人工智能（AI）已经不再仅仅是前景，它正在重塑资产管理行业，无论是在量化策略方面，还是在为自主管理者提供研究和决策支持方面。

机器学习工具和生成模型已经开始捕获数据、监控风险、自动化分析，并提高团队的生产力，而这些团队直到最近还都是手动工作的。

为了解哪些技术已经奏效，哪些技术仍处于炒作阶段，以及竞争可能会如何加剧， NeoFeed采访了量化交易和人工智能在金融领域应用方面的全球权威人士 Ernest P. Chan。

“如今，大多数管理者已经以某种方式接触过人工智能，并且已经在应用它。随着每个人都采用这些工具，行业的竞争将变得越来越激烈，”他说道。

陈先生是专注于自适应投资组合优化的平台 PredictNow.ai 的创始人兼首席科学家，同时也是 QTS Capital Management 的非执行董事长。他曾就职于摩根士丹利、瑞士信贷、IBM 研究院以及对冲基金 Millennium。

陈先生是三部曲的作者，这三部曲已成为量化交易部门的必读书目。他最近与哈姆雷特·杰西·梅迪纳·鲁伊斯合作出版了《交易和资产管理的生成式人工智能》一书，书中展示了新一代生成模型如何支持从操作任务到构建复杂市场信号的一切。

去年，陈先生应伊塔乌资产管理公司（Itaú Asset）的邀请来到巴西，参加了量化人工智能挑战赛（Quant AI Challenge）。这是一项汇聚了2500多名大学生的竞赛。在本次采访中，他阐述了人工智能如何改变金融行业，另类数据为何仍存在局限性，以及在日益自动化的市场中，人类管理者将扮演怎样的角色。

以下是主要摘录：

量化管理由来已久。人工智能是什么时候开始在行业内获得广泛应用的呢？
自1997年我在摩根士丹利工作时起，我就一直在尝试将人工智能应用于金融领域。但当时经历了一段漫长的“人工智能寒冬”，相关技术始终无法稳定发挥作用。多年来，在市场上谈论神经网络几乎遭到了完全的拒绝。我自己也一度放弃了这个话题。直到2019年，我才重新开始认真研究人工智能。之后，我们终于看到了实际成果。换句话说，资产管理行业也经历了类似的周期：人工智能长期处于愿景而非现实阶段，而最近则进入了快速发展的成熟期。

“资源管理也经历了这样的周期：人工智能长期以来只是一种愿景而非现实，而最近则进入了快速成熟的时期。”

目前，人工智能在流程的哪些环节已经展现出切实的优势？
最显而易见的用途是风险管理。如果人工智能错误地指示了高风险，你只会错失一次机会，而不会导致基金亏损。在这个领域，误差“更容易容忍”。另一个强大的用途是作为研究助手。人工智能监控新闻、调查、法律事件和相关变化，并将这些信息以系统化的方式呈现给基金经理，这是人工难以完成的工作。此外，它还可以用于资产配置优化。

这是如何运作的？
自适应投资组合优化技术应运而生。它并非复制基于历史数据的静态配置，而是根据当前环境（例如公司间的竞争、技术变革和宏观经济环境）调整投资组合。这并非激进的押注，而是持续改进的优化过程。然而，利用人工智能生成信号并进行交易决策需要非常可靠的结果，因此长期以来都十分罕见。如今，我们看到了它的成功，尤其是在高频交易等短期投资领域。虽然仍然充满挑战，但已不再是特例。

就普及率而言，我们目前在全球范围内处于什么位置？
我认为，大多数规模超过1亿美元的量化基金都已经在某种程度上应用了人工智能。虽然很少有基金完全“自动驾驶”，但内部应用人工智能的举措几乎是普遍的。很少有人会说“我完全不使用人工智能”。

那么，酌情管理又该如何看待呢？
人工智能已成为非常强大的辅助工具：它可以汇总信息、生成想法、监控事件并管理风险。但通常情况下，它并不做最终决策。然而，在量化基金领域，人工智能却可以。它已经能够生成信号、确定仓位并调整投资组合。

“一般来说，人工智能不会做出最终决定。但在量化基金中，它会。人工智能已经能够生成信号、确定仓位并评估投资组合。”

这种趋势是否已经蔓延到宏观策略和流动性较差的资产中？
是的。许多自主投资经理会来找我们构建宏观经济预测模型，例如通胀、经济活动和信心指标。从某种程度上说，预测宏观经济比预测股票价格更容易，因为它的运行不会影响结果。人工智能就像一个宏观经济“预言家”，为人类决策提供信息。

人工智能带来了哪些新数据？
第一个飞跃是利用此前难以使用的海量结构化数据，例如数百万条信用卡记录。人工智能可以将这些数据转化为有用的消费信息。接下来是文本数据：央行讲话、新闻稿、电话会议记录等。人工智能可以读取、总结并提取信息，从而生成价格。下一个阶段是非结构化数据，例如图像和天气数据，利用卫星监测港口、农作物和工厂；绘制飓风地图并进行炼油厂风险评估。但由于需要耗资巨大的研究，且收益不确定，因此目前这类应用仍仅限于大型企业。

更多的数据就一定意味着更好的模型吗？
对于自主型基金经理而言，答案是肯定的，因为任何相关的数据都有助于构建稳健的量化模型。但对于量化模型而言，情况并非如此。瓶颈在于历史数据及其一致性。许多另类数据集价格昂贵且数据序列较短。如果数据提供商在数据收集过程中更改了收集方法，则数据可能不再适用于回测。因此，尽管人们对这类数据集充满热情，但其中很大一部分仍然不适用于构建稳健的量化模型。

人工智能和新数据能否帮助基金经理在流动性强的市场中跑赢指数？
他们可以做到，但这取决于投资期限。如果你说“基金经理无法跑赢市场”，不妨问问像Hudson River Trading或XTX这样的高频交易公司。在短期内，它们的表现确实优于长期持有策略。在更长的时间跨度内，人工智能可以逐步提升业绩：更精准的宏观预测、更优化的策略、更有效的风险管理。这并不能保证持续跑赢指数，但它可以改进投资流程并提高风险调整后的收益。

“如果你说‘资产管理公司跑不过市场’，那你不妨问问高频交易公司。在短期交易中，它们的表现确实优于买入并持有策略。”

我们是否也能看到长期的完全自主交易？
我认为确实如此。在高频交易中，这已经成为现实。但竞争因素也不容忽视。如果每个人都拥有强大的模型，超额收益很快就会消失。市场效率会变得如此之高，以至于优势最终会回到那些风险管理能力最强的人手中。此外，还存在拥挤的风险。如果每个人都检测到同一事件——例如德克萨斯州的飓风——并以相同的方式应对，那么收益就会减少。即便如此，每个人都会继续使用人工智能，因为当有人放弃时，新的机会就会出现。

自行构建模型成本高吗？值得吗？
其实不然。你无需从零开始创建算法。谷歌、OpenAI 等公司已经提供了基础架构。真正的成本在于聘请懂得如何将人工智能应用于金融数据的人才。而且，通常情况下，聘请一位来自金融行业、学习过人工智能的人才，比聘请一位从未接触过市场的大型科技公司工程师更有价值。我不建议购买昂贵的通用解决方案。真正有效的方案通常都是免费的。区别在于内部定制。

人工智能是否能让该行业更加轻资产运营并降低成本？
它能提高生产力——尤其对技术团队而言——但并不会大幅降低结构性成本。它最大的优势在于提升夏普比率，而非降低运营费用。对大多数基金而言，人工智能并不能取代庞大的基础设施，而是改进流程。

那么就业情况如何呢？
运营职能和机械性IT任务可能会减少。人工智能可以生成代码、自动化流程并减少重复性步骤。但我认为对投资组合经理的需求不会下降。人工智能回答问题，而人类提出问题。人工智能不会自行决定瞄准哪个市场或制定哪种策略。这仍然是人类的任务。

这是否会引发人才争夺战？
是的。但奇怪的是，如今大型科技公司支付给人工智能专家的薪水比华尔街更高。因此，就工具的成熟度而言，金融行业比科技行业落后三到五年。

对于刚开始接触人工智能的巴西管理者，您有什么建议？
先从低风险、低成本的应用入手：数据汇总、风险管理、研究。测试、学习、扩展。不要等到找到完美的应用才行动。人工智能是实践，而非理论。

十年后，这个行业会是什么样子？
人工智能将渗透到管理的各个阶段。一些基金已经将人工智能作为主要决策者，而另一些基金则将其作为高级辅助工具。由于每个人都能使用相同的工具，竞争将更加激烈。最终的胜负关键仍将是人：谁能提出正确的问题。