判断趋势、更有效地控制风险。简单来说，拼的不单单是算力、拼的更多是算法，这也是基金经理个人阿尔法和基金公司投研壁垒的核心来源。   王悦表示：“我们更看重投研人员思考的深度，而非信息整理的广度。因此投研人员要做的是问出那个关键的问题，而不是得到一个信息尽可能齐全的答案。信息永远是无穷无尽的，找到最核心的那个变量并敏锐地抓住它，才是投研人员超额收益的来源。”   车宏原也表示，AI通过自动化处理多种模态的信息，有助于提升信息处理的效率，使得研究员必须向深度逻辑推演、产业洞察和交叉验证等高阶能力转型，因此，有望推动投研体系向人机协同的网状结构进化，改变“研究员推票—基金经理决策”的线性架构。投研人员有望与AI共同进行线索挖掘、策略构建和风险把控。   “我们不会被AI取代，但我们一定会被熟练使用AI的人所取代；特别是在投研这样一个科学与艺术交织、理性与感性共存的工作领域。”前述华南公募基金经理表示，“站在公司层面构建投研壁垒，核心还是要打造一套与公司相适配的生态；而要构建这个生态，需要有好的机制、文化、人才以及工具等，而这里的工具，未来一定是和AI相关的。最终在这个环境中，大家各自发挥所长，又在统一的平台上汲取信息的养分，最终构成一个协调统一的生态。”   拥抱效率亦需警惕风险   AI的助力，无疑让投研日常工作事半功倍，但多家公募基金已经深刻体会到，AI是一把双刃剑——它能极大提升投研效率，但也隐藏着诸多风险，这些风险如果不加以重视和管控，很可能导致投资损失。   益民基金数量金融实验室指出，需要警惕AI模型的“黑箱风险”，这是最核心、最需要警惕的风险。当前，大部分AI模型（尤其是深度学习模型的运行逻辑是“不可解释”的，即只知道输入数据和输出结果，但不知道模型是如何得出这个结果的，这就是“黑箱问题”。   该实验室认为，这种风险主要体现在两个方面：一是因子挖掘的“伪有效”，AI可能会挖掘出一些看似具有显著性的因子，但这些因子其实是“历史拟合”的结果，在未来的市场环境中无法产生收益，甚至会导致亏损；二是决策建议的误导性，AI可能基于错误的逻辑或偏差的数据，给出看似合理的决策建议，如果基金经理盲目依赖，可能会做出错误的投资决策。比如，AI可能因为某只个股的历史数据表现良好，就给出“买入”建议，但忽略了该个股当前的基本面已经发生恶化，这种“黑箱误导”可能带来不小的投资损失。
=*=*=*=*=*=
当前为第6/7页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页