華爾街的AI革命在哪兒呢？
從建築到娛樂，幾乎所有行業都在測試生成式AI，希望從這種能生成頗為類似人類手筆的文本、圖像和藝術的技術中獲利。
本文為風傳媒與華爾街日報正式合作授權轉載。加入VVIP會員請點此訂閱：風傳媒・華爾街日報VVIP，獨享全球最低優惠價，暢讀中英日文全版本之華爾街日報，洞悉國際政經最前沿。
華爾街長期以來一直使用自動化演算法來完成安排交易和管理風險之類的任務。但投資者在依靠AI應對他們的最大挑戰方面尚未取得多少進展，這個挑戰就是跑贏大市。有人把ChatGPT視為有助於促進銷售和研究工作的工具，然而利用AI進行投資還沒有什麼特別令人印象深刻的成果。
「將AI應用於投資的進展有限，不過語言模型方面的創新或許會在未來幾年改變這種情況，」 Columbia Investment Management Co.的董事總經理Jonathan Larkin說。該公司為哥倫比亞大學（Columbia University）管理著130億美元的捐贈資金並投資於各種基金。
華爾街在AI方面可以算有先發優勢。40年前，包括Renaissance Technologies創始人Jim Simons在內，一些原本從事數學研究、後來轉做量化投資的人士，開發了讓計算機做投資決策的演算法。
他和其他量化分析師多年來一直在使用屬於AI技術的機器學習。他們建立了交易模型，這些模型可以根據過去的數據進行推斷，以便在有限人為干預的情況下找到相關的走勢形態，並開發能夠賺錢的交易。
但量化分析師說，鮮有公司成功做到將所有業務都交給機器。在機器自我學習或強化學習方面，他們還沒有取得重大進展；機器自我學習或強化學習需要訓練計算機自己學習和制定策略。Renaissance等公司的人士說，這些公司依靠的確實是先進的統計數據，而不是最尖端的AI方法。
Larkin說：「大多數量化分析師仍採取『理論優先』策略，根據這種策略，他們先建立一個解釋為什麼可能存在某種異常情況的假設，然後圍繞這個假設形成一個模型。」
一個大問題是：與用於開發ChatGPT聊天機器人以及類似基於語言的AI項目的數據相比，投資者依賴的數據集更加有限。舉例來說，ChatGPT是一個擁有1,750億個參數的模型，使用了過去幾十年、有時甚至幾個世紀以來的文本以及來自書籍、期刊、網路等來源的其他數據。相比之下，對沖基金和其他投資者通常使用定價和其他市場數據來訓練自己的交易系統，而此類數據本來就有限。
D.E. Shaw的前高階主管Jon McAuliffe說，談到投資，情況有所不同。他稱：「我們沒有無限量的數據來幫助我們運行無限大的模型。」 McAuliffe現在是Voleon Capital Management LP的聯合創始人，這是一家依賴於機器學習的對沖基金。 （相關報導： 華爾街日報》中共企圖改寫集體抗疫史，重塑國人關於新冠的痛苦記憶 ｜ 更多文章 ）
同樣重要的一點是，市場數據比語言和其他數據「更嘈雜」，從而比較難以用來解釋或預測市場走勢。換句話說，收益、股票動能、投資者信心和其他金融數據只能部分地解釋股票走勢，其餘的都是莫名其妙的「噪音」。因此，機器學習模型可以識別各種市場數據的相關性，但事實證明它無法預測未來的股票走勢。
