源究竟反驳了什么”的成本,但不能回答任何一个来源是否正确。
Franklin Templeton 的案例属于机构部署报告,并不是独立的绩效研究。公开材料说明目标是帮助投资组合经理审视不同研究观点和风险,却没有证明收益、准确率或投资结果的因果改善。供应商和采用者都有讲述成功工作流的动机,而失败的比较未必会公开,这一点必须保留在判断中。
可复现的比较应该留下什么
先确定信息截止时间和固定文件集。对每个观点,要求系统记录论点、期限、假设、证据链接、信心程度,以及什么情况会推翻该主张。然后让模型生成分歧表:主张、来源、相反主张、来源质量、缺失数据和决策相关性。
风险检查应与综合摘要分开。检查集中度、流动性、资产负债表或现金流假设、市场状态依赖、数据泄漏、利益冲突,以及删去一个较弱来源后结论是否改变。模型可以分类这些问题,却不能为不存在的证据补上证据。人工复核者应处理未解决的矛盾,并保留被否决的替代解释。
可以参考站内关于人工智能分类披露但需要审计测量和投资智能体险些出错记录的讨论。前者提醒我们关注测量是否有效,后者提醒我们关注流程是否会失败。研究比较工作流需要同时面对这两类问题。
一项 60 分钟的研究练习
选定一个历史问题,并把公开信息冻结在明确日期。基线是:人类用空白模板比较两份文件。处理组是:人工智能提取同样的两种观点,填写分歧表和风险表。不要根据当前价格选择标的,也不要下单。
前 15 分钟定义截止时间和字段,接着 20 分钟完成两种比较,再用 15 分钟逐条核对重要主张,最后 10 分钟评分。记录分歧召回率、引用完整度、未解决矛盾、人工修正次数和所需时间。随后观察七天,但只做纸面复核;任何追踪都继续使用冻结的证据。
如果出现信息泄漏、虚构引用、无法追溯的主张,或风险结论在没有记录输入变化时改变,就停止练习。好的结果不是纸面头寸获利,而是证明人工智能比较在可接受的复核成本下,比基线暴露出更多与决策有关的分歧。
现实校验
选择偏差很快出现:团队可能只挑选文件干净、模型表现好的案例。幸存者偏差和报告偏差会让通过内部审查的原型显得更可靠。若把“比较更好”定义为抽取字段更多,也会产生测量偏差,而不是更好的校准或更少遗漏的风险。工作流采用与投资结果之间的因果链仍未得到验证。
还有实际限制:专有研究未必可以合法重复使用,文件在检索后可能变化,模型版本也会改变分类。看似独立的观点可能只是重复同一个来源。因此合适的输出应是带不确定性的证据地图,而不是共识分数。
主观投资者应练习保留相反观点;系统团队应先测量漏报风险率和人工修正率,再追求速度;建设者应公开截止时间、来源轨迹、模型版本和拒绝理由。人工智能可以让分歧更容易被看见,却不能让不确定性消失。
来源:Franklin Templeton 使用 OpenAI 支持投资研究;相关案例报道。