文｜硅谷101
隨著華爾街的對沖基金之間競爭白熱化，基金經理最關心的問題變成了“怎樣利用有限的資源獲得更大的回報”？
人工智能和機器學習的發展讓不少基金看到了產業變革的希望：
全球最大的對沖基金橋水，去年就宣布將推出一只完全利用機器學習進行決策的基金，價值20億美元。
著名多因子量化基金AQR的創始人，克里夫·阿斯內斯在一次采訪上表示，“AI即將取代我的工作?！?/p>
不過，也有知名投資人對AI如何影響華爾街基金持保留態度。
前段時間，中國量化基金幻方孵化出的DeepSeek在全球AI領域都掀起了軒然大波。這在金融界也引來不少好奇：如今的AI究竟給金融行業帶來了什么影響，AI炒股靠譜嗎？
帶著這些問題，硅谷101特約研究員Yiwen來到了華爾街，一起聊聊：
人工智能如何改變金融服務行業？不斷發展的技術即將取代什么樣的工作？被高度監管、對錯誤零容忍的量化基金，對人工智能還存有懷疑態度嗎？人工智能究竟能不能幫我們選股票呢？
01 量子計算量化基金的歷史與分類
我們先回顧下對沖基金與技術發展密不可分的行業歷史，并解釋金融市場中的量化、多因子基金、多空策略等名詞。
聊到“投資”時，大部分人想到的是“基本面投資”。投資人需要深度了解一個公司的業務，和競爭對手的差距，宏觀事件對公司前景的影響等等。“股神”巴菲特就是基本面投資的代表。
Warren Buffett
美國投資家、企業家及慈善家：
“你不需要是90%企業的專家，也不需要是80%、70%或50%的專家，但你必須了解那些你投入資金的企業。如果這些企業只占整個市場的一小部分，這也沒關系。”
基本面投資人競爭的法寶是“信息差”。對沖基金會去分析公開信息，例如財報、媒體報道、見面會等信息。
公開信息誰都能拿到，而更一手的深度調查和研究，則是一些投資機構的“信息差法寶”，比如此前的渾水（Muddy Waters）和興登堡（Hindenburg Research），都一度善于揭示上市公司造假和違規行為、通過做空來獲得收益。
有一個公式可以方便大家理解投資的理論基礎：
信息率（information ratio，簡寫為IR）是衡量超額風險所帶來的超額收益；
信息系數（information coefficient，簡寫為IC）被用來評估模型或投資策略中的預測值與實際投資結果之間的相關性，也可以表示一個投資經理或基金選股能力的好壞；
廣度（Breadth，簡寫為BR）是在同一時間做了多少個相互獨立的投資決策。
史方舟
量客投資合伙人：
基本面投資的一個特點是，通過深挖它的基本面邏輯去提高IC，盡管最終的持倉量不可能很高，但是投資人對每一個行業、行業中的每一個標的都做了非常細致的盡調，所以他的IC是非常高的，并通過這種方式取得超過大盤指數的超額回報（Alpha）。這里還有一些自主決策（discretionary），因為投資人不得不去用一些主觀的判斷。在這一層面量化對他的幫助是很大的。
當“拼信息差”成為越來越難的競爭手段的時候，“拼技術”反而成了大勢所趨。
隨著技術進步，越來越多對沖基金開始采用所謂的“混合策略“，將基本面分析與量化技術相結合?；鹪噲D讓以數據驅動的模型與人類的判斷相結合，來建立更好的投資策略以及組合。
Chapter 1.1 什么是量化投資？
對沖基金的發展和技術的進步是密不可分的。
19世紀末，通過對金融市場上百年來行為的觀察，人們發現交易的價格是有跡可循的。基于這樣的規律，繪制出了我們熟悉的“K線圖”，用來表示市場的每日行情，從而預測未來的價格走勢。這就是最早的“技術分析”。
后來，在計算機技術日益成熟以后，交易員們也把技術分析寫成了程序，在對沖基金內被廣泛使用。
如果說技術分析是在看個股，那么金融學理論的發展則讓投資人學會了看股票的組合。
早在50年代，經濟學家馬科維茨提出了：用數學模型去解釋投資者如何利用分散投資來優化投資組合，也就是后來獲得諾貝爾經濟學獎的投資組合理論。
Harry Markowitz
美國經濟學家：
現代投資組合理論為投資者提供了一個風險與收益權衡曲線，如果你想要在長期獲得較高的平均回報，就必須忍受短期的波動。如果你希望短期內的穩定性，就需要接受較低的平均回報?！?/p>
史方舟
量客投資合伙人：
多因子（smart beta）和基本面量化（fundamental quant）其實是一回事。它的核心思想是，law of investment（投資基本定律）里的IC（信息系數）不一定非常高，但是要看Breadth（廣度）能不能被提起來。
今天的基金雖然各有特色，但基本的邏輯都是基于金融學理論建立投資組合，尋找合適的“因子”，再通過現有的數據進行假設檢驗，最終建立投資模型。
所謂“因子”，可以理解為是一個影響股票漲跌的因素。我們將因子變成一個客觀的、可以量化的指標，包括在投資組合里，就可以在建立“多空”組合的時候根據該指標來判斷公司的好壞了。
比如，假設基本面分析認為，因為女性承擔風險的能力越高，所以一個公司內的女性高管越多，股票就越會上漲。那么量化投資人就可以把董事會中女性董事的數量作為一個指標，從高到低排序，多投那些排的高的公司。
史方舟
量客投資合伙人：
最基本的思想是，通過一個客觀的量化指標建立多空組合，哪怕最終是純多投或者純空投，但是最基本是來自于多空的思想。所以它跟基本面一樣，非常在乎底層邏輯。
但單獨只用一個指標判斷公司的營收情況顯然不夠準確，所以“多因子投資”就出現了。這類基金會基于多個因子或維度來建立投資組合，其中代表是AQR。
Chapter 1.2 多因子投資和AQR資本
AQR的創始人克里夫·阿斯內斯（Clifford Asness）是著名經濟學家，也是“有效市場理論”創始人尤金·法瑪（Eugene Fama）的學生。
1993年，Eugene Fama和Kenneth French創立了“三因子模型”，提出了三個會影響股票回報的因子：市場風險、市值、估值。
換句話說，小盤股和價格低于內在價值、不受歡迎的廉價股票更容易跑贏市場，在長期獲得巨大收益。
而阿斯內斯在研究中發現，除了這些因子外，動量（momentum）也是影響收益的一個因子。動量因子指的是，正在上漲的股票，短期內會繼續有良好的表現，反之亦然。
帶著這樣的發現，阿斯內斯成立了AQR，建立基于這些因子的投資模型。2000年，AQR通過對科技股泡沫的判斷一戰成名。
2000年8月，華爾街對那些“閃閃發光”的科技股趨之若鶩，科技股的泡沫也因此被炒的火熱，然而AQR卻反其道而行之，便宜的買入其他行業的股票。
當時，華爾街大多不看好這個操作，因為AQR的逆勢操作讓它賬面上損失慘重，管理的資產規模從10億美元一度縮水到4億美元。
即便如此，阿斯內斯依然信心十足。他還發表了一篇名為《泡沫邏輯》的文章，直接駁斥了支持科技股高估值的觀點。他在文章中寫道：“當謬誤盛行時，總得有人站出來戳穿皇帝的新衣?！?/p>
最終，美國的科技股泡沫還是破裂了，那些高估值的科技股無一幸免，紛紛暴跌。
從2000年3月到2002年10月，納斯達克指數甚至狂跌了77.9%。就在許多華爾街投資者血本無歸之際，AQR卻在這場風暴中大獲全勝，不僅填平了賬面虧損，還從最初的10億美元管理資產，暴漲到了2004年的120億美元。
即使中間經歷過多次動蕩，AQR也在2018年時成為了全球第二大的對沖基金。
在2019年的一次采訪中，阿斯內斯解釋了他最關注的四個因子：價值（Value）、動量（Momentum）、收益率差（Carry）、防御（Defensive），或者說質量因子。
Clifford Asness
多因子量化基金AQR創始人：
價值策略（Value）：便宜的資產往往會戰勝昂貴的資產，如果你用某種基本面指標來衡量價格，較低價格的資產往往會隨著時間推移表現更好。
動量策略（Momentum）：最近表現強勁的資產往往會在短期內繼續延續其趨勢，比隨機走勢更具持續性。
收益率差（Carry）策略：結合了前兩者，用來預測價格，同時強調“等待時也能賺錢”，比如通過持有高收益資產來賺取利差。
質量（Defensive）策略：關注那些相較于其他證券風險更低、資產負債表更健康、盈利能力更強且收益更穩定的資產。”
但也就在2009年，AQR迎來了殘酷的量化寒冬。
首先，AQR在當時堅持的多因子投資策略里，使用了一種“靜態權重”的的權重分配方式，也就是投資組合中每個因子的權重在構建時就被確定，并不會隨著市場環境或因子表現動態調整。
例如，如果一個多因子策略設定了動量因子40%、價值因子30%、質量因子30%的權重，那么無論市場情況如何，這些權重都不會改變。
AQR在決定這套權重的時候，往往會利用歷史數據進行回測，這套風格形成之后很難進行改變。畢竟過去三四十年的數據中被證明可行的因子，怎么能因為一年表現不好就推翻重來呢？
但阿斯內斯在自己的博客文章里提到，2020年的前六個星期里，價值投資遭遇了嚴重的滑鐵盧，代表這套靜態權重的因子分配方法在某些情況下是行不通的。
2020年底，AQR的人員經歷了一次大的變動，幾乎很多老員工都離開了，而AQR也借此契機改變了自己的風格，在原本的模型上增加了更多的靈活性。
之后，經歷了兩年的低迷，今天的AQR重新回到了第一梯隊。而他們的新藍圖，和AI不無關系，這一點我們隨后會講到。
Chapter 1.3 多統計套利與文藝復興
雖然多因子投資里面使用了大量的數學模型，但本質還是在講一套關于因子的故事。
而“統計套利”這一投資風格卻完全拋棄了金融敘事，反而試圖在速度上打敗競爭對手，這時才是算法和算力真正大顯身手的時候。
提到統計套利，就不得不談對沖基金界的傳奇人物：吉姆·西蒙斯（Jim Simons）。
2024年五月，這位數學家出身的投資人離世，享年86歲，這樣的一則新聞，也讓他創建的對沖基金“文藝復興”科技公司重新出現在了大眾視野。
自1988年創立以來，文藝復興始終是一家相對低調的基金。無論是西蒙斯本人，還是那些簽了30頁保密協議的員工，都對這家公司賺錢的秘密諱莫如深。但這并不影響外界震驚于他旗下基金的表現。
文藝復興的第一支基金產品“大獎章基金”，在34年間獲得了40%的年凈回報率，扣除服務費之前甚至達到了驚人的66%。也就是說，在該基金的整個運行周期內，他帶給了文藝復興公司600億美元的利潤。
迄今為止，大獎章基金是最成功的單一投資工具，西蒙斯所依靠的，就是統計套利。
他依賴于復雜的數學模型和大量的計算，在看似雜亂無章的金融市場里尋找規律，通過機器創造財富。因此，西蒙斯被他的傳記作者稱為“征服市場的人”。
統計套利有三大法寶：技術分析、時間序列分析和機器學習。
我們之前已經提到了技術分析。
時間序列分析指的是，一種通過分析歷史數據來預測未來價格變動的交易策略。在這種分析里，最重要的是確保穩定性。因為統計套利的核心，就是歷史會不斷重復。
史方舟
量客投資合伙人：
機器學習是第三大法寶的原因在于，統計套利對底層邏輯的追究是比較淡的，所以更能接受一些黑箱，特別是對端到端的機器學習的使用比較活躍。
機器學習的數據當然是越多越好，文藝復興前聯席總裁羅伯特·默瑟就說過，沒有哪種數據會比擁有更多數據更好（There’s no data like more data）。這也解釋了統計套利與前兩種投資風格不同的地方，也因此統計套利派系的調倉頻率更高，達到了平均三天一次。
Chapter 1.4高頻交易
高頻交易（High-Frequency Trading），是通過大量的數據和復雜的算法，同時依賴計算機算法和超高速數據傳輸，通過大量的交易操作在極短的時間內獲利，將短期的市場變化利用到了極致。
因此這種“量化交易”的手段比起“投資”，更多屬于“交易”的范疇。
高頻交易主要核心特點是交易速度極快，通常涉及每秒數千甚至數百萬次交易。
這樣的策略并不復雜，主要就是靠拼那幾毫秒的速度優勢。Citadel Securities、DeepSeek背后的幻方，曾經都使用了這種策略。
在高頻交易風頭正盛的時候，這些基金甚至不惜花重金鋪設一條從紐約到倫敦的海下光纖電纜，只為了將交易速度提升零點零幾秒，在競爭對手之前搶占先機。
如今大部分高頻交易，仍然拼的是不同基金的硬件和算法能力，不過很多基金也意識到，只強調速度的高頻交易黃金期已經過去了。
彭博社評論員Aaron Brown在2020年就寫道：大量量化交易基金現在也開始用起了傳統對沖基金的投資方法，在流動性不是那么強的市場里尋找被低估的機會，未來的基金構成也只會更加復雜。
在當下的美國市場里還有一個問題，就是寡頭企業的出現。
采訪嘉賓告訴我們，在美國，券商下單之后（比如說散戶們愛用的Robinhood），很多交易訂單都到了Citadel Securities的手上，而它也占了高頻交易市場份額的41.5%。
Citadel進行的交易越多，拿到的市場信息也就越多，這讓高頻交易之間的競爭變得更加困難。
總體而言，對沖基金的四個派系是：持倉從少到多、定性到定量、穩定到不穩定、低頻到高頻的逐級轉變，這之中也代表著一個重要邏輯的變化：價值。
史方舟
量客投資合伙人：
很多量化的短期策略，核心是提供了短期市場的流動性。因為它的反應比一個人更快，所以就有空間做到更大的可競爭性。它賺的錢來自于交易信息的差距和交易行為的差距，而不是因為創造了直接的價值。
02 AI來到華爾街
如今的人工智能如何賦能量化策略？ 盡管統計套利和高頻交易天然和機器學習密切相關，但最先對生成式AI產生興趣的，卻是看起來和AI關系最遠的基本面分析。
Chapter 2.1 數據難題
生成式AI的一大吸引力是：能解決金融業長期面對的數據難題。
基本面分析需要處理大量和公司有關的公開信息，比如財報、證監會報告、媒體報道、高層演說等。這些信息往往是以非結構化的文字形式存在的，處理起來十分復雜。而統計套利和高頻交易中只需要處理代表價格的數字，難度反而下降了很多。
采訪嘉賓告訴我們，其實早在2016年，基本面分析就開始關注人工智能和深度學習了。
基本面分析最重要的就是打出信息差。傳統上來說，這些信息要么是來自公開財報的信息，要么是分析師通過盡調去挖掘的非公開信息。但隨著監管的不斷完善，公司要披露的信息越來越多，基本面分析的基金競爭也就越來越難打了。
Dr Miquel Noguer i Alonso
AI金融研究院創始人、前UBS瑞士執行董事：
我們并沒有（能夠）利用所有的非結構化數據，一方面是因為缺乏相應的工具，另一方面即使面對結構化數據，我們也沒有足夠的勇氣去充分利用它。
2016年是一個覺醒的時刻，因為我們意識到市場上其實存在大量數據，而這些數據可以被用來分析股票。
但就在十年前，金融業發現了所謂的“替代數據”（alternative data），替代數據是指那些非常規、但能推動股價漲跌的數據，比如信用卡交易記錄、社交媒體、電商平臺的買家評價，甚至衛星圖像等。
Dr. Richard Peterson
MarketPsych CEO：
舉個例子，通過查看手機定位數據可以實時了解人們的動向、知道他們進入了哪些商店。又或者通過衛星數據監測節假日期間商場停車場的容量，如果看到停車場爆滿，我們就可以推測這家零售商的銷售狀況可能不錯。
但在有了大量數據后，金融業又面臨了一個新的問題：沒有合適的工具去處理這些數據，因為這些數據太過于復雜了。
對于基金經理來說，閱讀、消化和總結大量的非結構化數據會消耗大量精力；在買方看來，賣方報告里還可能包含對做決定沒有必要的細節。
而ChatGPT誕生后，人們發現生成式AI最擅長處理非結構化數據的，這對處理復雜的金融數據來說提供了非常大的幫助。
武軍辰
Menos AI CEO、聯合創始人：
AI agent（智能體）可以幫我們的基本面經理（fundamental managers）、投資經理（pm）、股票研究員（stock analysts）去處理大量的賣方研究（sell side research）和股票研究（stock research），把這些信息從非結構化（unstructured）變成變成一個可以查詢的結構化數據（structure data）。
在需要閱讀和總結大量數據，并根據需求寫一些基本的、可重復性高的代碼時，AI就像一名勤勤懇懇的實習生，可以迅速完成這些工作。
采訪嘉賓還告訴我們，AI的另一個應用場景就是幫助基金經理去清理和歸納原始數據，讓經理可以花更多的時間和精力在分析這些數據上。
巴利亞斯尼資產管理公司的首席經濟學家Chris Pulman就告訴彭博社，曾經需要他花兩天時間準備的中央銀行會議的預覽報告，現在只要花30分鐘，因為AI已經幫他完成了整理各路經濟學家看法、生成圖表等一系列的研究工作。他表示，人工智能比他一開始想的更有用。
Chapter 2.2 工具即服務
除了處理數據以外，AI還給金融業帶來了另一種效率提升。
武軍辰
Menos AI CEO、聯合創始人：
GenAI（生成式AI）到底真正帶來的革命性東西，用一句話概括為：工具即服務。
金融業是一個被高度監管的行業，尤其在2008年的金融危機之后，美國政府通過了《多德·弗蘭克（Dodd-Frank）法案》，向對沖基金提出了更多的披露義務。這也導致對沖基金行業需要聘請專人去分析投資組合的風險，完成合規申報等內容。
而進行這些分析則需要大量專業化的軟件，同時每一個軟件都要配備一個分析師，但在AI時代，這些軟件都能以AI agent的形式存在，提供一站式服務。
武軍辰
Menos AI CEO、聯合創始人：
現在很多工具開始變得更智能了，比如你可以直接把一個投資組合交給風險分析（risk analysis）的工具（tool）或者軟件（software）。
所謂“工具即服務”是，過去可能風控團隊需要十個人，現在兩個人就夠了，因為很多的過程都可以被自動化。這些工具拿到數據后可以自動生成風險報告，人們甚至可以跟它進行問答交互。我覺得未來這個會有很大的作用。
在對沖基金里，前臺通常是對沖基金的盈利來源，主要負責投資決策和與客戶的互動；
中臺主要負責風險管理、合規性和確保交易與基金的整體戰略和監管要求相符；
后臺負責對沖基金的行政、運營和支持工作，包括提交法律和合規報道。
AI也許就可以替代中臺和后臺的重復性工作，特別是節省重復性高的分析的時間。
Dr Miquel Noguer i Alonso
AI金融研究院創始人、前UBS瑞士執行董事：
除了寫作外，AI同樣適用于數學和編程，這恰恰也是量化分析師每天都在做的事情。所以，即使是最保守的量化分析師也會想，"我能不能用這個工具來為我新開發的算法生成文檔，并生成代碼呢？" 答案是肯定的，這將極大地節省時間。
Chapter 2.3 尋找超額回報Alpha
不過，關于AI是否能實現“實習生”到“分析師”的飛躍、為對沖基金找到超額回報（alpha），對沖基金的看法則沒有那么樂觀。
Ken Griffin
CITADEL(城堡投資公司)CEO：
“我認為有些人幻想著LLM（大語言模型）會告訴他們該買哪些股票，但這只是幻想而已?！?/p>
也有對沖基金在嘗試通過AI建立投資策略，比如前面提到的AQR正在進行的新嘗試。阿斯內斯在多次采訪中提到，AQR正在使用大語言模型從文字數據中挖掘新的交易信號，并讓現存的交易信號變得更準確、更有用。
交易信號是指能夠為投資者提供決策參考的信息或指標。例如，文字信息中往往蘊含著豐富的情緒表達：在財報會議中，高層對公司經營狀況的表述可能展現出正面、負面或中立的態度。
而在美聯儲的發布會中，其對當下經濟的看法可能表現為鷹派或鴿派，這些態度實際上就是一種交易信號。
在生成式AI出現之前，投資者通常需要多次閱讀這些信息，才能總結出相應的情緒態度。
英偉達的量化分析師Ioana Boier就解釋了她正在研究的工具，基于情緒識別找到交易信號。
Ioana Boier
英偉達量化分析師：
你可以跟蹤這種情緒隨時間的變化：如果它維持在中性水平，你可能不會采取任何行動，但如果情緒極端正面或極端負面，你就可以將其視為一個信號。這正是策略可以發揮作用的地方，你可以采用類似的閾值設定（thresholding）方法來進行決策。
看中這個風口的數據和服務提供商也不在少數：專注于替代數據的Acuity Trading最近推出了完全由AI驅動的交易信號生成服務，主要聚焦在外匯和加密貨幣市場。
前面我們說的都是基金經理們如何利用生成式AI處理文字信息的能力，除此之外，量化基金也在挖掘機器學習處理復雜的數字、建立統計模型方面的作用。
Chapter 2.4 統計模型中的AI
像AQR這樣的多因子基金，通常會有以下投資流程：
通常來說，多因子基金會通過統計模型，來確定哪些因子能夠預測股票的表現，將得到的因子結合起來，再推測出一個最優的投資組合，并根據這個最優組合調整基金中現存的投資組合，盡可能達到更優。
但如何將多個因子結合在一起、確定每個因子在投資組合里所占的權重，卻是完全不同的過程。
2019年底，阿斯內斯就是因為一意孤行，提高了“價值”因子在AQR的投資組合里所占的比例，導致AQR在疫情期間損失慘重。但是這次，阿斯內斯卻覺得，有可能通過AI來挑選合適的投資組合。
AQR的機器學習部門主管Bryan Kelly認為，由于大語言模型在訓練中使用了大量數據，存在大量預測變量，因此能更好地識別因子和股票變化之間的非線性關系。
傳統的統計模型都是回歸分析，往往只能分析一個因變量和一個自變量之間的線性關系。但由于大模型本身十分復雜，反而能給到因子更為準確的權重。
在AQR自己的試驗中，大模型將投資回報提升了50-100%。Bryan Kelly也將這種情況稱之為“復雜性的價值”（virtue of complexity）。
Clifford Asness
多因子量化基金AQR創始人：
長期以來我們一直在討論不要過度擬合。量化投資的一個風險在于，你可能在數據中看到一些隨機的模式并誤以為可以交易它們，而一種應對這種風險的方法，就是將數據與理論和常識相結合。
但AI在某種程度上讓我們偏離了傳統的方法，這讓我感到有些不適，因為你一定程度上把決策權交給了機器。
我們的采訪嘉賓認為，盡管近幾年來AQR和量化基金對AI的接受程度高了很多，它們也不會完全使用大模型進行投資決策，因為這和阿斯內斯多年來堅持的風格不符。
史方舟
量客投資合伙人：
我覺得這是和基因有關系的，我認為AQR今天也不可能接受，把端對端黑箱模型的結果直接作為投資的決策，因為它的投資風格決定是要在經濟學和金融學上具有可解釋性。
目前，學界和業界都推出了不少研究分析人工智能在量化金融上的應用，比如大模型如何生成時間序列。采訪嘉賓認為目前大熱的AI agent，將會在未來有很多應用場景：
時間序列agent：可以決定使用哪些模型（例如 Transformers、長短期記憶網絡）來進行股票的時間序列預測。
基本面agent：可以分析公司的財務報表、商業計劃和其他定性信息，以評估公司的狀況。
ESG agent：可以評估公司的治理、社會影響和環境因素。
合規agent：可以做出投資決策前檢查公司高管的犯罪記錄等事項。
必須承認的是，很多人工智能的應用都還處在早期，幾乎沒有量化基金完全使用大模型去替代人類分析師以及基金經理的決策。
武軍辰
Menos AI CEO、聯合創始人：
我們認為AI最多叫輔助決策者（decision assistant），還是需要人做決策。我很認可一種說法：AI短期之內是不會代替人的，尤其不會代替人去決策，但是會用AI的人會代替掉不用AI的人，因為有很多工作可以用AI自動化掉（automated），讓人更高效。
最后，在大模型盛行的時代，對沖基金如何在工具相同的情況下提升競爭力，也是一個問題。
史方舟
量客投資合伙人：
如果你是投資人，現在有一家基金有非常專業的人工智能團隊：它的策略端對端，從最原始（raw）的數據直接給你最終的投資決策，然后表現很好，這個時候你愿意投嗎？
當基金的競爭優勢只限于人員專業、表現好時，其實把自己放在了非常尷尬的狀態，因為我（投資者）永遠可以找到另外一組很專業的AI專家，并且滾動（rolling）3個月或者6個月表現比你（這家基金）好，那這家基金如何去建立和客戶之間的黏性呢？
Dr Miquel Noguer i Alonso
AI金融研究院創始人、前UBS瑞士執行董事：
這是一個競爭性的游戲。如果你的能力不如你的競爭對手，即使你使用了一些工具，也未必能創造主動收益（Alpha）。也許它用的工具更好、掌握的數據更多、質量更高，或者他找到了更合理的數據組合，到了AI時代情況依然如此。但話說回來，如果你不去投資，不去嘗試，那你肯定會落后，在投資決策的速度上，你會遠遠慢于你的競爭對手。
03 AI未來的華爾街征程
無論傳統的資產管理者和投資人再如何抵抗，AI正在走進華爾街，也正在改變基金管理人們的投資方式。
當2023年ChatGPT剛火爆全球時，芒格老與巴菲特在伯克希爾哈撒韋年會被問到AI時，非常嗤之以鼻。一年之后，當巴菲特再被問到AI的問題時，他的回答依然很含糊，表示自己對AI毫無所知。
而作為巴菲特的接班人，Greg Abel給出的回答是這樣的：
Greg Abel
伯克希爾·哈撒韋公司董事會副主席：
當前我們更應該關注我們如何實現效率的提升和安全保障，特別是在危險的領域和流程中。我們還處在（變革的）開局階段。
顯然，巴菲特不在乎AI的發展，是因為他對可口可樂等零售業、保險業和石油公司的理解已經超乎常人、“信息差”的壁壘已經足夠高。
但如果作為巴菲特接班人的Greg Abel如果也完全不在乎AI，就會像視頻下面的留言所說，“Greg關于人工智能的回答，令我作為伯克希爾哈撒韋股東而感到擔憂……”
華爾街上的對沖基金們的現狀其實不容樂觀。美股大盤很強勢，但基金們越來越難跑贏S&P指數了；基本面和宏觀策略也越來越難做，這么多年來，我們也沒有看到第二個巴菲特出現。
如今在華爾街上，“能跑贏大盤”就已經是讓人伸出大拇指的好業績了，所以對沖基金們也在拼命地想更有效的策略以拉開優勢。
一位嘉賓稱，據他所知，現在沒有哪個華爾街上的大型對沖基金不在投入大模型的。
正如前文所提，應用AI的潛力在金融這樣高度依賴數據、包含大量重復性工作，又要求速度的行業，應該是很大的。
但另一方面，這些試驗仍然處在早期。我們看到很多的AI選股、AI策略依然不靠譜，AI依然無法代替人類交易員和投資人來做最終的決策，現在還是一名努力的華爾街實習生的角色。
但隨著AI大模型的能力發展與應用的成熟，“使用AI的能力”是否會代替傳統的“基本面信息差”，成為對沖基金們的新競爭優勢決定因素呢？我們拭目以待。