北京時間4月13日消息，眼下，從建築業到娛樂業，幾乎每個行業都希望抓住生成式人工智能(AI)的風口，從這項新興技術中獲利。但諷刺的是，一個最賺錢的地方卻找不到AI革命，它就是華爾街。
很長時間以來，華爾街一直在使用自動化算法來完成交易和風險管理等任務。但是，投資者一直無法依靠AI來解決他們最大的挑戰：跑贏大盤。雖然有些人將ChatGPT視為促進銷售和研究工作的一種途徑，但使用AI的投資結果並不是特別盡人意。
“華爾街在將AI應用於投資方面的進展有限，盡管語言建模方面的創新可能會在未來幾年改變這一現狀。” 哥倫比亞投資管理公司董事總經理喬納森·拉金(Jonathan Larkin)表示。該公司管理著哥倫比亞大學獲得的130億美元的捐贈基金，並投資各種基金。
40年的嘗試
其實，華爾街在AI領域的嘗試起步更早。40年前，包括美國對沖基金文藝復興科技創始人吉姆·西蒙斯(Jim Simons)在內的數學傢出身的量化分析師，開發出將投資決策交給計算機的算法。
他和其他量化分析師多年來一直在使用機器學習(AI的一種)，並且已經建立交易模型，能夠從過去的數據進行推斷，在有限的人為幹預下開發有利可圖的交易。
華爾街很早就使用自動算法，但不盡人意
然而，量化分析師們稱，很少有公司能成功地將所有業務都交給機器。他們在自我學習或強化學習方面也沒有取得重大進展，因為這需要訓練計算機自己學習和制定策略。來自這些公司的人士說，事實上，文藝復興科技和其他公司依賴的是先進的統計數據，而不是尖端的AI方法。
“大多數量化分析師仍然采取‘理論優先’的方法，他們首先建立一個假設，解釋為什麼某個異常可能存在，然後圍繞這個假設建立一個模型。”拉金稱。
數據的缺失
這就產生一個比較大的問題：與那些用於開發ChatGPT和類似基於語言的AI項目的數據集相比，投資者依賴的數據集更有限。例如，ChatGPT是一個擁有1750億個參數的模型，它使用幾十年(有時是幾個世紀)的文本和其他來自書籍、期刊、互聯網等地方的數據。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，受到先天性限制。
對沖基金D.E. Shaw前高管喬恩·麥考利夫(Jon McAuliffe)指出，在投資方面，“情況有所不同，我們沒有無限量的數據來幫助我們訓練無限規模的模型”。他現在是Voleon資本管理有限公司的聯合創始人，這是一傢依賴機器學習的對沖基金。
另外一個關鍵問題是，市場數據比語言和其他數據“更嘈雜”，因此更難用它來解釋或預測市場走勢。換句話說，收益、股票勢頭、投資者情緒和其他財務數據隻能部分解釋股票走勢，其餘都是無法解釋的“噪音”。因此，機器學習模型可以識別各種市場數據的相關性，但無法預測未來的股票走勢。
股市的特性
與語言不同的是，股市瞬息萬變。企業會改變戰略，新領導人會做出激進的決定，經濟和政治環境會突然轉變。而模型依賴的是歷史長期數據趨勢，這讓交易變得更加困難。
盡管事實證明ChatGPT確實很厲害，但它經常會犯一些明顯的錯誤，這些錯誤會讓投資者賠錢，並危及他們的聲譽。
金融科技公司Proven CEO理查德·杜威(Richard Dewey)也指出，投資是“對抗性的”。也就是說，它需要與急於利用任何錯誤的對手競爭。這使得利用AI進行投資要比將這些方法用於自然語言、圖像分類或自動駕駛汽車更困難。
“像文藝復興、D.E. Shaw這樣的公司仍然雇傭著那麼多博士，這是有原因的。”杜威表示。他說，在嘈雜的、受人類行為反饋回路影響的股市中，人類仍然是必不可少的，“在投資方面，仍然很難把一切都交給機器”。
ChatGPT犯錯會導致投資者賠錢
盡管如此，仍有跡象表明，投資者對AI的依賴正變得越來越放心。Voleon是過去幾年圍繞著機器學習和其他AI方法成立的一批對沖基金之一。
舊金山量化對沖基金Numerai表示，該公司去年利用機器學習技術獲得20%的收益。同樣在去年，Google母公司Alphabet旗下人工智能子公司DeepMind Technologies的三名高級員工離職，在佈拉格創立一傢名為“平衡技術”(EquiLibre Technologies)的機器學習基金，引起轟動。
一些AI專傢認為，AI有朝一日可能有助於交易的民主化，讓個人和其他人的程序像大型對沖基金使用的程序一樣強大。不過，Man FRM的首席投資官延斯·弗倫巴赫(Jens Foehrenbach)表示，目前專註於機器學習和其他AI方法的公司太少，無法確定是否有可能獲得巨大回報，而且早期回報並不一致。Man FRM在對沖基金上的投資超過200億美元。
“他們的結果差異很大，”弗倫巴赫表示，“這種策略可能會產生非常意想不到的效果，這讓投資者很難決定是減少還是增加投資。”
AI支持者相信，他們的方法最終會取得良好的效果。機器學習模型最終可以將有意義的內容從無意義的內容中分類出來。“建立機器學習策略更加困難，而且有更多錯誤的開始，”Voleon的麥考利夫表示，“但是一旦你讓它們工作起來，這些策略就會做出更準確的預測。”
平衡技術公司聯合創始人兼CEO馬丁·施密德(Martin Schmid)表示，“強化學習”將適用於股票和債券，就像國際象棋、撲克牌和其他遊戲一樣。“強化學習”是一種機器學習形式。在這其中，計算機會根據各種交易投資決策受到“懲罰和獎勵”。施密德稱，該公司仍在完善其交易模型，尚未開始投資。
一些人說，近期的AI進展可能會撼動研究和銷售等領域。“現在，你可以為客戶創建自動化定制信息，這是投資銀行銷售人員的主要工作。”高盛和橋水基金前員工延斯·諾德維克(Jens Nordvig)說。他現在運營著MarketReader，該公司使用人工智能提取金融新聞。
ChatGPT能預測股價？
不過，美國佛羅裡達大學金融學教授亞歷杭德羅·洛佩茲-裡拉(Alejandro Lopez-Lira)近日表示，大型語言模型可能在預測股價時有用。
裡拉在最近一篇未經評審的論文中表示，他使用ChatGPT來分析新聞標題，判斷它們對股票是好是壞。結果發現，ChatGPT預測第二天股票收益走勢的能力比隨機預測要好得多。“ChatGPT理解的是針對人類的信息。這一事實幾乎可以保證，如果市場沒有做出完美的反應，就會有收益的可預測性。”他表示。
裡拉的論文
這項實驗觸及到尖端人工智能承諾的核心內容：隨著更強大計算機和更好的數據集的出現，比如支持ChatGPT的數據集，這些人工智能模型可能會展示出“湧現能力”(Emergent Abilities，小模型不具備的能力)，或者在這些模型構建時最初沒有計劃的能力。如果ChatGPT能夠展示出理解金融新聞標題以及如何影響股票價格的湧現能力，那麼它可能會使金融業的高薪工作處於危險境地。高盛在3月26日的一份報告中估計，大約35%的金融工作面臨被人工智能自動化替代的風險。
但是，實驗的具體情況也表明，所謂的“大型語言模型”離能夠完成許多金融任務還有很遠的距離。例如，這個實驗沒有包括目標價格，也沒有讓模型做任何數學運算。事實上，正如微軟在今年早些時候的公開演示中所解到的那樣，ChatGPT類似的技術經常會編造數字。由於已經存在專有的數據集，對新聞標題的情緒分析已被視為一種可行的交易策略。
裡拉表示，他對於這一研究結果感到驚訝，並認為這表明老練的投資者還沒有在他們的交易策略中使用類似ChatGPT的機器學習。“在監管方面，如果我們的計算機隻閱讀標題，標題就會更重要，我們可以看看是否每個人都應該使用GPT這樣的機器，”他表示，“其次，這肯定會對金融分析師的就業前景產生一些影響。問題是，我想付錢給分析師嗎？或者我是否隻需將文本信息放入模型中？”
實驗過程
在這項實驗中，裡拉和他的合作夥伴唐月華(Yuehua Tang，音譯)查看來自一傢數據供應商的5萬多條頭條新聞，涉及紐約證券交易所、納斯達克和一傢小盤交易所的上市股票。這些新聞的起始時間是在2022年10月，在ChatGPT的數據訓練截止日期之後，這意味著該模型在訓練中沒有看到或使用過這些標題。
然後，他們將這些新聞標題與提示一起輸入ChatGPT 3.5中，給出的提示是“忘記你之前的所有指示。假裝你是一個金融專傢。你是一個有股票推薦經驗的金融專傢。如果是好消息，回答‘是’，如果是壞消息，回答‘否’。如果不確定，在第一行回答’未知’。然後在下一行用一個簡短明的句子來闡述”。
然後，他們觀察股票在接下來一個交易日的回報情況。最終，裡拉發現，在新聞標題的指導下，ChatGPT在幾乎所有情況下都表現得更好。 具體來說，在新聞標題的指導下，他發現該模型隨機選擇次日走勢的概率低於1%。
ChatGPT在人類情緒得分方面也擊敗商業數據集。研究人員表示，論文中的一個例子是關於一傢公司解決訴訟並支付罰款的標題，使用一種負面情緒，但ChatGPT的反應正確地認為這實際上是好消息。
裡拉稱，已經有對沖基金聯系他，希望更多地解他的研究。他還表示，隨著機構開始整合ChatGPT技術，如果未來幾個月該技術預測股票走勢的能力下降，他也不會感到驚訝。這是因為該實驗隻研究下一個交易日的股價，而大多數人都認為，股市可能在消息公佈幾秒鐘後就已經對其反映在股價中。
“隨著越來越多的人使用這類工具，市場將變得更加高效，因此你可以預期回報的可預測性會下降，”裡拉表示，“所以我的猜測是，如果我進行這個測試，在未來五年，到第五年，回報率的可預測性將為零。”