量化基金長期以來一直是資產管理領域人工智慧的最大用戶。不過，生成式人工智慧的出現可能有利於傳統的、基本面驅動的資產管理者，而不是量化分析師。
這是亞洲幾位量化基金經理人和數據提供者表達的擔憂 地精.
「人工智慧在金融領域的應用仍然很少，」一位量化經理表示。 「數據科學家並沒有將其應用於資本市場。但如果這些工具被用來交易股票，情況將會改變。將會有新的贏家和輸家。”
什麼是量化？
寬客根據龐大的運算能力和模擬投資策略的客製化軟體程式來買賣股票。量化投資的興起恰逢長達數十年的利率下降和被動投資的興起——這兩種趨勢使得人類主動選股成為一項競爭力越來越低的行業。
演算法或系統編程交易的使用催生了「系統投資」產業，公司經營單一策略經理的平台，追逐特定的策略或「因素」（例如利率或市場波動性）。
這類投資人對成為股東不感興趣，只對快速買賣股票以驅動策略：多頭/空頭、市場中立、統計套利、事件驅動。與高頻交易世界有重疊，其共同點是純粹以數位術語概念化和驅動的交易。
人工智慧老前輩
這些想法並不新鮮，但運算能力和大數據集的可用性在過去二十年推動了寬客的崛起。在過去的十年中，寬客一直是機器學習和神經網路等新人工智慧技術的早期採用者。他們成為另類數據的貪婪消費者，例如來自社群媒體的情緒分析。
量化投資者面臨的最大問題是“可解釋性”，這是人工智慧的一個較新的術語，可以追溯到量化投資者的“黑盒子”。 1998 年長期資本管理公司 (Long Term Capital Management) 的倒閉集中反映了這種風險，尤其是在量化分析師通常都使用槓桿的情況下。
但從那時起，Citadel、DE Shaw、Man AHL、Millennium Management、Renaissance Technologies 和 Two Sigma 等量化公司已成為華爾街最大、最有影響力的買方公司。他們的成功促使貝萊德或富達等傳統基金公司推出了自己的量化策略。
他們還在非美國市場開展業務，在那裡他們可以找到流動性、低延遲交易基礎設施和對沖工具（例如追蹤當地市場指數的 ETF 或期貨合約）。日本一直是亞太地區最大的市場，但印度現在是一個主要的競爭場。 （亞洲的一個問題是監管反覆無常，韓國最近禁止賣空以及政府對中國的干預力度加大就證明了這一點。）
因此，量化基金不僅是有影響力的頂級掠奪者：它們還處於採用新數位技術的最前沿。
進入GenAI
這使得人工智慧的新發展成為量化分析師的難題。
這些公司當然會充分利用生成式預訓練 Transformer 實現的大語言模型 (LLM)。
寬客的聖杯是將法學碩士轉變為預測工具。人類將與他們的電腦夥伴進行交互，以檢測時間序列和其他資料集的模式。事實上，寬客已經這樣做了，只是法學碩士應該讓這個過程更加直觀，更好地整合非文字數據，並讓開發人員更快地建立模型。
量化機構也將使用 genAI 來實現更平凡的目的，例如學習如何撰寫監管報告、解釋收益報告或篩選融資演講稿。客戶引導和其他後台功能可以進一步自動化。
但量化商店做這些事情並沒有什麼神秘之處，因為這與其他人使用 genAI 所做的事情是一樣的。
每個人都這樣做
差別在於開發預測投資模型和執行演算法。這就是量化分析師的特殊之處，但早期跡象表明 genAI 也將使傳統資產管理公司能夠做這些事情。對於私募股權基金的管理者來說也是如此——眾所周知，這是一個非自動化的業務，可以利用法學碩士讓投資決策更加系統化和數據驅動。
資產管理公司都會面臨法學碩士的問題以及他們編造事實的傾向。 OpenAI 的 ChatGPT 等產品是終極黑盒子。儘管量化基金依靠人工智慧來預測策略，但這些基金仍由了解交易理念後果的持證專業人士所經營。 genAI 工具的情況並非如此。
即時工程可以透過提供一定程度的透明度來增加價值，透過詢問法學碩士以了解他們的流程以及用於做出決定的因素和來源。從理論上講，有一天，法學碩士可能會比人類更透明和負責。
儘管將投資交給機器的想法是一個很好的標題，但寬客可能會以更具體的方式使用法學碩士。
例如，他們需要工具來識別交易的真實摩擦成本，這涉及對微觀市場結構的深入研究。衡量交易者績效的典型指標稱為“執行不足”，以了解他們對特定交易預算的遵守程度。這種演算法已經變得越來越複雜，因為公司會在白天尋找流動性成熟的時刻，或者可以在不透露自己的手牌的情況下進行交易的時刻。
這是關於尋找市場訊號，這是寬客使命的核心。量化商店很可能會使用 genAI 開發更好的方法來預測執行交易的最佳時間和地點。
這仍然非常有用，但這並不像任何人將車鑰匙交給終結者。人工智慧也未能克服亞洲市場的最大障礙，即缺乏對沖工具，以及合約可用時對沖成本高昂。
更重要的是，這並不是特定於寬客的。大型傳統買方也使用這些執行演算法，無論是內部設計還是由賣方經紀人設計。
對於量化分析師來說，存在的問題是，當 genAI 工具可以讓基礎資產管理者更容易利用他們所做的許多事情時，他們如何保持優勢。量化商店避免成為眾人矚目的焦點，部分原因是他們將人工智慧模型和執行演算法視為秘密武器。 genAI 能否將這些變成商品？您的即時工程到底有多與眾不同？
正如一位分析師所說，「多年來，人工智慧一直是我們工具集的一部分。 GenAI 並沒有消除障礙，但它將透過提高基本主動型基金經理人在匯總和分析數據方面的效率，為他們帶來更多好處。一旦這些公司了解了回報的驅動因素，他們就會成為我們的競爭對手。”
