眼下，从修建业到娱乐业，险些每个行业都希望捉住天生式人工智能(AI)的风口，从这项新兴手艺中赚钱。但取笑的是，一个*钱的地方却找不到AI革命，它就是华尔街。

很长时间以来，华尔街一直在使用自动化算法来完成生意和风险治理等义务。然则，投资者一直无法依赖AI来解决他们*的挑战：跑赢大盘。虽然有些人将ChatGPT视为促进销售和研究事情的一种途径，但使用AI的投资效果并不是稀奇尽人意。

“华尔街在将AI应用于投资方面的希望有限，只管语言建模方面的创新可能会在未来几年改变这一现状。” 哥伦比亚投资治理公司董事总司理乔纳森·拉金(Jonathan Larkin)示意。该公司治理着哥伦比亚大学获得的130亿美元的捐赠基金，并投资种种基金。

40年的实验

着实，华尔街在AI领域的实验起步更早。40年前，包罗美国对冲基金文艺中兴科技首创人吉姆·西蒙斯(Jim Simons)在内的数学家身世的量化剖析师，开发出了将投资决议交给盘算机的算法。

他和其他量化剖析师多年来一直在使用机械学习(AI的一种)，而且已经确立了生意模子，能够从已往的数据举行推断，在有限的人为干预下开发有利可图的生意。

然而，量化剖析师们称，很少有公司能乐成地将所有营业都交给机械。他们在自我学习或强化学习方面也没有取得重大希望，由于这需要训练盘算机自己学习和制订计谋。来自这些公司的人士说，事实上，文艺中兴科技和其他公司依赖的是先进的统计数据，而不是尖端的AI方式。

“大多数目化剖析师仍然接纳‘理论优先’的方式，他们首先确立一个假设，注释为什么某个异常可能存在，然后围绕这个假设确立一个模子。”拉金称。

数据的缺失

这就发生一个对照大的问题：与那些用于开发ChatGPT和类似基于语言的AI项目的数据集相比，投资者依赖的数据集更有限。例如，ChatGPT是一个拥有1750亿个参数的模子，它使用了几十年(有时是几个世纪)的文本和其他来自书籍、期刊、互联网等地方的数据。相比之下，对冲基金和其他投资者通常使用订价和其他市场数据来训练自己的生意系统，受到了先天性限制。

对冲基金D.E. Shaw前高管乔恩·麦考利夫(Jon McAuliffe)指出，在投资方面，“情形有所差异，我们没有无限量的数据来辅助我们训练无限规模的模子”。他现在是Voleon资源治理有限公司的团结首创人，这是一家依赖机械学习的对冲基金。

另外一个要害问题是，市场数据比语言和其他数据“更嘈杂”，因此更难用它来注释或展望市场走势。换句话说，收益、股票势头、投资者情绪和其他财政数据只能部门注释股票走势，其余都是无法注释的“噪音”。因此，机械学习模子可以识别种种市场数据的相关性，但无法展望未来的股票走势。

股市的特征

与语言差其余是，股市瞬息万变。企业会改变战略，新向导人会做出激进的决议，经济和政治环境会突然转变。而模子依赖的是历史耐久数据趋势，这让生意变得加倍难题。

只管事实证实ChatGPT确实很厉害，但它经常会犯一些显著的错误，这些错误会让投资者赔钱，并危及他们的声誉。

金融科技公司Proven CEO理查德·杜威(Richard Dewey)也指出，投资是“匹敌性的”。也就是说，它需要与急于行使任何错误的对手竞争。这使得行使AI举行投资要比将这些方式用于自然语言、图像分类或自动驾驶汽车更难题。

“像文艺中兴、D.E. Shaw这样的公司仍然雇佣着那么多博士，这是有缘故原由的。”杜威示意。他说，在嘈杂的、受人类行为反馈回路影响的股市中，人类仍然是必不能少的，“在投资方面，仍然很难把一切都交给机械”。

只管云云，仍有迹象注释，投资者对AI的依赖正变得越来越放心。Voleon是已往几年围绕着机械学习和其他AI方式确立的一批对冲基金之一。

旧金山量化对冲基金Numerai示意，该公司去年行使机械学习手艺获得了20%的收益。同样在去年，谷歌母公司Alphabet旗下人工智能子公司DeepMind Technologies的三名高级员工去职，在布拉格建立了一家名为“平衡手艺”(EquiLibre Technologies)的机械学习基金，引起了惊动。

「店而优则瓶」，蜜雪冰城盯上了气泡水的生意

一些AI专家以为，AI有朝一日可能有助于生意的民主化，让小我私人和其他人的程序像大型对冲基金使用的程序一样壮大。不外，Man FRM的首席投资官延斯·弗伦巴赫(Jens Foehrenbach)示意，现在专注于机械学习和其他AI方式的公司太少，无法确定是否有可能获得伟大回报，而且早期回报并纷歧致。Man FRM在对冲基金上的投资跨越200亿美元。

“他们的效果差异很大，”弗伦巴赫示意，“这种计谋可能会发生异常意想不到的效果，这让投资者很难决议是削减照样增添投资。”

AI支持者信托，他们的方式最终会取得优越的效果。机械学习模子最终可以将有意义的内容从无意义的内容中分类出来。“确立机械学习计谋加倍难题，而且有更多错误的最先，”Voleon的麦考利夫示意，“然则一旦你让它们事情起来，这些计谋就会做出更准确的展望。”

平衡手艺公司团结首创人兼CEO马丁·施密德(Martin Schmid)示意，“强化学习”将适用于股票和债券，就像国际象棋、扑克牌和其他游戏一样。“强化学习”是一种机械学习形式。在这其中，盘算时机凭证种种生意投资决议受到“责罚和奖励”。施密德称，该公司仍在完善其生意模子，尚未最先投资。

一些人说，近期的AI希望可能会撼动研究和销售等领域。“现在，你可以为客户确立自动化定制信息，这是投资银行销售职员的主要事情。”高盛和桥水基金前员工延斯·诺德维克(Jens Nordvig)说。他现在运营着MarketReader，该公司使用人工智能提取金融新闻。

ChatGPT能展望股价？

不外，美国佛罗里达大学金融学教授亚历杭德罗·洛佩兹-里拉(Alejandro Lopez-Lira)克日示意，大型语言模子可能在展望股价时有用。

里拉在最近一篇未经评审的论文中示意，他使用ChatGPT来剖析新闻问题，判断它们对股票是好是坏。效果发现，ChatGPT展望第二天股票收益走势的能力比随机展望要好得多。“ChatGPT明晰的是针对人类的信息。这一事实险些可以保证，若是市场没有做出*的反映，就会有收益的可展望性。”他示意。

图｜里拉的论文

这项实验触及到了尖端人工智能准许的焦点内容：随着更壮大盘算机和更好的数据集的泛起，好比支持ChatGPT的数据集，这些人工智能模子可能会展示出“涌现能力”(Emergent Abilities，小模子不具备的能力)，或者在这些模子构建时最初没有设计的能力。若是ChatGPT能够展示出明晰金融新闻问题以及若何影响股票价钱的涌现能力，那么它可能会使金融业的高薪事情处于危险田地。高盛在3月26日的一份讲述中估量，约莫35%的金融事人情临被人工智能自动化替换的风险。

然则，实验的详细情形也注释，所谓的“大型语言模子”离能够完成许多金融义务尚有很远的距离。例如，这个实验没有包罗目的价钱，也没有让模子做任何数学运算。事实上，正如微软在今年早些时刻的果然演示中所领会到的那样，ChatGPT类似的手艺经常会编造数字。由于已经存在专有的数据集，对新闻问题的情绪剖析已被视为一种可行的生意计谋。

里拉示意，他对于这一研究效果感应惊讶，并以为这注释老练的投资者还没有在他们的生意计谋中使用类似ChatGPT的机械学习。“在羁系方面，若是我们的盘算机只阅读问题，问题就会更主要，我们可以看看是否每小我私人都应该使用GPT这样的机械，”他示意，“其次，这一定会对金融剖析师的就业远景发生一些影响。问题是，我想付钱给剖析师吗？或者我是否只需将文本信息放入模子中？”

实验历程

在这项实验中，里拉和他的相助同伴唐月华(Yuehua Tang，音译)查看了来自一家数据供应商的5万多条头条新闻，涉及纽约证券生意所、纳斯达克和一家小盘生意所的上市股票。这些新闻的起始时间是在2022年10月，在ChatGPT的数据训练停止日期之后，这意味着该模子在训练中没有看到或使用过这些问题。

然后，他们将这些新闻问题与提醒一起输入ChatGPT 3.5中，给出的提醒是“遗忘你之前的所有指示。冒充你是一个金融专家。你是一个有股票推荐履历的金融专家。若是是好新闻，回覆‘是’，若是是坏新闻，回覆‘否’。若是不确定，在*行回覆’未知’。然后在下一行用一个简短明晰的句子来论述”。

然后，他们考察了股票在接下来一个生意日的回报情形。最终，里拉发现，在新闻问题的指导下，ChatGPT在险些所有情形下都显示得更好。详细来说，在新闻问题的指导下，他发现该模子随机选择越日走势的概率低于1%。

ChatGPT在人类情绪得分方面也击败了商业数据集。研究职员示意，论文中的一个例子是关于一家公司解决诉讼并支付罚款的问题，使用了一种负面情绪，但ChatGPT的反映准确地以为这现实上是好新闻。

里拉称，已经有对冲基金联系他，希望更多地领会他的研究。他还示意，随着机构最先整合ChatGPT手艺，若是未来几个月该手艺展望股票走势的能力下降，他也不会感应惊讶。这是由于该实验只研究了下一个生意日的股价，而大多数人都以为，股市可能在新闻宣布几秒钟后就已经对其反映在股价中。

“随着越来越多的人使用这类工具，市场将变得加倍高效，因此你可以预期回报的可展望性会下降，”里拉示意，“以是我的展望是，若是我举行这个测试，在未来五年，到第五年，回报率的可展望性将为零。”