资产管理中的生成式人工智能-投资用例以及我们技术未来会议的关键要点

www.bernsteinresearch.com构建 vs. 购买 -BlackRock主要在内部构建AI解决方案，同时与微软合作。华侨银行也因量化团队主导该倡议（我们在其他量化基金也观察到这一趋势）而在内部构建工具。然而，大多数主动管理型基金更倾向于使用现成的解决方案。AlphaSense或其他供应商帮助基金避免跟上LLM的开发速度并在内部训练模型。PMs/CIOs对了解更多可用的供应商解决方案表现出浓厚兴趣，这是我们未来工作计划涵盖的主题。系统性的内部数据采集至关重要-人们日益意识到，存放在某人笔记本或桌面上的数十年知识，如果汇聚起来，可以用来提取有意义的投资见解。许多基金正致力于有效捕捉内部数据，如电子邮件、彭博聊天记录、Slack消息、投资备忘录、会议记录等。一些基金还在创建关于“如何获得正确输出的正确提示”的内部知识库，并设计培训计划。我们认为，所有基金都应该考虑定期举办知识分享会议，让投资团队汇聚一堂，分享最有趣的应用案例或供应商解决方案。对就业和招聘计划的影响 -投资团队最关注的问题之一是生成式人工智能（Gen AI）对其工作的影响。所有我们的受访嘉宾都同意，生成式人工智能是增强投资流程的工具，而非取代从业者。我们与之交流的大多数基金都专注于提高效率，特别是在信息收集方面，并利用节省的时间来处理有趣的投资理念。我们认为，生成式人工智能将重新定义初级分析师的工作范围；尽管在短期内裁员的可能性较低，但招聘预计将放缓，因为同一团队可能会以更高效的方式覆盖更多行业和股票。贝恩斯坦于2025年5月14日在新加坡举办了其技术未来大会，会议期间进行了题为“人工智能在资产管理中的应用”的圆桌讨论，参与者包括：BlackRock的指数固定收益主管Mark Lam、华侨银行的投研主管Mark Chua以及AlphaSense亚太区销售金融服务主管Eugene Ong。在本报告中，我们分享了圆桌讨论的关键要点以及过去几个月与首席投资官/基金经理的交流内容，这些内容基于我们的报告。科技的未来：资产管理中的生成式人工智能.自上而下与自下而上方法-BlackRock采用自下而上的方法，其中用例来自投资团队，然后构建AI解决方案，而Maybank则采用两种方法的结合。虽然自上而下的AI项目往往结构更清晰，推广范围更广，但实施速度较慢，且在解决投资团队用例方面通常效果不佳。其他基金如何使用生成式人工智能？ -我们迄今为止听到的用例包括 - 摘要、招标书回复、翻译、提升研究流程效率（Alpha Sense是广泛使用的供应商之一）、会议准备、为监管机构或客户生成内容、从经纪商研究中提取见解、创意生成和构建分析师代理。更多由GIC分享的用例，请参见 -here 亚洲量化策略BERNSTEIN 未来科技会议的关键要点DETAILS自上而下与自下而上方法：在思考组织内人工智能项目的结构时，有两种方法可供采用（已被采用）——自上而下的方法，该方法使人工智能项目获得更多组织层面的支持，结构更为严谨，并促成人工智能工具在各部门更广泛的推广。然而，这种方法实施起来可能稍慢，且存在投资团队不使用这些工具的风险。另一种方法是自下而上的方法，即人工智能用例由投资团队提出，然后构建人工智能解决方案来解决这些用例——这是黑石集团采用的方法，而华侨银行则强调他们的方法融合了这两种方法。在过去几个月与多家基金会的交流中，我们注意到根据团队结构和管理层偏好，这两种方法都在被采用。构建 vs. 购买：鉴于资源和技术专长的可用性，贝莱德正在内部构建大多数人工智能解决方案，同时与微软合作。华侨银行也鉴于量化团队领导该倡议而内部构建工具。然而，在过去几个月与基金经理/首席信息官的多数对话中，我们发现大多数基金，尤其是长期基金，更倾向于寻找现成的解决方案，而不是内部构建能力。只有当基金拥有能够领导该倡议的量化团队时，才会尝试构建内部解决方案，并且有一些基金发现针对特定用例构建是有用的，而其他用例则选择采用供应商解决方案。AlphaSense显然处于这一方程的买入方，尤金强调，他们的客户喜欢使用AlphaSense或任何其他类似供应商的一个关键原因是，这些平台在研究与开发上投入的资金，以保持与生成式人工智能开发速度的同步，这对大型组织的内部人工智能项目来说难以做到。除此之外，供应商解决方案已经投入时间和资金在外部金融市场数据上训练了大型语言模型，并提供上传内部数据集的能力；这使得资产管理公司内部进行相同操作变得徒劳。贝恩斯坦于2025年5月14日在新加坡举办了其科技创新峰会，并举办了题为“生成式人工智能在资产管理中的应用”的圆桌讨论，参与者包括BlackRock指数固定收益部门总监Mark Lam、华侨银行资产管理投资科学负责人Mark Chua以及AlphaSense亚太区销售金融服务负责人Eugene Ong。该圆桌讨论涵盖了一系列议题，从组织应如何看待其人工智能计划的结构（自上而下与自下而上的方法）、是内部构建还是购买现成的解决方案，到讨论生成式人工智能为投资团队提供的实际用例，并探讨了那个令人担忧的问题“生成式人工智能会取代我们的工作吗？”。我们在此分享一些关键要点：清洁/系统的内部数据捕获至关重要：我们所有的受访嘉宾都极力强调，在内部构建强大的数据架构对于使人工智能项目成功和可扩展的重要性。内部数据采集将涵盖电子邮件、彭博图表、Slack消息、内部投资备忘录、公司会议记录等。所有有助于获取更多投资洞察的信息都应以一种更系统的方式被捕捉，即使这并非历史常规。在我们去年与GIC的圆桌对话中，相同的观点被提出，以促进人工智能更具可扩展性和结构的采纳。详情请参见 -量化系列：利用生成式人工智能进行资产管理——我们与GIC的对话要点投资用例：我们小组中的两位演讲者都分享了一些关于Gen AI在他们组织中的使用案例，尤金还分享了AlphaSense如何提高投资研究流程的效率。在Maybank资产管理公司，Gen AI被用于分析/预测收益，响应RFP文件，并向基本分析团队解释量化模型。在BlackRock，多个投资团队的成员正在推进AI计划，核心重点是建立合适的基础设施，使AI解决方案可扩展。股票团队正在使用Gen AI进行深入研究，创建代理以模拟对就业/招聘的影响：投资分析师和PM们（完全可以理解地）最大的担忧之一是Gen AI将对他们工作造成的影响。所有受访嘉宾都同意，Gen AI应该被视为辅助投资从业者，而非取代他们。尤金分享了某大型资产管理公司一位PM向他强调的观点——尽管其团队在使用AlphaSense后效率提升了20%，但重点在于利用额外时间从事更具生产力的工作，而非削减人员。在我们的对话中，尽管许多PM认为这些Gen AI工具可以充当实习生，并有望达到初级分析师的水平；但大多数人仍认为，从方程式中移除人类并非可行/值得信赖的选择。我们相信，Gen AI将持续重塑初级分析师的工作范畴，因为他们可能会花更少的时间进行信息或数据收集，而将更多时间用于提炼投资见解和/或创意发想。然而，我们则认为，更广泛的人工智能应用将意味着未来招聘减少，因为相同数量的团队成员有可能以更高效的方式覆盖更多行业和股票。从某种程度上说，这似乎是一种悖论，一方面，人工智能被视为解决人口老龄化的重大解决方案；另一方面，它又限制了愿意/有能力工作的人们的就业机会。 2 USE CASES SHARED BY THE PANELISTS亚洲量化策略•在研究过程中提高效率：Alpha Sense 是一个利用机器学习和自然语言处理技术的平台，能够帮助投资专业人士轻松从券商研究报告（涵盖1500家供应商）、专家库（包含185000份专家访谈的专有数据库）、公司文件（全球约68000家公司）、新闻、监管更新以及内部内容中提取洞察。下图展示的是 AlphaSense Gen Search 的屏幕截图，用户可以通过输入简单问题从所有公司特定资源中获取信息。Alpha Sense 与 ChatGPT、Claude 或其他大语言模型（LLM）相比的最大优势在于其信息来源均具有可信度和可验证性。Alpha Sense 还通过其 GenGrid 工具能够更快速有效地分析盈利电话记录，其屏幕截图展示于下图。Gen Grid 展示特定公司的历史盈利数据，提供快速摘要并能够捕捉情绪。尤金（Eugene）提到的一个例子是“回避用语”（avoidance language），即分析公司盈利电话记录以识别管理层回避的问题。根据我们近几个月与众多基金公司的对话，我们可以认为 AlphaSense 是一个知名的/被广泛使用的供应商，基金经理和分析师正利用其进行•使用提示工程分析收益电话会议：他分享了他们使用提示工程（prompt engineering）来提取上传至ChatGPT的盈利电话（earnings call）中的正确财务指标。这是基于他们的团队中的基本面分析师通常会从盈利电话中寻找的信息类型。由于经过设计的GPT能够以秒为单位生成输出，因此减少了他们的基本面团队分析盈利电话所花费的时间。更有趣的是，提示工程帮助他们从AI工具中获得了下一期的盈利预测以及预测的置信水平（大致范围为80%），这非常有用。下方的图2显示了这种经过提示工程的GPT的输出截图。该模型基于去年发布的一篇芝加哥商学院（Chicago Booth）的论文，该论文声称大型语言模型（LLMs）在分析财务报表方面的能力优于平均水平的分析师（请注意，该工作论文由于一些不一致性已被撤回）。•使用生成式人工智能回应招标书：响应RFP（投标邀请书）会占用投资团队的时间，这些时间本可以更有效地用于投资。华侨银行正利用生成式人工智能，通过使用历史问题库和常用答复，快速响应RFP。其他一些基金公司也强调，这可以作为一种提高投资团队生产力的低门槛应用场景。一个分析师的工作流程，分析盈利情况并处理主题投资组合。固定收益/指数团队发现通用人工智能尤其适用于分析庞大的债券募集说明书，并提高了他们在ETF一级市场流程中的上市速度。我们将在下一节详细讨论这些内容。BlackRock的固定收益指数部门总监Mark Lam指出，在为投资团队生成AI解决方案时，他们采取了拉动式方法，即用例来自投资团队而非AI团队生成通用解决方案。Mark分享了两个用例，表明生成式AI能够大幅减少时间和精力。•利用人工智能弥合量化分析和基本面分析之间的差距，并使量化分析结果易于理解：他分享说，他们创建了一个仪表盘，可以快速总结任何公司的信息，包括其因子/量化分数、技术指标和基本面分析。他们使用人工智能生成总结，解释为什么量化框架看好某家公司，使其对基本面团队更友好，并消除了量化基金经理解释模型输出的需求。下方的图1展示了一个仪表盘的屏幕截图。•增强投资流程：Mark分享的一个例子是关于ETF的一级市场流程，这是一个漫长的过程，需要多方团队的协商和反复沟通。通过AI，该流程得以缩短，因为历史回复可以被用来加速协商，而不是每次都回到多个利益相关者那里。•要分析和理解债券募集说明书：鉴于债券募集说明书是篇幅庞大的文件，该团队通过使用大型语言模型分析、总结和理解这些文件，从而节省了大量时间。这使得团队能够以更快的速度和更高的连贯性覆盖更多证券。Maybank Asset Management 的投资科学主管 Mark Chua 分享了一些关于 Gen AI 如何在他们投资团队中使用的案例。阿尔诺·德洛尔，AlphaSense亚太区销售金融服务负责人，强调了AlphaSense如何提高研究流程的效率（请注意，80%的顶级资产管理公司都是AlphaSense的客户）。 3 亚洲量化策略来源：华侨银行资产管理公司EXHIBIT 1:Maybank的仪表盘：使用生成式AI快速总结股票的基本面、因子敞口、技术面基本面与总体评分他们的研究流程更加高效。有关AlphaSense的更多详情，请参见 -AlphaSense | 市场智讯与搜索平台. 5来源：华侨银行资产管理公司亚洲量化策略EXHIBIT 2:Screenca